Zadanie 1

1.

Znak jest dodatni

2.

Korekta względem heteroskedastyczności – odporne błędy standardowe

Wartość oczekiwana zmiennej objaśnianej – prawdopodobieństwo sukcesu (otrzymania kredytu)

Wady modelu: prawodopodobieństwo może wyjść ujemne, jak i powyżej 1. Występuje

heteroskedastyczność - wariancja zmiennej objaśnianej zależy od wartości zmiennych objaśniających.
Prob{akceptacja = 1|biały} = 0,707 + 0,201 biały

Prawdopodobieństwo akceptacji wniosku pod warunkiem, że wnioskodawca jest biała.

Przeciętnie prawdopodobieństwo uzyskania kredytu dla osób białych jest o 20% wyższe, ceteris
paribus.

Występuje dyskryminacja, efekt jest istotny.

3.
Kredyt_cena – Wzrost udziału kredytu w cenie mieszkania o 1% spowoduje spadek
prawdopodobieństwa uzyskania kredytu przeciętnie o 18%. Efekt ten jest istotny.

Zaległości na koncie zmniejszają prawdopodobieństwo uzyskania kredytu przeciętnie o 13%. Efekt

jest istotny.

Wysoki udział pustostanów zmniejsza prawdopodobieństwo uzyskania kredytu przeciętnie o 3%.

Efekt ten jest istotny.

Wzrost bezrobocia w branży o 1% spowoduje spadek prawdopodobieństwa uzyskania kredytu o

0,7%. Efekt jest istotny przy 10% poziomie istotności.

Wystąpienie w przeszłości bankructwa zmniejsza prawdopodobieństwo uzyskania kredytu o 24%.

Efekt jest istotny.

Przeciętnie dla osób w związku małżeńskim prawdopodobieństwo uzyskania kredytu jest wyższe o
4%. Efekt jest istotny.

Przeciętnie dla osób białych prawdopodobieństwo uzyskania kredytu jest wyższe o 13%. Efekt ten
jest istotny.
4.

Model probitowy - nieliniowy

5.

Prob{akceptacja=1|X} = F(Xβ)
F – rozkład prawdopodobieństwa
0 < F(Xβ) < 1
Probit: F – rozkład normalny
Interpretujemy efekty krańcowe.
Przeciętnie osoby białe mają wyższe prawdopodobieństwo akceptacji wniosku o 11%. ?? nie wiem
czy to dobrze

Tabelka:

Jeśli prawdopodobieństwo uzyskania kredytu jest 50% lub wyższe to w tabelce przewidywane 1. Jak
poniżej to przewidywane 0. Empiryczne 0 nie uzyskanie akceptacji, 1 uzyskanie.

Ile osób w próbie uzyskało akceptację? 1727

Nie uzyskało akceptacji – 244

Dla ilu osób w próbie model przewiduje uzyskanie akceptacji? 1903

Dla ilu osób w próbie model przewiduje nieuzyskanie akceptacji? 68

Dla ilu osób w próbie model stworzył dobrą prognozę? 1741

Dla ilu osób złą? 230

Na ile % model dobrze tłumaczy? 1741/1971 = 88%

Zadanie 2.

1.
Przeciętnie każdy dodatkowy punkt przewagi zwiększa prawodopodobieństwo wygranej o 1,9%.

H0: β1 = 0,5

H1: β1 ≠ 0,5

t = (0,019 – 0,5)/ 0,0019 = -253

Odrzucamy H0

2.

Prob{faworyt_wygywa|spread=10} = 0,577 + 0,019 * 10 = 0,577 + 0,19 = 0,767

3.
Brak podstaw do odrzucenia H0.

Φ(0) = 0,5

Spread = 0

Jeśli β0 = 0 to:

Φ(β0) = 0.5

Przy 0 spredzie prawdopodobieństwo wygranej będzie wynosić 50%. Przy nałożeniu zerowej
restrykcji na parametr β0 prawdopodobieństwo wygranej faworyta będzie wynosić 50%. Każdy
dodatkowy punkt spread będzie zwiększał prawdopodobieństwo wygranej.

H0: β0 = 0

131 razy faworyt w próbie przegrał, a w 422 wygrał. W żadnym wypadku model nie przewiduje że
faworyt przegra.

Jeśli prawdopodobieństwo jest 50% lub więcej to prognozujemy, że faworyt wygra.

Trzeba dobrać taki próg aby przewidywania były równe empirycznym wartościom.
4.

Φ((-0,011 + 0,092 * 20)/0,401) = 0,920

Błąd standardowy reszt = 0,401

1-0,179 = 0,821

82,1%

Prognozowane prawdopodobieństwo wygranej faworyta to 82,1%. Jest większe niż w modelu

liniowym.
5.
Nie odrzucamy H0, dodatkowa informacja nie jest użyteczna, możemy wyrzucić zmienne z modelu.