مدل پرابیت در ایویوز

چرا مدل پرابیت؟ مواجهه با تصمیمات بله یا خیر

در بسیاری از تحقیقات، با موقعیت‌هایی روبرو می‌شویم که نتیجه نهایی تنها دو حالت دارد: “بله” یا “خیر”، “وقوع” یا “عدم وقوع”، “موفقیت” یا “شکست”. به عنوان مثال، آیا یک مشتری محصولی را می‌خرد یا نه؟ آیا یک شرکت ورشکست می‌شود یا خیر؟ آیا فردی وارد بازار کار می‌شود یا خیر؟ این نوع متغیرها را متغیرهای وابسته دودویی می‌نامیم.

استفاده از روش‌های معمولی مانند رگرسیون خطی (OLS) برای تحلیل این تصمیمات دوحالتی مناسب نیست. چرا که رگرسیون خطی ممکن است پیش‌بینی‌هایی خارج از منطق احتمال (مثلاً احتمالی بیشتر از ۱ یا کمتر از ۰) ارائه دهد و همچنین فرضیات آماری آن برای این نوع داده‌ها برقرار نیست. به همین دلیل، مدل‌های خاصی مانند مدل پرابیت (Probit Model) توسعه یافته‌اند که به طور خاص برای تحلیل این نوع تصمیمات طراحی شده‌اند.

مفهوم مدل پرابیت: پشت پرده تصمیمات

مدل پرابیت بر این ایده استوار است که در پشت هر تصمیم “بله” یا “خیر” که ما مشاهده می‌کنیم، یک “تمایل” یا “انگیزه” پنهان وجود دارد که قابل مشاهده نیست. این تمایل پنهان (که می‌توانیم آن را متغیر پنهان بنامیم) تحت تأثیر عوامل مختلفی قرار می‌گیرد. اگر این تمایل پنهان از یک آستانه خاصی عبور کند، نتیجه “بله” (یا 1) خواهد بود؛ در غیر این صورت، نتیجه “خیر” (یا 0) می‌شود.

مدل پرابیت، این “تمایل پنهان” را به وسیله متغیرهای توضیحی ما (عواملی که فکر می‌کنیم بر تصمیم تأثیرگذارند) توضیح می‌دهد. سپس، برای تبدیل این “تمایل پنهان” به یک احتمال مشاهده‌پذیر بین ۰ و ۱، از یک منحنی خاص استفاده می‌کند. این منحنی، که شبیه به یک حرف S انگلیسی است، تضمین می‌کند که احتمالاتی که مدل پیش‌بینی می‌کند، همیشه در محدوده صحیح (بین ۰ و ۱) قرار داشته باشند. در مدل پرابیت، شکل این منحنی S-مانند از توزیع نرمال استاندارد الهام گرفته شده است.

اجرای مدل پرابیت در ایویوز

تخمین مدل پرابیت در نرم‌افزار ایویوز (EViews) نسبتاً ساده است:

1. آماده‌سازی داده‌ها: ابتدا اطمینان حاصل کنید که متغیر وابسته شما (متغیری که نشان‌دهنده “بله” یا “خیر” است) به صورت عددی ۰ و ۱ کدگذاری شده باشد.
2. ایجاد معادله جدید: در ایویوز، به بخش ایجاد معادله جدید بروید (معمولاً از منوی Quick یا Object).
3. تعریف معادله: در کادری که ظاهر می‌شود، ابتدا نام متغیر وابسته خود را وارد کنید. سپس، یک ثابت (c) و بعد از آن، نام تمام متغیرهای مستقلی که فکر می‌کنید بر تصمیم‌گیری تأثیر دارند را وارد کنید.
4. انتخاب روش تخمین: از لیست روش‌های تخمین، گزینه “Binary - Binary Choice” را انتخاب کنید. سپس، از زیرمنویی که باز می‌شود، “Probit” را برگزینید.
5. تخمین و مشاهده نتایج: با کلیک بر روی OK، ایویوز مدل پرابیت را تخمین می‌زند و نتایج آن را به شما نمایش می‌دهد.

تفسیر نتایج مدل پرابیت

تفسیر خروجی مدل پرابیت کمی با رگرسیون خطی متفاوت است:

1. ضرایب (Coefficients): اعدادی که به عنوان ضرایب برای هر متغیر مستقل نمایش داده می‌شوند، به طور مستقیم نشان‌دهنده تغییر در احتمال وقوع نیستند. این ضرایب صرفاً جهت و قدرت تأثیر متغیر مستقل را بر “تمایل پنهان” نشان می‌دهند. به عبارت دیگر، یک ضریب مثبت به این معنی است که افزایش آن متغیر مستقل، تمایل پنهان را افزایش می‌دهد و در نتیجه احتمال وقوع تصمیم “بله” را بیشتر می‌کند (و برعکس برای ضریب منفی). مهم است که به معنی‌داری آماری این ضرایب (معمولاً با بررسی P-value) توجه کنیم تا مطمئن شویم این تأثیر تصادفی نیست.

2. اثرات نهایی (Marginal Effects): این بخش مهم‌ترین قسمت برای تفسیر مدل پرابیت است. اثرات نهایی به ما می‌گویند که با یک واحد تغییر در هر متغیر مستقل (با ثابت نگه داشتن سایر عوامل)، احتمال وقوع تصمیم “بله” چقدر تغییر می‌کند. ایویوز می‌تواند این اثرات را برای شما محاسبه و نمایش دهد (معمولاً از منوی View پس از تخمین مدل). مثلاً، اگر اثر نهایی برای متغیر “درآمد” برابر با 0.05 باشد، به این معنی است که با افزایش یک واحد در درآمد، احتمال خرید محصول 5 درصد افزایش می‌یابد.

ارزیابی کیفیت مدل (Goodness of Fit)

برای سنجش کیفیت برازش مدل پرابیت، از معیارهایی استفاده می‌شود که کمی متفاوت از معیارهای رگرسیون خطی هستند:

• شبه $R^2$R2 (Pseudo-$R^2$R2): این معیارها (مانند McFadden $R^2$R2) نشان می‌دهند که مدل ما چقدر بهتر از یک مدل بسیار ساده (که هیچ متغیر مستقلی ندارد) عمل می‌کند. مقادیر بالاتر به معنای برازش بهتر هستند، اما نمی‌توان آن‌ها را مستقیماً با $R^2$R2 در رگرسیون خطی مقایسه کرد.
• جدول طبقه‌بندی (Classification Table): این جدول نشان می‌دهد که مدل ما چند درصد از تصمیمات “بله” و “خیر” را به درستی پیش‌بینی کرده است.
• آزمون نسبت درستنمایی (Likelihood Ratio Test): این آزمون به ما می‌گوید که آیا مدل ما به طور کلی معنی‌دار است یا خیر. به عبارت دیگر، آیا متغیرهای مستقل ما روی هم رفته تأثیر قابل توجهی بر تصمیم‌گیری دارند یا خیر.

نکات مهم برای مدل پرابیت

• مشکل جداسازی کامل: گاهی اوقات، ممکن است یک متغیر مستقل به قدری قدرتمند باشد که به طور کامل دو گروه (0 و 1) را از هم جدا کند. در چنین حالتی، مدل پرابیت ممکن است در تخمین ضرایب با مشکل مواجه شود.
• درون‌زایی: مانند هر مدل آماری، اگر برخی از متغیرهای مستقل شما به نحوی به متغیر وابسته مرتبط باشند که این ارتباط در مدل در نظر گرفته نشده باشد (درون‌زایی)، نتایج مدل ممکن است دچار سوگیری شوند.
• حجم نمونه: برای نتایج قابل اعتماد، مهم است که حجم نمونه کافی داشته باشید، به ویژه در هر دو گروه 0 و 1 متغیر وابسته.

پرابیت یا لجیت؟ انتخاب کدام؟

مدل پرابیت و مدل لجیت هر دو برای تحلیل متغیرهای وابسته دودویی بسیار شبیه به هم عمل می‌کنند و معمولاً نتایج بسیار نزدیکی ارائه می‌دهند. تفاوت اصلی آن‌ها در شکل دقیق منحنی S-مانندی است که برای تبدیل “تمایل پنهان” به احتمال استفاده می‌کنند. لجیت از تابع توزیع لجستیک و پرابیت از تابع توزیع نرمال استاندارد بهره می‌برد.

در عمل، انتخاب بین این دو مدل اغلب به ترجیحات شخصی یا سنت‌های رایج در یک رشته خاص بستگی دارد، زیرا تفاوت عملی بین نتایج آن‌ها معمولاً ناچیز است. اگر فرض طبیعی بودن فرآیند زیربنایی برای شما منطقی‌تر به نظر می‌رسد، ممکن است پرابیت انتخاب بهتری باشد. در غیر این صورت، هر دو مدل ابزارهای قدرتمندی برای تحلیل تصمیمات “بله یا خیر” هستند.

کلیدواژه ها : ایویوز-EViews-مدل پرابیت-Probit Model-رگرسیون پرابیت-Probit Regression-متغیر وابسته دودویی-Binary Dependent Variables-متغیر پنهان-Latent Variable-اثرات نهایی-Marginal Effects-شبه- 𝑅 2 R 2 -Pseudo- 𝑅 2 R 2 -جدول طبقه‌بندی-Classification Table-آزمون نسبت درستنمایی-Likelihood Ratio Test-جداسازی کامل-Complete Separation-درون‌زایی-Endogeneity