Эконометрический анализ зарплаты замужних женщин США в 1975 году (стр. 4 )

Приведём статистику по построенной модели.

Dependent Variable: INLF
Method: ML - Binary Probit
Sample: 1 753
Included observations: 753
Descriptive statistics for explanatory variables
		Mean
Variable	Dep=0	Dep=1	All
C	1.000000	1.000000	1.000000
AGE	43.28308	41.97196	42.53785
EDUC	11.79692	12.65888	12.28685
EXPER	7.461538	13.03738	10.63081
EXPERSQ	103.3938	234.7196	178.0385
HUSHRS	2311.791	2233.465	2267.271
KIDSLT6	0.366154	0.140187	0.237716
UNEM	8.726154	8.545561	8.623506
		Standard Deviation
Variable	Dep=0	Dep=1	All
C	0.000000	0.000000	0.000000
AGE	8.467796	7.721084	8.072574
EDUC	2.181995	2.285376	2.280246
EXPER	6.918567	8.055923	8.069130
EXPERSQ	196.7098	270.0434	249.6308
HUSHRS	609.8817	582.9088	595.5666
KIDSLT6	0.636900	0.391923	0.523959
UNEM	3.221086	3.033328	3.114934
Observations	325	428	753

Для порядка приведём таблицу предсказаний модели для стандартной границы отсечения. Видим, что наша модель даёт существенно большую точность распознавания чем самая примитивная модель (всегда работать или всегда не работать).

Dependent Variable: INLF
Method: ML - Binary Probit
Sample: 1 753
Included observations: 753
Prediction Evaluation (success cutoff C = 0.5)
	Estimated Equation	Constant Probability
	Dep=0	Dep=1	Total	Dep=0	Dep=1	Total
P(Dep=1)<=C	205	82	287	0	0	0
P(Dep=1)>C	120	346	466	325	428	753
Total	325	428	753	325	428	753
Correct	205	346	551	0	428	428
% Correct	63.08	80.84	73.17	0.00	100.00	56.84
% Incorrect	36.92	19.16	26.83	100.00	0.00	43.16
Total Gain*	63.08	-19.16	16.33
Percent Gain**	63.08	NA	37.85
	Estimated Equation	Constant Probability
	Dep=0	Dep=1	Total	Dep=0	Dep=1	Total
E(# of Dep=0)	189.33	134.79	324.12	140.27	184.73	325.00
E(# of Dep=1)	135.67	293.21	428.88	184.73	243.27	428.00
Total	325.00	428.00	753.00	325.00	428.00	753.00
Correct	189.33	293.21	482.53	140.27	243.27	383.54
% Correct	58.25	68.51	64.08	43.16	56.84	50.94
% Incorrect	41.75	31.49	35.92	56.84	43.16	49.06
Total Gain	15.09	11.67	13.15
Percent Gain	26.55	27.03	26.79

Однако такая таблица может дать гораздо меньше информации, чем график точности предсказаний модели в зависимости от выбора границы отсечения [1].

Модель хорошая, что лишний раз подтверждают тесты.

Dependent Variable: INLF
Method: ML - Binary Probit
Sample: 1 753
Included observations: 753
Andrews and Hosmer-Lemeshow Goodness-of-Fit Tests
Grouping based upon predicted risk (randomize ties)
	Quantile of Risk	Dep=0	Dep=1	Total	H-L
	Low	High	Actual	Expect	Actual	Expect	Obs	Value
1	0.0041	0.1969	64	66.8248	11	8.17516	75	1.09551
2	0.1972	0.3014	54	56.3072	21	18.6928	75	0.37930
3	0.3024	0.4187	49	47.9787	26	27.0213	75	0.06034
4	0.4253	0.5228	48	40.1619	28	35.8381	76	3.24398
5	0.5229	0.6075	29	32.8512	46	42.1488	75	0.80337
6	0.6076	0.6805	25	26.6595	50	48.3405	75	0.16027
7	0.6841	0.7481	27	21.4295	49	54.5705	76	2.01668
8	0.7481	0.8273	16	15.7079	59	59.2921	75	0.00687
9	0.8281	0.8936	9	10.6498	66	64.3502	75	0.29787
10	0.8937	0.9817	4	5.54834	72	70.4517	76	0.46611
		Total	325	324.119	428	428.881	753	8.53030
H-L Statistic:	8.5303			Prob. Chi-Sq(8)	0.3835
Andrews Statistic:	11.4125			Prob. Chi-Sq(10)	0.3263

4. Построение logit–модели