Home | KTL cơ bản | Phân biệt mô hình Logit vs Probit

Phân biệt mô hình Logit vs Probit

Đặt vấn đề hồi quy với biến phụ thuộc dạng danh mục

Khi một biến phụ thuộc là biến danh mục (nhị phân, thứ tự hoặc định danh) thì phương pháp bình phương tối thiểu OLS sẽ không còn là một ước lượng không chệch tốt nhất (BLUE) nữa. Điều đó có nghĩa các ước lượng OLS sẽ bị chệch và không hiệu quả. Do đó, các nhà nghiên cứu đã phát triển rất nhiều dạng mô hình hồi quy cho các biến phụ thuộc dạng danh mục.

Mô hình hồi quy cho các biến phụ thuộc dạng danh mục

Tùy theo dạng biến phụ thuộc mà chúng ta những mô hình hồi quy tương ứng như sau:

  • Nếu biến phụ thuộc có dạng nhị phân (giá trị 0 và 1) thì mô hình phù hợp là mô hình logit hoặc mô hình probit.
  • Nếu biến phụ thuộc có dạng thứ tự (hạng 1, hạng 2, hạng 3...) thì mô hình phù hợp là mô hình logit thứ tự hoặc mô hình probit thứ tự.
  • Nếu biến phụ thuộc có dạng định danh thì mô hình sử dụng phù hợp là mô hình logit hoặc probit đa bậc, hoặc mô hình logit có điều kiện.

Các mô hình logit vs probit đều dựa trên phương pháp ước lượng hợp lí tối đa ML (Maximum likelihood). Ước lượng hợp lí tối đa đòi hỏi một giả định về dạng hàm phân phối xác suất, chẳng hạn hàm logit và hàm bù log-log. Các mô hình Logit sử dụng hàm phân phối Logit chuẩn trong khi các mô hình Probit giả định hàm phân phối chuẩn chuẩn hóa. Bài viết này tập trung trình bày một số khía cạnh để phân biệt 2 mô hình Logit vs Probit.

Lựa chọn mô hình Logit vs Probit

Sự khác nhau giữa Logit vs Probit chủ yếu tập trung ở hàm phân phối của các sai số nhiễu.

Phần nội dung có thu phí bên dưới đã được ẩn. Vui lòng đăng nhập hoặc đăng ký gói Premium. Trân trọng!