프로빗 회귀분석 (Probit Regression)
쉽게 풀면
물이 특정 높이를 넘으면 둑을 넘어 흘러내리는 모습을 떠올려 보세요. 프로빗 회귀는 눈에 보이지 않는 연속적인 "성향" 점수가 어딘가에 존재하고, 이 점수가 어떤 문턱값을 넘으면 실제로 사건(예: 합격, 구매, 발병)이 관찰된다고 가정하는 잠재변수 모형입니다. 이 숨은 성향이 정규분포를 따른다고 가정하고, 표준정규분포의 누적분포함수를 이용해 사건이 일어날 확률을 계산합니다. 널리 쓰이는 로지스틱 회귀와 목적과 쓰임새는 거의 같지만, 확률을 계산할 때 사용하는 곡선의 모양(누적분포함수)이 다릅니다.
왜 중요한가
이분형(0/1) 종속변수를 다루는 연구는 경제학, 보건학, 마케팅 등 여러 분야에서 흔하며, 일반 선형회귀를 그대로 적용하면 확률이 0과 1 범위를 벗어나는 문제가 생깁니다. 프로빗 회귀는 이런 한계를 정규분포 누적분포함수로 해결한 대표적 방법이어서, 잠재변수 모형이나 다변량 선택 모형(예: 헤크만 선택모형) 같은 더 확장된 계량경제학 기법의 기초로도 자주 인용됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 진학 여부(예/아니오)에 영향을 미치는 요인을, 오차가 정규분포를 따른다는 가정 아래 프로빗 모형으로 추정했다는 뜻입니다.
재무·경영학 연구에서는 기업의 부도 여부처럼 이분형 결과를 예측할 때 프로빗 모형을 활용하고, 계수 해석을 위해 한계효과를 함께 보고하는 경우가 많습니다.
조금 더 깊게 보면
프로빗 회귀는 다범주로 확장한 순서형 프로빗(ordered probit)이나 다항 프로빗(multinomial probit) 모형으로 발전시킬 수 있습니다. 또한 선택편향 문제를 다루기 위해 프로빗 모형을 1단계로 사용하는 헤크만 2단계 추정법도 관련 문헌에서 자주 언급됩니다. 로지스틱 회귀와 마찬가지로 최대우도추정을 통해 계수를 구하며, 모형 적합도는 로그우도나 유사 결정계수(pseudo R-squared) 등으로 평가합니다.
주의할 점
프로빗 회귀와 로지스틱 회귀는 실제 분석 결과(유의성, 계수의 부호)가 거의 비슷하게 나오는 경우가 많아 어느 쪽을 써도 큰 차이가 없는 경우가 많습니다. 다만 계수 자체가 오즈비로 바로 해석되는 로지스틱 회귀와 달리, 프로빗 회귀의 계수는 표준정규분포의 z값 단위이므로 직접 해석하기 어렵고 한계효과를 별도로 계산해야 의미 있는 해석이 가능합니다.