SPSS回歸分析：Probit 分析

SPSS回歸分析：Probit 分析

一、Probit分析（分析-回歸- Probit）

   此過程度量刺激的強度與對刺激顯示出特定響應的個案比例之間的關系。如果您具有二分輸出，并認為該輸出受某些自變量級別的影響或是由其導致的，并且尤其適合實驗數據，則此分析非常有用。使用此過程可以估計引致特定比例的響應所需的刺激強度，例如中位效應劑量。

1、示例。新型殺蟲劑對于殺滅螞蟻的有效性如何，適用濃度多大？可以執行一項實驗，對螞蟻樣本施用不同濃度的殺蟲劑，然后記錄殺滅的螞蟻數量以及被施用殺蟲劑的螞蟻數量。通過對這些數據應用Probit分析，可以確定濃度和殺滅效力之間的關系緊密度，并且可以確定在希望確保殺滅一定比例（例如95%）的螞蟻時殺蟲劑的適當濃度。

2、統計量?；貧w系數和標準誤、截距和標準誤、Pearson擬合優度卡方、觀察的和期望的頻率以及自變量有效級別的置信區間。圖：已轉換響應圖。此過程使用由Gill、Murray、Saunders和Wright在NPSOL??&中提出和實現的算法來估計模型參數。

3、數據。對于自變量的每個值（或多個自變量的每個值組合），響應變量應為具有顯示相應響應的值的個案數。觀察變量總數應為自變量具有這些值的個案的總數。因子變量應是以整數編碼的分類變量。

4、假設。觀察值應是獨立的。如果自變量值的數量與觀察值的數量相比過多（在某項觀察研究中可能遇到這樣的情況），則卡方統計量和擬合優度統計量可能無效。

5、相關過程。Probit分析與Logistic回歸緊密相關；實際上，如果選擇Logit轉換，則此過程最終計算的是Logistic回歸?？偟膩碚f，Probit分析適用于設計的實驗，而Logistic回歸更適用于觀察研究。輸出中的差異反映了這些不同的側重方面。Probit分析過程報告不同響應頻率下有效值的估計值（包括中位效應劑量），而Logistic回歸過程報告自變量幾率比的估計值。

二、選項（分析-回歸- Probit-選項）

1、統計量。允許您請求下列可選統計量：頻率、相對中位數強度、平行檢驗以及信仰置信區間。

1.1、相關中位數力.顯示每對因子水平的中位數強度比。還顯示每個相對中位數強度的95%置信界限。如果您沒有因子變量或具有多個協變量，則相關中位數力不可用。

1.2、平行檢驗.對所有因子水平具有共同的斜率這一假設的檢驗。

1.3、信仰置信區間.生成確定的響應概率所必需的代理用量的置信區間。

如果選擇了多個協變量，則信仰置信區間和相對中位數強度不可用。只有在選擇了因子變量的情況下，相對中位數強度和平行檢驗才可用。

2、自然響應頻率。允許您指定自然響應頻率，即使在沒有刺激的情況下也可以?？捎眠x項有“無”、“從數據中計算”和“值”。

2.1、從數據中計算.根據樣本數據估計自然響應頻率。數據應包含代表控制級別的個案，而該級別的協變量值為0。Probit使用該控制級別的響應比例來估計自然響應率以作為初始值。

2.2、值.在模型中設置自然響應率（當您預先知道自然響應率時，選擇此項）。輸入自然響應比例（該比例必須小于1）。例如，如果當激勵為0時響應在10%的時間里發生，則輸入0.10。