Modellvergleich und Ergebnisinterpretation in Logit- und Probit-Regressionen
Modellvergleich und Ergebnisinterpretation in Logit- und Probit-Regressionen
复制标题
Logit 和 Probit 回归中的模型分析和结果解释
DOI：
--
复制
发表时间：
2012
期刊：
影响因子：
--
通讯作者：
C. Wolf
中科院分区：
文献类型：
--
作者：
H. Best;C. Wolf
用多元回归分析和多元回归分析方法对两个变量进行了统计分析和预测回归。在这样的解释下，我们看到的是 = 1 ergibt的最新版本。我们是过去的，也是最好的线形回归者，也是最好的解释。在逻辑回归中出现的概率比(指数Logit-Koeffizienten)为Erachten Problematich。他说：“我不知道你的名字是什么，我不知道你的名字。从蒙特卡洛模拟法、回归分析法和Probitanalysen法两个角度分析了这两种方法。他说：“这是一件非常重要的事情，我不知道该怎么做。”我们用手模拟研究了Zeigen，führen ddchschnittlich edge ale Effekte and Koeffizienten，以及DEM Vorschlag von Karlson等人。(社会学方法论42,2012)Korrigiert Wurden，in sehr verschiedenen Situationen zu gültigen ergebnissen.y*-coffizientte Koeffizienten sind für einen modellvergleich hingegen weeignet and Koeffizienten eines linearen WahrscheeinlichkeitsModelsierte Koeffizienten Situationen Situationen zu gültigen Ergebnissen.y*在社会科学中经常使用Logit和Probit模型对二元因变量进行多变量数据分析。这两个过程都可以被认为是建立在不可观测变量y*的线性模型上，由此推导出y = 1的概率的非线性模型。我们首先表明，与线性模型相比，这种非线性导致了解释此类分析结果的问题。特别是，Logistic回归中经常使用的优势比(指数化Logit系数)在这方面是有问题的。相反，我们建议使用图形程序和报告(校正)平均边际效应(AME)。在一系列蒙特卡罗模拟的基础上，我们接下来论证了Logit和Probit模型的回归系数不应该在嵌套模型之间进行比较。由于社会科学中的模型建立通常采用逐步过程，因此，允许对模型之间的效应大小进行有效比较的方法将是有利的。模拟研究的结果表明，用Karlson等人提出的方法对平均边际效应和回归系数进行了修正。(社会学方法论42,2012年)在许多不同的情景中产生了令人满意的结果。相比之下，y*标准化系数的效用有限，来自线性概率模型的系数应仅用于正态分布变量。
ZusammenfassungLogit- und Probitregression werden als multivariate Analyseverfahren zur Analyse von dichotomen abhängigen Variablen in den Sozialwissenschaften routinemäßig eingesetzt. Beide Verfahren können so interpretiert werden, dass sich aus einer linearen Modellierung einer unbeobachteten Variabley* eine nichtlineare Modellierung der Wahrscheinlichkeiten füry = 1 ergibt. Wir zeigen erstens, dass diese Nichtlinearität im Vergleich zu linearen Regressionsverfahren zu Problemen bei der Interpretation der Modellergebnisse führt. Insbesondere die in der logistischen Regression häufig verwendeten odds ratios (exponierte Logit-Koeffizienten) sind unseres Erachtens problematisch. Stattdessen empfehlen wir neben graphischen Interpretationshilfen die Verwendung von (korrigierten) durchschnittlich marginalen Effekten (AME). Zweitens zeigen wir anhand einer Serie von Monte-Carlo-Simulationen, dass die üblichen Regressionskoeffizienten bei Logit- und Probitanalysen nicht zwischen verschachtelten Modellen verglichen werden können. Da in den Sozialwissenschaften bei der Modellbildung jedoch häufig schrittweise vorgegangen wird, wäre ein Verfahren, das einen validen Vergleich von Effektstärken zwischen den Modellen erlaubt, sehr nützlich. Wie wir anhand unserer Simulationsstudie zeigen, führen durchschnittlich marginale Effekte und Koeffizienten, die nach dem Vorschlag von Karlson et al. (Sociological Methodology 42, 2012) korrigiert wurden, in sehr verschiedenen Situationen zu gültigen Ergebnissen.y*-standardisierte Koeffizienten sind für einen Modellvergleich hingegen weniger geeignet und Koeffizienten eines linearen Wahrscheinlichkeitsmodells sollten ausschließlich bei normalverteilten Variablen verwendet werden.AbstractIn the social sciences logit and probit models are often used multivariate data analysis procedures for binary dependent variables. Both procedures can be thought of as resting on a linear model for an unobserved variable y* from which a nonlinear model for the probability of y = 1 is derived. We first show that compared to linear models this nonlinearity leads to problems of interpreting results from such analysis. In particular odds ratios (exponentiated logit coefficients) often used in logistic regression are problematic in this respect. Instead we recommend using graphical procedures and reporting (corrected) average marginal effects (AME). Based on a series of Monte-Carlo simulations we next demonstrate that the regression coefficients from logit and probit models should not be compared between nested models. Because model building in the social sciences often employs a stepwise procedure a method allowing valid comparisons of effect sizes between models would be advantageous. Results from our simulation study show that average marginal effects and regression coefficients corrected by a method proposed by Karlson et al. (Sociological Methodology 42, 2012) lead to satisfactory results in many different scenarios. In contrast, y*-standardized coefficients are of limited utility and coefficients from a linear probability model should only be used with normally distributed variables.