B.3 Logit DiagnosisApart from colli

B.3 Logit Diagnosis

Apart from collinearity, which was addressed in the above discussion, we now present several tests to check the validity of our estimations. As a baseline, we will focus on the specification of column 4 of table 6 (1995-2013 time period with a linear trend). To check the robustness of our specification, we proceed to several tests as mentioned by Peng et al. (2002).

First, we proceed to a link test, which aims at testing whether our model is well specified. It regresses the censorship decisions on the predicted values and the square root of the predicted values. If the predicted values turn to be significant, this entails that the model is not entirely misspecified. If the square root of the predicted values is highly significant, this implies that the model misses some important independent variables. Running the link test on the logistic regression of column 4 yields to a significative coefficient for the predicted values (at the 1% level), and to a non-significant coefficient for the square value of the predicted values at the 10% level. This result confirms the quality of our estimation.

Second, we propose to run the Hosmer and Lemeshow’s goodness-of-fit test. This test aims at measuring the match between the predicted probabilities and the binary outcomes. Failing to reject the null hypothesis supports the empirical model. In our case, the probability to rightfully reject the null hypothesis is equal to 0.1829, which validates our estimation.

Moreover we propose to evaluate the prediction probabilities of our logit estimation, using the ROC curve analysis. The underlying idea of this instrument is to measure the number of false positive and of false negative that the estimation produces. The explanatory power of the regression to discriminate between censorship and validation decisions is represented by the area under the curve of the graph 7 in the appendix. As we can see, the area under the curve is close to 0.8, which indicates a good quality of the predicted values.

Last but not least, we look at the possibility that few outliers drive our results. To do so, we plot three statistics associated to each observation: the Pearson residuals (figure graph 8), the deviance residuals (figure 9), and the Pregibon leverage (figure 10).

As one can see from figure 10, three observations stand out (352, 491, 492). In order to verify these outliers do not drive our results, we run our baseline model without these observations. Results were not affected by the drop of these three observations, which supports the previous findings.

Kết quả (Việt) 1:

B.3 hàm lôgit chẩn đoánNgoài collinearity, mà đã được đề cập trong các cuộc thảo luận ở trên, chúng tôi bây giờ trình bày một số thử nghiệm để kiểm tra tính hợp lệ của chúng tôi estimations. Như là một đường cơ sở, chúng tôi sẽ tập trung vào đặc điểm kỹ thuật của cột 4 bảng 6 (1995-2013 thời gian khoảng thời gian với một xu hướng tuyến tính). Để kiểm tra mạnh mẽ của các đặc điểm kỹ thuật của chúng tôi, chúng tôi tiến hành một số xét nghiệm như đã đề cập bởi bành et al. (2002).Trước tiên, chúng tôi tiến hành một thử nghiệm liên kết, mục tiêu thử nghiệm cho dù mô hình của chúng tôi cũng được chỉ định. Nó regresses quyết định kiểm duyệt trên các giá trị dự đoán và bậc hai của các giá trị dự đoán. Nếu các giá trị dự đoán lần lượt được đáng kể, điều này đòi hỏi rằng các mô hình không phải là hoàn toàn misspecified. Nếu bậc hai của các giá trị dự đoán là rất quan trọng, điều này ngụ ý rằng các mô hình bỏ lỡ một số biến độc lập quan trọng. Chạy thử nghiệm liên kết trên hồi quy logistic của cột 4 sản lượng một yếu tố significative cho các giá trị dự đoán (ở mức 1%), và một hệ số phòng không đáng kể cho giá trị vuông của các giá trị dự đoán ở mức 10%. Kết quả này xác nhận chất lượng ước tính của chúng tôi.Thứ hai, chúng tôi đề xuất để chạy thử nghiệm tốt đẹp phù hợp Hosmer và của Lemeshow. Kiểm tra này nhằm mục đích đo cặp dự đoán xác suất và kết quả nhị phân. Không từ chối các giả thuyết null hỗ trợ các mô hình thực nghiệm. Trong trường hợp của chúng tôi, xác suất để rightfully từ chối các giả thuyết null là tương đương với 0.1829, xác nhận dự toán của chúng tôi.Hơn nữa, chúng tôi đề xuất để đánh giá các xác suất dự đoán của chúng tôi ước tính hàm lôgit, bằng cách sử dụng phân tích đường cong ROC. Ý tưởng cơ bản của công cụ này là để đo lường số lượng các dương tính giả và của âm tính sai dự toán sản xuất. Quyền lực giải thích của các hồi quy để phân biệt đối xử giữa kiểm duyệt và xác nhận các quyết định được đại diện theo diện tích dưới đường cong của đồ thị 7 trong phụ lục. Như chúng ta có thể thấy, diện tích dưới đường cong là gần 0.8, mà chỉ ra một chất lượng tốt của các giá trị dự đoán.Cuối cùng nhưng không kém, chúng tôi xem xét khả năng rằng vài outliers thi kết quả của chúng tôi. Để làm như vậy, chúng tôi âm mưu ba số liệu thống kê liên quan đến quan sát mỗi: Pearson dư (đồ thị con số 8), lệch lạc dư (hình 9) và đòn bẩy Pregibon (con số 10).Như một trong những có thể nhìn thấy từ con số 10, ba quan sát nổi bật (352, 491, 492). Để xác minh những outliers không lái xe chúng tôi kết quả, chúng tôi chạy chúng tôi mô hình đường cơ sở mà không có các quan sát. Kết quả đã không bị ảnh hưởng bởi giọt nước những quan sát ba, được hỗ trợ những phát hiện trước đó.

Kết quả (Việt) 2:

B.3 Logit Chẩn đoán Ngoài cộng tuyến, được đề cập trong các cuộc thảo luận ở trên, chúng tôi hiện có mặt một số xét nghiệm để kiểm tra tính hợp lệ của các ước tính của chúng tôi. Là một cơ sở, chúng tôi sẽ tập trung vào các đặc điểm kỹ thuật của cột 4 của bảng 6 (1995-2013 khoảng thời gian với một xu hướng tuyến tính). Để kiểm tra sự vững mạnh của đặc điểm kỹ thuật của chúng tôi, chúng tôi tiến hành một số xét nghiệm như đã đề cập bởi Peng et al. (2002). Đầu tiên, chúng tôi tiến hành một thử nghiệm liên kết với mục tiêu thử nghiệm xem mô hình của chúng tôi cũng chỉ định. Nó thoái các quyết định kiểm duyệt trên các giá trị dự đoán và căn bậc hai của các giá trị dự đoán. Nếu các giá trị dự đoán lần lượt được đáng kể, điều này đòi hỏi rằng mô hình không hoàn toàn misspecified. Nếu căn bậc hai của các giá trị dự đoán là rất quan trọng, điều này hàm ý rằng mô hình bỏ lỡ một số biến độc lập quan trọng. Chạy thử nghiệm liên kết trên hồi quy logistic của cột 4 sản lượng với một hệ số có ý nghĩa đối với các giá trị dự đoán (ở mức 1%), và với một hệ số không đáng kể cho giá trị bình phương của giá trị dự đoán ở mức 10%. Kết quả này khẳng định chất lượng của dự toán của chúng tôi. Thứ hai, chúng tôi đề xuất chạy của Hosmer và Lemeshow thiện-of-fit test. Xét nghiệm này nhằm mục đích đo trận đấu giữa xác suất dự đoán và kết quả nhị phân. Không bác bỏ giả thuyết hỗ trợ các mô hình thực nghiệm. Trong trường hợp của chúng tôi, xác suất để đúng là bác bỏ giả thuyết là tương đương với 0,1829, trong đó xác nhận ước tính của chúng. Hơn nữa chúng tôi đề xuất để đánh giá xác suất dự báo của các ước lượng logit của chúng tôi, bằng cách sử dụng phân tích đường cong ROC. Ý tưởng cơ bản của công cụ này là để đo số dương tính giả và âm tính giả rằng việc lập dự toán sản xuất. Các khả năng giải thích của hồi quy để phân biệt đối xử giữa các quyết định kiểm duyệt và xác nhận được đại diện bởi các diện tích dưới đường cong của đồ thị 7 trong phụ lục. Như chúng ta thấy, diện tích dưới đường cong gần 0,8, có nghĩa là chất lượng tốt của các giá trị dự đoán. Cuối cùng nhưng không kém, chúng ta nhìn vào những khả năng mà vài bất ngờ lái xe kết quả của chúng tôi. Để làm như vậy, chúng ta vẽ ba số liệu thống kê liên quan đến mỗi quan sát:. Các số dư Pearson (con số biểu đồ 8), các số dư lệch lạc (hình 9), và các đòn bẩy Pregibon (hình 10) Là một người có thể nhìn thấy từ con số 10, ba quan sát đứng ra (352, 491, 492). Để xác minh những giá trị ngoại lai không lái xe kết quả của chúng tôi, chúng tôi chạy mô hình cơ sở của chúng tôi mà không có những quan sát. Kết quả không bị ảnh hưởng bởi sự sụt giảm trong ba quan sát, hỗ trợ các phát hiện trước đó.