Bab 15 model regresi kualitatif (regressand bersifat kualitatif)

Estimasi Probit dengan Data Berkelompok : gprobit
Secara sepintas, perhatikan bahwa dalam bahasa probit analisis indeks utilitas yang 
tidak dapat diobservasi 
𝐼
𝑖
dikenal sebagai ekuivalen normal menyimpang (n.e.d.) atau 
normit
. Karena n.e.d. atau 
𝐼
𝑖
akan negatif setiap kali 
𝑃
𝑖
< 0,5, dalam praktiknya angka 5 
ditambahkan ke n.e.d. dan hasilnya disebut probit. 

---

---

Interpretasi dari Estimasi Probit pada Tabel 15.11
 
Mari kita ambil nilai X dari Tabel 15.5, katakanlah, X = 6 (ribu dolar). Menggunakan 
nilai estimasi parameter diberikan pada Tabel 15.11, ingin mencari fungsi densitas 
normal pada 
𝑓[−1.0166 + 0.04846(6)] = 𝑓(−0.72548)
. Dicari pada tabel Z = 
−0.72548, densitas normalnya sekitar 0,3066. Lalu mengalikan nilai tersebut dengan 
estimasi koefisien slope yaitu 0.04846, maka didapat 0.01485. Ini berarti bahwa dimulai 
dengan level pendapatan $6000, jika pendapatan meningkat $1000, probabilitas sebuah 
keluarga membeli rumah meningkat sekitar 1.4%. 
Seperti yang dapat dilihat dari diskusi sebelumnya, dibandingkan dengan LPM dan 
model logit, perhitungan perubahan probabilitas menggunakan probit modelnya agak 
membosankan. Alih-alih menghitung perubahan dalam probabilitas, anggaplah Anda 
ingin menemukan estimasi probabilitas dari model gprobit yang dipasang. Ini bisa 
dilakukan dengan mudah. Menggunakan data pada Tabel 15.11 dan memasukkan nilai-
nilai X dari Tabel 15.5, pembaca dapat memeriksa bahwa n.i.d. nilai (ke dua digit) 
adalah sebagai berikut: 
Misalnya sesuai ke n.i.d. nilai -0.63, probabilitas yang diperkirakan adalah 0.2647 
dan, sesuai dengan n.i.d. nilai 0,43, probabilitas yang diperkirakan adalah 0,6691. 
Jika membandingkan estimasi ini dengan nilai aktual yang diberikan dalam Tabel 15.5, 
keduanya cukup dekat, menunjukkan bahwa fitted model cukup bagus Secara grafis, apa 
yang baru saja kita lakukan sudah ditunjukkan di Gambar 15.4.