Probit 回归
此过程测量刺激的强度与对刺激显示出特定响应的个案比例之间的关系。 如果您具有二分输出，并认为该输出受某些自变量级别的影响或是由其导致的，并且尤其适合实验数据，那么此分析非常有用。 使用此过程可以估计引致特定比例的响应所需的刺激强度，例如中位效应剂量。
示例。 新型杀虫剂对于杀灭蚂蚁的有效性如何，适用浓度多大？ 可以执行一项实验，对蚂蚁样本施用不同浓度的杀虫剂，然后记录杀灭的蚂蚁数量以及被施用杀虫剂的蚂蚁数量。 通过对这些数据应用 Probit 回归，可以确定浓度和杀灭效力之间的关系紧密度，并且可以确定在希望确保杀灭一定比例（例如 95%）的蚂蚁时杀虫剂的适当浓度。
统计。 回归系数和标准误差、截距和标准误差、Pearson 拟合优度卡方、实测和期望的频率以及自变量有效级别的置信区间。 绘图：已转换响应图。
Probit 回归数据注意事项
数据。 对于自变量的每个值（或多个自变量的每个值组合），响应变量应为具有显示相应响应的值的个案数。观察变量总数应为自变量具有这些值的个案的总数。 因子变量应是以整数编码的分类变量。
假设。 实测值应是独立的。 如果自变量值的数量与观察值的数量相比过多（在某项观察研究中可能遇到这样的情况），则卡方统计和拟合优度统计可能无效。
相关过程。 Probit 分析与 Logistic 回归紧密相关；实际上，如果选择 Logit 转换，则此过程最终计算的是 Logistic 回归。 总的来说，概率分析适用于设计的实验，而 Logistic 回归更适用于观察研究。 输出中的差异反映了这些不同的侧重方面。 Probit 分析过程报告不同响应频率下有效值的估计值（包括中位效应剂量），而 Logistic 回归过程报告自变量几率比的估计值。
获取概率回归分析
此功能需要SPSS Statistics Standard Edition 或“回归”选项。
- 从菜单中选择：
- 选择一个响应频率变量。 此变量表示对检验刺激表现出响应的个案数。 此变量的值不能为负。
- 选择观察变量总数。 此变量表示应用刺激的个案数。 此变量的值不能为负，并且不能少于每个个案的响应频率变量的值。
根据需要，可以选择“因子”变量。 如果执行此操作，使用定义范围来定义组的范围。
- 选择一个或多个协变量。 此变量包含应用到每个观察的刺激级别。 如果要转换协变量，请从转换下拉列表中选择一个转换。 如果不应用任何转换，并且有一个控制组，则分析中将包含该控制组。
- 选择 Probit 或 Logit 模型。
- Probit 模型 (Probit Model)
- 将概率单位变换（标准正态累积分布的反函数）应用于响应比例。
- 分对数模型 (Logit Model)
- 对响应比例应用 logit（对数几率）转换。
此过程将粘贴 PROBIT 命令语法。