1702649898
1702649899
1702649900
1702649901
1702649902
最后要解释的一点是，logit模型和probit模型具有相似的形状，区别只在于probit系数渐进地逼近概率为0或1的速度比logit系数更快，这从图13-B.1可以看得很清楚。正是由于这个原因，logit模型在处理罕见事件或在预测的概率接近0或1时更加敏感。但除此之外，两个模型几乎总是会得出相似的结论。
1702649903
1702649904
1702649905
1702649906
1702649907
图13-B.1 probit和logit系数值所对应的概率
1702649908
1702649909
对二项probit模型的进一步讨论，见Petersen（1985）、Long（1997：40-84）、Powers和Xie（2000，第3章）、Long和Freese（2006）、Wooldridge（2006：583-595），以及StataCorp（2007）关于-probit-、-probit postestimation-、-svyprobit-和-svy：probit postestimation-的条目。一项有趣的应用，参见Manski和Wise（1983）。
1702649910
1702649911
从可下载的文件“ch13_1.do”和“ch13_1.log”的最后部分可以看到用来创建probit模型和结果例子的Stata命令。
1702649912
1702649913
1702649914
1702649915
1702649916
量化数据分析：通过社会研究检验想法 [:1702644823]
1702649917
量化数据分析：通过社会研究检验想法 第14章 多项和序次逻辑斯蒂回归及tobit回归
1702649918
1702649919
量化数据分析：通过社会研究检验想法 [:1702644824]
1702649920
本章内容
1702649921
1702649922
我们在本章介绍针对另外三种受限因变量（limited dependent variables）的模型：
1702649923
1702649924
（1）具有两个以上类别的分类变量，适用多项逻辑斯蒂回归（multinomial logistic regression）；
1702649925
1702649926
（2）序次变量，适用序次逻辑斯蒂回归（ordinal logistic regression）；
1702649927
1702649928
（3）删截（truncate）或删失（censor）的因变量，即在低于或高于某个值时观测不到观测值的因变量，适用tobit回归（tobit regression）。
1702649929
1702649930
对每种情况，我们都先介绍模型的设定，然后通过举一个实际的分析例子来理解模型的应用。
1702649931
1702649932
1702649933
1702649934
1702649935
量化数据分析：通过社会研究检验想法 [:1702644825]
1702649936
量化数据分析：通过社会研究检验想法 多项logit分析
1702649937
1702649938
我们有时会分析具有两个以上类别的分类因变量。在这种情况下，我们可以使用二项逻辑斯蒂回归的一个自然扩展的形式——多项逻辑斯蒂回归。其方法是同时估计一组逻辑斯蒂回归方程，其形式为
1702649939
1702649940
1702649941
1702649942
1702649943
1702649944
1702649945
1702649946
这里，因变量的某一类别被省略了，成为参照类别。对于某个具有m+1个类别的因变量，这种估计方法会产生m个逻辑斯蒂回归方程，每个方程预测的是个案落入某一特定类别而非参照类别的对数比率（参照类别在这里用Y=0来表示）。然而，请注意，虽然解释起来类似于二项逻辑斯蒂回归，但这里的估计方法并不等价于估计一组二项逻辑斯蒂回归方程；二项逻辑斯蒂回归方程预测的是落入某一特定类别相对于不落入此类别的比率。一般来说，两种方法得到的估计值将会不同，而且在这种情况下二项逻辑斯蒂回归估计将是不正确的。
1702649947