Modelo probit multivariado - Multivariate probit model
Este artigo é sobre a modelagem de vários resultados binários correlacionados. Para modelar um único evento com vários resultados, consulte probit multinomial .
Em estatística e econometria , o modelo probit multivariado é uma generalização do modelo probit usado para estimar vários resultados binários correlacionados em conjunto. Por exemplo, se acreditar que as decisões de enviar pelo menos uma criança para a escola pública e de votar a favor de um orçamento escolar estão correlacionadas (ambas as decisões são binárias), então o modelo probit multivariado seria apropriado para prever conjuntamente estes duas escolhas em uma base específica do indivíduo. JR Ashford e RR Sowden inicialmente propuseram uma abordagem para análise probit multivariada. Siddhartha Chib e Edward Greenberg estenderam essa ideia e também propuseram métodos de inferência baseados em simulação para o modelo probit multivariado que simplificou e generalizou a estimativa de parâmetros.
No modelo probit comum, há apenas uma variável dependente binária e, portanto, apenas uma variável latente é usada. Em contraste, no modelo probit bivariado existem duas variáveis dependentes binárias e , portanto, existem duas variáveis latentes: e . Supõe-se que cada variável observada assume o valor 1 se e somente se sua variável latente contínua subjacente assume um valor positivo:
Para o caso geral, onde podemos tomar como escolhas e como indivíduos ou observações, a probabilidade de observar a escolha é
Onde e,
A função de log-verossimilhança neste caso seria
Exceto por tipicamente não há solução de forma fechada para as integrais na equação de log-verossimilhança. Em vez disso, os métodos de simulação podem ser usados para simular as probabilidades de escolha. Métodos que usam amostragem de importância incluem o algoritmo GHK (Geweke, Hajivassilou, McFadden e Keane), AR (aceitar-rejeitar), método de Stern. Existem também abordagens MCMC para este problema, incluindo CRB (método de Chib com Rao-Blackwellization), CRT (Chib, Ritter, Tanner), ARK (kernel aceitar-rejeitar) e ASK (kernel de amostragem adaptável). Uma abordagem variacional escalando para grandes conjuntos de dados é proposta em Probit-LMM (Mandt, Wenzel, Nakajima et al.).