Probit-responsmodellen

Responsmodellen bouwen in R

Kathrin Gruber

Assistant Professor of Econometrics Erasmus University Rotterdam

Probit-responsfunctie

  • Aankoopkansen zijn latente neigingen.
  • Veronderstelt een regressie voor een continue, niet-observeerbare responsvariabele.

Responsmodellen bouwen in R

Een probitmodel voor biervraag

probit.model <- glm(HOPPINESS ~ price.ratio,
                    family = binomial(link = probit), data  = choice.data)

coef(probit.model)
(Intercept)  price.ratio 
  -1.954092    -3.547546
Responsmodellen bouwen in R

Logistisch vs. probit

cbind(coef(logistic.model), coef(probit.model))
                 [,1]      [,2]
(Intercept) -3.572678 -1.954092
price.ratio -6.738768 -3.547546

Herschalen

coef(probit.model)*1.6
(Intercept)  price.ratio 
  -3.126547    -5.676073 
Responsmodellen bouwen in R

Gemiddelde marginale effecten

  • Logistisch: interpreteerbare log-odds
margins(logistic.model)
price.ratio
    -0.4585
  • Probit: niet-interpreteerbare z-waarden
margins(probit.model)
price.ratio
    -0.4503
Responsmodellen bouwen in R

Laten we oefenen!

Responsmodellen bouwen in R

Preparing Video For Download...