SPSS回归分析：Probit 分析

SPSS回归分析：Probit 分析

一、Probit分析（分析-回归- Probit）

   此过程度量刺激的强度与对刺激显示出特定响应的个案比例之间的关系。如果您具有二分输出，并认为该输出受某些自变量级别的影响或是由其导致的，并且尤其适合实验数据，则此分析非常有用。使用此过程可以估计引致特定比例的响应所需的刺激强度，例如中位效应剂量。

1、示例。新型杀虫剂对于杀灭蚂蚁的有效性如何，适用浓度多大？可以执行一项实验，对蚂蚁样本施用不同浓度的杀虫剂，然后记录杀灭的蚂蚁数量以及被施用杀虫剂的蚂蚁数量。通过对这些数据应用Probit分析，可以确定浓度和杀灭效力之间的关系紧密度，并且可以确定在希望确保杀灭一定比例（例如95%）的蚂蚁时杀虫剂的适当浓度。

2、统计量。回归系数和标准误、截距和标准误、Pearson拟合优度卡方、观察的和期望的频率以及自变量有效级别的置信区间。图：已转换响应图。此过程使用由Gill、Murray、Saunders和Wright在NPSOL®®&中提出和实现的算法来估计模型参数。

3、数据。对于自变量的每个值（或多个自变量的每个值组合），响应变量应为具有显示相应响应的值的个案数。观察变量总数应为自变量具有这些值的个案的总数。因子变量应是以整数编码的分类变量。

4、假设。观察值应是独立的。如果自变量值的数量与观察值的数量相比过多（在某项观察研究中可能遇到这样的情况），则卡方统计量和拟合优度统计量可能无效。

5、相关过程。Probit分析与Logistic回归紧密相关；实际上，如果选择Logit转换，则此过程最终计算的是Logistic回归。总的来说，Probit分析适用于设计的实验，而Logistic回归更适用于观察研究。输出中的差异反映了这些不同的侧重方面。Probit分析过程报告不同响应频率下有效值的估计值（包括中位效应剂量），而Logistic回归过程报告自变量几率比的估计值。

二、选项（分析-回归- Probit-选项）

1、统计量。允许您请求下列可选统计量：频率、相对中位数强度、平行检验以及信仰置信区间。

1.1、相关中位数力.显示每对因子水平的中位数强度比。还显示每个相对中位数强度的95%置信界限。如果您没有因子变量或具有多个协变量，则相关中位数力不可用。

1.2、平行检验.对所有因子水平具有共同的斜率这一假设的检验。

1.3、信仰置信区间.生成确定的响应概率所必需的代理用量的置信区间。

如果选择了多个协变量，则信仰置信区间和相对中位数强度不可用。只有在选择了因子变量的情况下，相对中位数强度和平行检验才可用。

2、自然响应频率。允许您指定自然响应频率，即使在没有刺激的情况下也可以。可用选项有“无”、“从数据中计算”和“值”。

2.1、从数据中计算.根据样本数据估计自然响应频率。数据应包含代表控制级别的个案，而该级别的协变量值为0。Probit使用该控制级别的响应比例来估计自然响应率以作为初始值。

2.2、值.在模型中设置自然响应率（当您预先知道自然响应率时，选择此项）。输入自然响应比例（该比例必须小于1）。例如，如果当激励为0时响应在10%的时间里发生，则输入0.10。