ProbitModelFit

ProbitModelFit[{{x1,y1},{x2,y2},…},{f1,f2,…},x]

各かく xiに yiをフィットするという形かたちの二に項こうプロビット回帰かいきモデルを構築こうちくする．

ProbitModelFit[data,{f1,f2,…},{x1,x2,…}]

という形かたちの二に項こうプロビット回帰かいきモデルを構築こうちくする．ただし，fiは変数へんすう xkに依存いぞんする．

ProbitModelFit[{m,v}]

計画けいかく行列ぎょうれつ m と応答おうとうベクトル v から二に項こうプロビット回帰かいきモデルを構築こうちくする．

詳細しょうさいとオプション

  • ProbitModelFitは，プロビット関数かんすう()の逆ぎゃく関数かんすうを使つかって構築こうちくされた基底きてい関数かんすうの線形せんけい結合けつごうを使つかってデータをモデル化かしようとする．
  • LogitModelFitは，確率かくりつ値ちのモデル化かのための分類ぶんるいにしばしば使つかわれる．
  • ProbitModelFitは，もとの が確かく率りつ のベルヌーイ(Bernoulli)試行しこうの独立どくりつした実現じつげんであるという仮定かていのもとに，の形かたちの一般いっぱん化かされた線形せんけいモデルを生成せいせいする．
  • 関数かんすう は標準ひょうじゅんNormalDistributionのCDFである．
  • ProbitModelFitは，自身じしんが構築こうちくしたプロビットモデルを表あらわす記号きごう的てきなFittedModelオブジェクトを返かえす．モデルの特性とくせいと診断しんだんは model["property"]で得えることができる．
  • 特定とくていの点てん x1, …におけるProbitModelFitからの最もっともよくフィットした関数かんすうの値ねは model[x1,…]で得えることができる．
  • 次つぎは，data の可能かのうな形かたちである．
  • {y1,y2,…}{{1,y1},{2,y2},…}という形式けいしきに等ひとしい
    {{x11,x12,…,y1},…}独立どくりつした値ね xijと応答おうとう yiのリスト
    {{x11,x12,…}y1,…}入力にゅうりょく値ちと応答おうとうの間あいだの規則きそくのリスト
    {{x11,x12,…},…}{y1,y2,…}入力にゅうりょく値ちのリストと応答おうとうの間あいだの規則きそく
    {{x11,…,y1,…},…}n行列ぎょうれつの第だい n 列れつをフィットする
  • {{x_(11),x_(12),... ,y_(1)},{x_(21),x_(22),... ,y_(2)},...}のような多た変量へんりょうのデータの場合ばあい，座標ざひょう xi1, xi2, …の数かずは変数へんすう xiの数かずと一致いっちしなければならない．
  • yiは0から1までの確かく率りつである．
  • さらに，data は関数かんすうと変数へんすうを指定していせずに計画けいかく行列ぎょうれつを使つかって指定していすることができる．
  • {m,v}計画けいかく行列ぎょうれつ m と応答おうとうベクトル v
  • ProbitModelFit[{m,v}]では，{{f1,f2,…},{f1,f2,…},…}という形かたちのデータ点てんにおける基底きてい関数かんすう fiの値ねから計画けいかく行列ぎょうれつ m が形成けいせいされる．応答おうとうベクトル v は応答おうとうのリスト{y1,y2,…}である．
  • 計画けいかく行列ぎょうれつ m と応答おうとうベクトル v について，モデルは である．ただし， は推定すいていされるパラメータのベクトルである．
  • 計画けいかく行列ぎょうれつが使つかわれる場合ばあい，基底きてい関数かんすう fiはProbitModelFit[{m,v},{f1,f2,…}]という形式けいしきを使つかって指定していすることができる．
  • ProbitModelFitは，ExponentialFamily->"Binomial"およびLinkFunction->"ProbitLink"でGeneralizedLinearModelFitに等ひとしい．
  • ProbitModelFitにはExponentialFamilyとLinkFunctionを除のぞいてGeneralizedLinearModelFitと同おなじオプションが使つかえる．

例題れいだい

すべて開ひらくすべて閉とじる

例れい  (1)

データ集合しゅうごうを定義ていぎする：

プロビットモデルをデータにフィットする：

ある点てんでモデルを評価ひょうかする：

データ点てんとモデルをプロットする：

スコープ  (13)

データ  (6)

整数せいすうに依存いぞんしない値ねが増加ぞうかすると仮定かていして，データを成功せいこう確かく率りつ応答おうとうにフィットする：

これは以下いかに等ひとしい：

各かく予測よそく器きの値ねについて，観測かんそく回数かいすうで重おもみを付つける：

これは，成功せいこう失敗しっぱいデータと同おなじ最適さいてき関数かんすうを与あたえる：

規則きそくのリストをフィットする：

入力にゅうりょく値ちと応答おうとうの規則きそくをフィットする：

列れつを応答おうとうとして指定していする：

計画けいかく行列ぎょうれつと応答おうとうベクトルを前提ぜんていとしてモデルをフィットする：

関数かんすう形がたを見みる：

基底きてい関数かんすうを と として参照さんしょうしてモデルをフィットする：

使用しよう可能かのうな特性とくせいのリストを得える：

特性とくせい  (7)

データとフィットされた関数かんすう  (1)

プロビットモデルをフィットする：

もとのデータを抽出ちゅうしゅつする：

最高さいこうのフィットを求もとめ，プロットする：

フィットされた関数かんすうを純じゅん関数かんすうとして得える：

フィットのための計画けいかく行列ぎょうれつと応答おうとうベクトルを得える：

残ざん差さ  (1)

フィットの残ざん差さを調しらべる：

生なまの残ざん差さを可視かし化かする：

アンスコム(Anscombe)の残ざん差さと標準ひょうじゅん化かされたピアソン(Pearson)残ざん差さをステムプロットで可視かし化かする：

分散ぶんさんと尤ゆう離はなれ度ど  (1)

プロビットモデルをデータにフィットする：

推定すいてい分散ぶんさんはデフォルトでは1である：

ピアソンの を推定すいてい分散ぶんさんとして代かわりに使つかう：

各かく点てんの尤ゆう離はなれ度どをプロットする：

尤ゆう離はなれ度ど分析ぶんせき表ひょうを得える：

表ひょうから尤ゆう離はなれ度ど残ざん差さを得える：

表ひょうから数値すうち項こうを抽出ちゅうしゅつする：

Gridを使つかってフォーマットする：

パラメータ推定すいてい診断しんだん  (1)

パラメータ情報じょうほうのフォーマットされた表ひょうを得える：

統計とうけい値ちの列れつを抽出ちゅうしゅつする：

表ひょうからフォーマットされていない値ねの配列はいれつを得える：

Gridを使つかってフォーマットする：

TableFormを介かいしてフォーマットする：

影響えいきょう力りょくの統計とうけい量りょう  (1)

極きょく値ちを含ふくむデータをプロビットモデルにフィットする：

クック距離きょりをチェックして大おおきく影響えいきょうする点てんを確認かくにんする：

ハット行列ぎょうれつの診断しんだん要素ようそをチェックしてフィットの点てんの影響えいきょうを見積みつもる：

予測よそく値ち  (1)

プロビットモデルをフィットする：

予測よそく値ちを観測かんそく値ちに対たいしてプロットする：

適合てきごう度ど尺度しゃくど  (1)

プロビットモデルの適合てきごう度ど尺度しゃくど表ひょうを得える：

予測よそく器き変数へんすうのすべての部分ぶぶん集合しゅうごうについて適合てきごう度ど尺度しゃくどを計算けいさんする：

AICによってモデルにランクを付つける：

一般いっぱん化かと拡張かくちょう  (1)

モデルの関数かんすう形がたに対たいして他たの数学すうがく操作そうさを行おこなう：

記号きごう積分せきぶんと数値すうち積分せきぶんを行おこなう：

モデルの特定とくていの値ねを与あたえる予測よそく値ちを求もとめる：

オプション  (8)

ConfidenceLevel  (1)

デフォルト設定せっていでは95%の信頼しんらい区間くかんが使つかわれる：

代かわりに99%の区間くかんを使つかう：

FittedModel内うちでレベルを90%に設定せっていする：

CovarianceEstimatorFunction  (1)

プロビットモデルをフィットする：

期待きたいされる情報じょうほう行列ぎょうれつを使つかって共きょう分散ぶんさん行列ぎょうれつを計算けいさんする：

観察かんさつされた情報じょうほう行列ぎょうれつを代かわりに使つかう：

DispersionEstimatorFunction  (1)

プロビットモデルをフィットする：

共きょう分散ぶんさん行列ぎょうれつを計算けいさんする：

ピアソンの による分散ぶんさんを推定すいていして共きょう分散ぶんさん行列ぎょうれつを計算けいさんする：

IncludeConstantBasis  (1)

プロビットモデルをフィットする：

定数ていすう項こうなしでモデルをフィットする：

LinearOffsetFunction  (1)

データをプロビットモデルにフィットする：

既知きちのSqrt[x]項こうを持もつモデルにデータをフィットする：

NominalVariables  (1)

第だい1変数へんすうを名義めいぎ変数へんすうとして扱あつかってデータをフィットする：

両方りょうほうの変数へんすうを名義めいぎ変数へんすうとして扱あつかう：

Weights  (1)

等ひとしい重おもみを使つかってモデルをフィットする：

データ点てんのための明示めいじ的てきな重おもみを与あたえる：

WorkingPrecision  (1)

WorkingPrecisionを使つかってより高こう精度せいどのパラメータ推定すいていを得える：

フィットされた関数かんすうを得える：

フィットの後のち，特性とくせい計算けいさんで精度せいどを落おとす：

特性とくせいと関係かんけい  (4)

ProbitModelFitは"ProbitLink"を伴ともなうGeneralizedLinearModelFitからの"Binomial"モデルに等ひとしい：

LogitModelFitはデフォルトの"LogitLink"を伴ともなうGeneralizedLinearModelFitからの"Binomial"モデルである：

ProbitModelFitは二に項こう分布ぶんぷした応答おうとうを仮定かていする：

NonlinearModelFitは正規せいき分布ぶんぷした応答おうとうを仮定かていする：

このフィットは同おなじではない：

ProbitModelFitはTimeSeriesのタイムスタンプを変数へんすうとして使つかう：

タイムスタンプを再さいスケールし，フィットし直なおす：

値ねについてのフィットを求もとめる：

ProbitModelFitは，複数ふくすうの経路けいろのあるTemporalDataについては，経路けいろごとに作用さようする：

考かんがえられる問題もんだい  (1)

0から1までの区間くかん外がいの応答おうとうはプロビットモデルには有効ゆうこうではない：

Wolfram Research (2008), ProbitModelFit, Wolfram言語げんご関数かんすう， https://reference.wolfram.com/language/ref/ProbitModelFit.html.

テキスト

Wolfram Research (2008), ProbitModelFit, Wolfram言語げんご関数かんすう， https://reference.wolfram.com/language/ref/ProbitModelFit.html.

CMS

Wolfram Language. 2008. "ProbitModelFit." Wolfram Language & System Documentation Center. Wolfram Research. https://reference.wolfram.com/language/ref/ProbitModelFit.html.

APA

Wolfram Language. (2008). ProbitModelFit. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/ProbitModelFit.html

BibTeX

@misc{reference.wolfram_2024_probitmodelfit, author="Wolfram Research", title="{ProbitModelFit}", year="2008", howpublished="\url{https://reference.wolfram.com/language/ref/ProbitModelFit.html}", note=[Accessed: 23-May-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_probitmodelfit, organization={Wolfram Research}, title={ProbitModelFit}, year={2008}, url={https://reference.wolfram.com/language/ref/ProbitModelFit.html}, note=[Accessed: 23-May-2024 ]}