Scribd
Importer
29 vues14 pages

Modèle Probit : Estimation et Interprétation

Le document présente le modèle Probit, utilisé pour modéliser des variables dépendantes binaires, en détaillant sa spécification, estimation par maximum de vraisemblance et interprétation des coefficients. Il met en avant les avantages du modèle Probit par rapport à un modèle linéaire, ainsi que les méthodes d'évaluation comme le pseudo-R 2 et le test LR. Enfin, il fournit un exemple de tableau de résultats pour illustrer l'application du modèle.

Transféré par

fallmaman0123
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
29 vues14 pages

Modèle Probit : Estimation et Interprétation

Le document présente le modèle Probit, utilisé pour modéliser des variables dépendantes binaires, en détaillant sa spécification, estimation par maximum de vraisemblance et interprétation des coefficients. Il met en avant les avantages du modèle Probit par rapport à un modèle linéaire, ainsi que les méthodes d'évaluation comme le pseudo-R 2 et le test LR. Enfin, il fournit un exemple de tableau de résultats pour illustrer l'application du modèle.

Transféré par

fallmaman0123
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Le modèle Probit

Présentation, estimation et interprétation

24046 - 24079 - 24606


ESP / SID35

7 janvier 2026
Plan

1 Contexte : variable dépendante binaire


2 Spécification du modèle Probit (variable latente)
3 Estimation par maximum de vraisemblance
4 Interprétation : coefficients vs effets marginaux
5 Évaluation : pseudo-R 2 , test LR, classification

Modèle Probit 2/14


Contexte : variable dépendante binaire

Objectif Exemples
Modéliser une probabilité conditionnelle : Emploi : 1/0
Adoption : oui/non
P(Y = 1 | X )
Défaut : défaut/pas défaut
avec Y ∈ {0, 1}.

Modèle Probit 3/14


Variable latente : intuition

Modèle
Yi∗ = Xi⊤ β + εi et Yi = 1(Yi∗ > 0)

Hypothèse Probit
εi ∼ N (0, 1)
La variance est fixée à 1 pour l’identification : seule l’échelle relative compte.

Modèle Probit 4/14


Probabilité dans le Probit

Formule clé
P(Yi = 1 | Xi ) = Φ(Xi⊤ β)
où Φ(·) est la fonction de répartition de la loi normale standard.

Complément
P(Yi = 0 | Xi ) = 1 − Φ(Xi⊤ β)

Modèle Probit 5/14


Pourquoi pas un modèle linéaire (LPM) ?

Limites du LPM Atouts du Probit


Probabilités hors [0, 1] Probabilités toujours valides
Hétéroscédasticité Relation non-linéaire (en S)
Effets marginaux constants Cadre MV standard

Modèle Probit 6/14


Estimation : maximum de vraisemblance

Notation
pi = Φ(Xi⊤ β)

Vraisemblance et log-vraisemblance
n
Y
L(β) = piYi (1 − pi )1−Yi
i=1
n 
X 
ℓ(β) = Yi ln(pi ) + (1 − Yi ) ln(1 − pi )
i=1

Modèle Probit 7/14


Interprétation des coefficients

Attention
βk n’est pas une variation directe de probabilité. Il déplace l’indice latent X ⊤ β.

Signe
βk > 0 : augmente P(Y = 1 | X ), toutes choses égales par ailleurs
βk < 0 : diminue cette probabilité

Modèle Probit 8/14


Effets marginaux

Variable continue Xk
∂P(Y = 1 | X )
= ϕ(X ⊤ β) βk
∂Xk
où ϕ(·) est la densité normale standard.

Pratiques
Effet marginal au point moyen (X = X̄ )
Effet marginal moyen (AME) : moyenne des effets individuels

Modèle Probit 9/14


Dummy : effet discret

Approche recommandée
Si D ∈ {0, 1}, on regarde :

∆ = P(Y = 1 | D = 1, X ) − P(Y = 1 | D = 0, X )

∆ = Φ(X ⊤ β + βD ) − Φ(X ⊤ β)

Modèle Probit 10/14


Évaluation : pseudo-R 2 et test LR

Pseudo-R 2 (McFadden) Test LR


 
ℓ(β̂) LR = 2 ℓ(β̂) − ℓ(β̃) ∼ χ2 (q)
R2 = 1 −
ℓ(β̃)
β̃ : modèle avec constante seule.

Compléments
ROC/AUC, matrice de confusion, taux de bonne classification (selon objectif).

Modèle Probit 11/14


Exemple de tableau de résultats

Variable Coeff. (ÉT) AME


∗∗∗
Constante −0.85 (0.22) –
Revenu 0.30∗∗∗ (0.08) 0.09
Âge −0.02 (0.01) −0.01
Urbain (dummy) 0.45∗∗ (0.19) 0.13
Observations 500
Pseudo-R 2 0.21
∗∗∗ ∗∗
Notes : p < 0.01, p < 0.05, ∗ p < 0.1.

Modèle Probit 12/14


À retenir

Synthèse
Probit : P(Y = 1 | X ) = Φ(X ⊤ β)
Estimation MV via log-vraisemblance
Interpréter via effets marginaux (AME, au point moyen)
Évaluer via pseudo-R 2 , test LR, ROC/AUC si besoin

Modèle Probit 13/14


Merci !
Questions ?

Vous aimerez peut-être aussi