Пробит-регрессия
Эта процедура измеряет взаимосвязь между силой стимула и долей наблюдений, проявляющих определенный отклик на этот стимул. Это полезно в таких ситуациях, когда у вас есть дихотомический вывод, о котором предполагается, что он зависит от уровней некоторых независимых переменных или определяется ими и особенно хорошо подходит для экспериментальных данных. Эта процедура позволит оценить силу стимула, необходимую, чтобы вызвать определенную долю откликов, такую как медианная эффективная доза.
Пример. Насколько эффективен новый пестицид для уничтожения муравьев, и какова правильная концентрация использования? Вам необходимо провести эксперимент, в котором группы муравьев (выборки) будут подвергаться воздействию различных концентраций этого пестицида, и записать количество погибших муравьев и размер выборок. Применяя пробит регрессию к этим данным, можно определить силу взаимосвязи между концентрацией и уничтожением, а затем определить соответствующую концентрацию, необходимую, например, для уничтожения 95% муравьев при обработке.
Статистика. Коэффициенты регрессии и среднеквадратичные ошибки, свободный член и среднеквадратичная ошибка, хи-квадрат критерия согласия Пирсона, наблюдаемые и ожидаемые частоты и доверительные интервалы для эффективных уровней независимых переменных. Графики: преобразованные графики откликов.
Данные для пробит регрессии
Данные. Для каждого значения независимой переменной (или для каждой комбинации значений для нескольких независимых переменных) ваша переменная отклика должна представлять собой количество наблюдений, значения которых соответствуют некоторому условию для отклика, а переменная общего числа наблюдений должна быть полным количеством наблюдений с данными значениями независимой переменной. Факторные переменные должны быть категориальными, закодированными как целые числа.
Допущения. Наблюдения должны быть независимыми. Если для независимой переменной существует много значений по сравнению с количеством наблюдений, которые можно выполнить при изучении, статистики хи-квадрат и критерия согласия могут оказаться неподходящими.
Родственные процедуры. Пробит анализ близко связан с логистической регрессией; на самом деле, при выборе преобразования логит эта процедура в существенной части будет вычислять логистическую регрессию. В общем случае пробит анализ подходит для запланированных экспериментов, а логистическая регрессия - для обработки результатов наблюдений. Различия в выводе отображают эти особенности применения. Процедура пробит анализа сообщает оценки эффективных значений для различных уровней отклика (в том числе эффективную медианную дозу), а процедура логистической регрессии выводит оценки отношений шансов для независимых переменных.
Получение анализа пробит-регрессии
Для этой возможности требуется модуль Настраиваемые таблицы и расширенная статистика.
- Выберите в меню:
- Укажите переменную частоты ответов. Эта переменная обозначает количество наблюдений, дающих отклик на тестовый стимул. Значения этой переменной не могут быть отрицательными.
- Выберите переменную общего числа наблюдений. Эта переменная обозначает количество наблюдений, к которым был применен стимул. Значения этой переменной не могут быть отрицательными и не могут быть меньше, чем значения переменной частоты отклика для каждого наблюдения.
Дополнительно можно выбрать факторную переменную. В этом случае используйте опцию Определить диапазон, чтобы определить группы.
- Выберите одну или несколько ковариат. Эта переменная содержит уровень стимула, примененного к каждому наблюдению. Если вы хотите преобразовать ковариату, выберите преобразование в выпадающем списке Преобразования. Если преобразование не применяется и существует контрольная группа, эта контрольная группа включается в анализ.
- Выберите модель Пробит или Логит.
- Пробит-модель
- Применяет к долям откликов пробит-преобразование (функция, обратная к функции стандартного нормального распределения).
- Модель логит
- Применяет логит-преобразование (логарифм шансов) к долям откликов.
Эта процедура вставит синтаксис команды PROBIT.