Modellvergleich und Ergebnisinterpretation in Logit- und Probit-Regressionen

Abstract

B e r i c h t e u n d d i s k u s s i o n e nZusammenfassung: Logit-und Probitregression werden als multivariate Analyseverfahren zur Analyse von dichotomen abhängigen Variablen in den sozialwissenschaften routinemäßig eingesetzt. Beide Verfahren können so interpretiert werden, dass sich aus einer linearen Modellierung einer unbeobachteten Variable y* eine nichtlineare Modellierung der Wahrscheinlichkeiten für y = 1 ergibt. Wir zeigen erstens, dass diese nichtlinearität im Vergleich zu linearen regressionsverfahren zu Problemen bei der interpretation der Modellergebnisse führt. insbesondere die in der logistischen regression häufig verwendeten odds ratios (exponierte Logit-koeffizienten) sind unseres erachtens problematisch. stattdessen empfehlen wir neben graphischen interpretationshilfen die Verwendung von (korrigierten) durchschnittlich marginalen effekten (AMe). Zweitens zeigen wir anhand einer serie von Monte-carlo-simulationen, dass die üblichen regressionskoeffizienten bei Logit-und Probitanalysen nicht zwischen verschachtelten Modellen verglichen werden können. da in den sozialwissenschaften bei der Modellbildung jedoch häufig schrittweise vorgegangen wird, wäre ein Verfahren, das einen validen Vergleich von effektstärken zwischen den Modellen erlaubt, sehr nützlich. Wie wir anhand unserer simulationsstudie zeigen, führen durchschnittlich marginale effekte und koeffizienten, die nach dem Vorschlag von karlson et al. ( Sociological Methodology 42, 2012) korrigiert wurden, in sehr verschiedenen situationen zu gültigen ergebnissen. y*-standardisierte koeffizienten sind für einen Modellvergleich hingegen weniger geeignet und koeffizienten eines linearen Wahrscheinlichkeitsmodells sollten ausschließlich bei normalverteilten Variablen verwendet werden.

Scarring effects of early unemployment among young workers with vocational credentials in Switzerland

“…We report average marginal effects (AME), which are, in contrast to odds-ratios, intuitively interpretable and robust towards unobserved heterogeneity due to scaling issues that arise in non-linear regression analysis (see Best and Wolf 2012;Mood 2010). Based on this model we also estimate propensity scores for the following analysis on scarring effects.…”

Further Training for Older Workers: A Solution for an Ageing Labour Force?

“…Mood (2010) points to the difficulty in finding estimates that enable to achieve all purposes in an analysis, as it is often requested by researchers 150 . In this regard, an appropriate solution suggested by Best and Wolf (2012) and which is used in this study, is the Average Marginal Effects (AME). AME represents the average effect of the independent variable on the probability that the event P(y=1|x) happens, and consider the easiest solution for the interpretation and comparison of the logistic regression coefficients.…”

“…the problem discussed above by Mood (2010) concerning the unobserved heterogeneity. In other words, AME offer the advantage that non-correlated non-observed heterogeneity will not be biased (Best & Wolf, 2012).…”

“…The interpretation of the coefficients is based on The Average Marginal Effect (AME) 233 which is more appropriate when aiming to compare between nested models (Best & Wolf, 2012) Goodness-of-Fit Test was applied. This test involves examining the closeness of the predicted 233 This method means that in the first step a marginal effect is computed for each case, and in the second step all the computed effects are averaged.…”

“…between the age groups) is less appropriate using OR and LnOR (Karlson et al 2012;Mood, 2010). Such a comparison can be done by using average marginal effect which helps to overcome the problems of unobserved heterogeneity (Best & Wolf, 2012 (OECD, 2004b;Bassanini, 2006;Lang, 2012) as training raises their value in the labour force (OECD, 2004b). Similarly, participation in training may raise the self-security of workers by feeling useful and valued by their employers (extrinsic rewards), whereas these aspects are found to be highly important for older workers and less for younger ones (Valentine et al, 1998).…”