. . "\uD504\uB85C\uBE57 \uD68C\uADC0 \uBAA8\uD615"@ko . . . "Probit model"@en . "En estad\u00EDstica, un modelo probit es un tipo de regresi\u00F3n donde la variable dependiente puede tomar solo dos valores, por ejemplo, casados o no casados. La palabra es un acr\u00F3nimo, viene de probabilidad + unit (unidad).\u200B El prop\u00F3sito del modelo es estimar la probabilidad de que una observaci\u00F3n con caracter\u00EDsticas particulares caer\u00E1 en una categor\u00EDa espec\u00EDfica; adem\u00E1s, clasificando las observaciones basadas en sus probabilidades predichas es un tipo de modelo de clasificaci\u00F3n binario ."@es . . . . "\u041F\u0440\u043E\u0431\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044F"@ru . . . . "Modello probit"@it . . "\u041F\u0440\u043E\u0301\u0431\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044F (\u043F\u0440\u043E\u0431\u0438\u0442-\u043C\u043E\u0434\u0435\u043B\u044C, \u0430\u043D\u0433\u043B. probit) \u2014 \u043F\u0440\u0438\u043C\u0435\u043D\u044F\u0435\u043C\u0430\u044F \u0432 \u0440\u0430\u0437\u043B\u0438\u0447\u043D\u044B\u0445 \u043E\u0431\u043B\u0430\u0441\u0442\u044F\u0445 (\u044D\u043A\u043E\u043D\u043E\u043C\u0435\u0442\u0440\u0438\u043A\u0430, \u0442\u043E\u043A\u0441\u0438\u043A\u043E\u043B\u043E\u0433\u0438\u044F \u0438 \u0434\u0440.) \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u0430\u044F (\u043D\u0435\u043B\u0438\u043D\u0435\u0439\u043D\u0430\u044F) \u043C\u043E\u0434\u0435\u043B\u044C \u0438 \u043C\u0435\u0442\u043E\u0434 \u0430\u043D\u0430\u043B\u0438\u0437\u0430 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u043A\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043D\u043D\u044B\u0445 (\u0432 \u043F\u0435\u0440\u0432\u0443\u044E \u043E\u0447\u0435\u0440\u0435\u0434\u044C \u2014 \u0431\u0438\u043D\u0430\u0440\u043D\u044B\u0445) \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445 \u043E\u0442 \u043C\u043D\u043E\u0436\u0435\u0441\u0442\u0432\u0430 \u0444\u0430\u043A\u0442\u043E\u0440\u043E\u0432, \u043E\u0441\u043D\u043E\u0432\u0430\u043D\u043D\u0430\u044F \u043D\u0430 \u043D\u043E\u0440\u043C\u0430\u043B\u044C\u043D\u043E\u043C \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u0438 (\u0432 \u043E\u0442\u043B\u0438\u0447\u0438\u0435 \u043E\u0442, \u043D\u0430\u043F\u0440\u0438\u043C\u0435\u0440, \u0430\u043D\u0430\u043B\u043E\u0433\u0438\u0447\u043D\u043E\u0439 \u043B\u043E\u0433\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u0438, \u043E\u0441\u043D\u043E\u0432\u0430\u043D\u043D\u043E\u0439 \u043D\u0430 \u043B\u043E\u0433\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u043C \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u0438). \u0412 \u044D\u043A\u043E\u043D\u043E\u043C\u0438\u043A\u0435 (\u044D\u043A\u043E\u043D\u043E\u043C\u0435\u0442\u0440\u0438\u043A\u0435) \u043F\u0440\u043E\u0431\u0438\u0442-\u043C\u043E\u0434\u0435\u043B\u0438 (\u043D\u0430\u0440\u044F\u0434\u0443 \u0441 \u043B\u043E\u0433\u0438\u0442-, \u0433\u043E\u043C\u043F\u0438\u0442- \u0438 \u0434\u0440.) \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u044E\u0442\u0441\u044F \u0432 \u043C\u043E\u0434\u0435\u043B\u044F\u0445 \u0431\u0438\u043D\u0430\u0440\u043D\u043E\u0433\u043E \u0432\u044B\u0431\u043E\u0440\u0430 \u0438\u043B\u0438 \u0432 \u043C\u043E\u0434\u0435\u043B\u044F\u0445 \u043C\u043D\u043E\u0436\u0435\u0441\u0442\u0432\u0435\u043D\u043D\u043E\u0433\u043E \u0432\u044B\u0431\u043E\u0440\u0430 \u043C\u0435\u0436\u0434\u0443 \u0440\u0430\u0437\u043B\u0438\u0447\u043D\u044B\u043C\u0438 \u0430\u043B\u044C\u0442\u0435\u0440\u043D\u0430\u0442\u0438\u0432\u0430\u043C\u0438, \u0434\u043B\u044F \u043C\u043E\u0434\u0435\u043B\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u0434\u0435\u0444\u043E\u043B\u0442\u043E\u0432 \u043A\u043E\u043C\u043F\u0430\u043D\u0438\u0439, \u0432 \u0441\u0442\u0440\u0430\u0445\u043E\u0432\u0430\u043D\u0438\u0438 \u0436\u0438\u0437\u043D\u0438 - \u0434\u043B\u044F \u043E\u0446\u0435\u043D\u043A\u0438 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0438 \u0441\u043C\u0435\u0440\u0442\u0438 \u0432 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u043E\u0442 \u0432\u043E\u0437\u0440\u0430\u0441\u0442\u0430 \u0438 \u043F\u043E\u043B\u0430 \u0438 \u0442. \u0434. \u0412 \u0442\u043E\u043A\u0441\u0438\u043A\u043E\u043B\u043E\u0433\u0438\u0438 \u043F\u0440\u043E\u0431\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044F \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0434\u043B\u044F \u043E\u0446\u0435\u043D\u043A\u0438 \u0432\u043B\u0438\u044F\u043D\u0438\u044F \u0434\u043E\u0437\u044B \u0438\u043B\u0438 \u043A\u043E\u043D\u0446\u0435\u043D\u0442\u0440\u0430\u0446\u0438\u0438 \u0442\u0435\u0445 \u0438\u043B\u0438 \u0438\u043D\u044B\u0445 \u0432\u0435\u0449\u0435\u0441\u0442\u0432 \u043D\u0430 \u0431\u0438\u043E\u043B\u043E\u0433\u0438\u0447\u0435\u0441\u043A\u0438\u0435 \u043E\u0431\u044A\u0435\u043A\u0442\u044B. \u041F\u0440\u043E\u0431\u0438\u0442-\u043C\u043E\u0434\u0435\u043B\u044C \u043F\u043E\u0437\u0432\u043E\u043B\u044F\u0435\u0442 \u043E\u0446\u0435\u043D\u0438\u0442\u044C \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u044C \u0442\u043E\u0433\u043E, \u0447\u0442\u043E \u0430\u043D\u0430\u043B\u0438\u0437\u0438\u0440\u0443\u0435\u043C\u0430\u044F (\u0437\u0430\u0432\u0438\u0441\u0438\u043C\u0430\u044F) \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u0430\u044F \u043F\u0440\u0438\u043C\u0435\u0442 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u0435 1 \u043F\u0440\u0438 \u0437\u0430\u0434\u0430\u043D\u043D\u044B\u0445 \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F\u0445 \u0444\u0430\u043A\u0442\u043E\u0440\u043E\u0432 (\u0442\u043E \u0435\u0441\u0442\u044C \u044D\u0442\u043E \u043E\u0446\u0435\u043D\u043A\u0430 \u0434\u043E\u043B\u0438 \"\u0435\u0434\u0438\u043D\u0438\u0446\" \u043F\u0440\u0438 \u0434\u0430\u043D\u043D\u043E\u043C \u0437\u043D\u0430\u0447\u0435\u043D\u0438\u0438 \u0444\u0430\u043A\u0442\u043E\u0440\u043E\u0432). \u0412 \u043F\u0440\u043E\u0431\u0438\u0442-\u043C\u043E\u0434\u0435\u043B\u0438 \u043F\u0440\u043E\u0431\u0438\u0442-\u0444\u0443\u043D\u043A\u0446\u0438\u044F \u043E\u0442 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0438 \u043C\u043E\u0434\u0435\u043B\u0438\u0440\u0443\u0435\u0442\u0441\u044F \u043A\u0430\u043A \u043B\u0438\u043D\u0435\u0439\u043D\u0430\u044F \u043A\u043E\u043C\u0431\u0438\u043D\u0430\u0446\u0438\u044F \u0444\u0430\u043A\u0442\u043E\u0440\u043E\u0432 (\u0432\u043A\u043B\u044E\u0447\u0430\u044F \u043A\u043E\u043D\u0441\u0442\u0430\u043D\u0442\u0443). \u041F\u0440\u043E\u0431\u0438\u0442-\u0444\u0443\u043D\u043A\u0446\u0438\u0435\u0439 \u043F\u0440\u0438\u043D\u044F\u0442\u043E \u043D\u0430\u0437\u044B\u0432\u0430\u0442\u044C \u0444\u0443\u043D\u043A\u0446\u0438\u044E, \u043E\u0431\u0440\u0430\u0442\u043D\u0443\u044E \u043A \u0438\u043D\u0442\u0435\u0433\u0440\u0430\u043B\u044C\u043D\u043E\u0439 \u0444\u0443\u043D\u043A\u0446\u0438\u0438 (CDF) \u0441\u0442\u0430\u043D\u0434\u0430\u0440\u0442\u043D\u043E\u0433\u043E \u043D\u043E\u0440\u043C\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u044F, \u0442\u043E \u0435\u0441\u0442\u044C \u0444\u0443\u043D\u043A\u0446\u0438\u044E, \u043E\u043F\u0440\u0435\u0434\u0435\u043B\u044F\u044E\u0449\u0443\u044E \u043A\u0432\u0430\u043D\u0442\u0438\u043B\u044C \u0441\u0442\u0430\u043D\u0434\u0430\u0440\u0442\u043D\u043E\u0433\u043E \u043D\u043E\u0440\u043C\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u044F \u0434\u043B\u044F \u0437\u0430\u0434\u0430\u043D\u043D\u043E\u0439 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0438 . \u0422\u0435\u0440\u043C\u0438\u043D \u00ABprobit\u00BB \u043A\u0430\u043A \u043F\u0440\u043E\u0438\u0437\u0432\u043E\u0434\u043D\u043E\u0435 \u043E\u0442 \u0430\u043D\u0433\u043B. probability unit \u043F\u0440\u0435\u0434\u043B\u043E\u0436\u0438\u043B (\u0432\u043F\u0435\u0440\u0432\u044B\u0435 \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u043E\u0432\u0430\u043B) \u0427\u0435\u0441\u0442\u0435\u0440 \u0411\u043B\u0438\u0441\u0441 (Chester Ittner Bliss [1899\u20141979]) \u0432 \u0441\u0432\u043E\u0435\u0439 \u0441\u0442\u0430\u0442\u044C\u0435, \u043F\u043E\u0441\u0432\u044F\u0449\u0435\u043D\u043D\u043E\u0439 \u043A\u043E\u043B\u0438\u0447\u0435\u0441\u0442\u0432\u0435\u043D\u043D\u043E\u043C\u0443 \u0430\u043D\u0430\u043B\u0438\u0437\u0443 \u0441\u043C\u0435\u0440\u0442\u0435\u043B\u044C\u043D\u043E\u0433\u043E \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u044F \u044F\u0434\u043E\u0432 \u043D\u0430 \u043F\u0440\u0438\u043C\u0435\u0440\u0435 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u044F \u043D\u0438\u043A\u043E\u0442\u0438\u043D\u0430 \u043D\u0430 \u0449\u0430\u0432\u0435\u043B\u0435\u0432\u0443\u044E \u0442\u043B\u044E (Aphis rumicis L.). \u0421 \u0442\u0435\u0445 \u043F\u043E\u0440 \u043C\u0435\u0442\u043E\u0434 \u043F\u0440\u043E\u0431\u0438\u0442-\u0430\u043D\u0430\u043B\u0438\u0437\u0430 \u043E\u0441\u043E\u0431\u0435\u043D\u043D\u043E \u043F\u043E\u043F\u0443\u043B\u044F\u0440\u0435\u043D \u0432 \u0442\u043E\u043A\u0441\u0438\u043A\u043E\u043B\u043E\u0433\u0438\u0438. \u0421\u0430\u043C\u043E \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u043E\u0432\u0430\u043D\u0438\u0435 \u0444\u0443\u043D\u043A\u0446\u0438\u0438 \u043D\u043E\u0440\u043C\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u044F \u0434\u043B\u044F \u043E\u043F\u0438\u0441\u0430\u043D\u0438\u044F \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u00AB\u0434\u043E\u0437\u0430 \u2014 \u044D\u0444\u0444\u0435\u043A\u0442\u00BB \u0432\u043E\u0441\u0445\u043E\u0434\u0438\u0442 \u043A \u0430\u043D\u0433\u043B\u0438\u0439\u0441\u043A\u043E\u043C\u0443 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u043A\u0443 J. W. Trevan \u043A\u043E\u0442\u043E\u0440\u044B\u0439 \u043F\u043E\u043A\u0430\u0437\u0430\u043B, \u0447\u0442\u043E \u0438\u043D\u0442\u0435\u043D\u0441\u0438\u0432\u043D\u043E\u0441\u0442\u044C \u043A\u043B\u0435\u0442\u043E\u0447\u043D\u043E\u0433\u043E \u043E\u0442\u0432\u0435\u0442\u0430 \u043D\u0430 \u0434\u0430\u043D\u043D\u0443\u044E \u0434\u043E\u0437\u0443 \u043B\u0435\u043A\u0430\u0440\u0441\u0442\u0432\u0435\u043D\u043D\u043E\u0433\u043E \u0432\u0435\u0449\u0435\u0441\u0442\u0432\u0430 \u043F\u043E\u0434\u0447\u0438\u043D\u044F\u0435\u0442\u0441\u044F \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u044E \u0413\u0430\u0443\u0441\u0441\u0430."@ru . . . "11.0"^^ . . . "Modelo probit"@es . "In statistics, a probit model is a type of regression where the dependent variable can take only two values, for example married or not married. The word is a portmanteau, coming from probability + unit. The purpose of the model is to estimate the probability that an observation with particular characteristics will fall into a specific one of the categories; moreover, classifying observations based on their predicted probabilities is a type of binary classification model. A probit model is a popular specification for a binary response model. As such it treats the same set of problems as does logistic regression using similar techniques. When viewed in the generalized linear model framework, the probit model employs a probit link function. It is most often estimated using the maximum likelihood procedure, such an estimation being called a probit regression."@en . . . . . . . . . . . . "Mod\u00E8le probit"@fr . . . . . . "Probit-Modell"@de . . . . "\uD504\uB85C\uBE57 \uD68C\uADC0 \uBAA8\uD615(Probit regression model)\uC740 \uC885\uC18D\uBCC0\uC218\uAC00 \uC774\uC9C4 \uBCC0\uC218\uC77C \uACBD\uC6B0\uC5D0 \uC0AC\uC6A9\uB418\uB294 \uD68C\uADC0 \uBAA8\uD615 \uC911 \uD558\uB098\uC774\uB2E4. \uD504\uB85C\uBE57 \uD68C\uADC0 \uBAA8\uD615\uC740 \uC5B4\uB5A4 \uC0AC\uAC74\uC774 \uBC1C\uC0DD\uD560 \uD655\uB960\uC744 \uC124\uBA85\uD558\uAE30 \uC704\uD55C \uD68C\uADC0 \uBAA8\uD615\uC73C\uB85C, \uC815\uADDC \uBD84\uD3EC\uC758 \uB204\uC801\uBD84\uD3EC\uD568\uC218\uB97C \uC774\uC6A9\uD55C\uB2E4. \uD504\uB85C\uBE57\uC774\uB77C\uB294 \uB2E8\uC5B4\uC758 \uC5B4\uC6D0\uC740 probability\uC640 unit\uC744 \uD63C\uD569\uD558\uC5EC \uB9CC\uB4E0 \uAC83\uC774\uB2E4."@ko . . . . . . . . "June 2019"@en . . "Das Probit-Modell ist in der Statistik die Spezifikation eines verallgemeinerten linearen Modells. Probit ist ein Kofferwort f\u00FCr prob(ability un)it, das aus den zwei englischen, \u00FCberlappenden W\u00F6rtern f\u00FCr Wahrscheinlichkeit und Einheit (0 oder 1) entstanden ist. Die statistische Spezifikation bezeichnet denjenigen Prozess der Modellentwicklung, in dem ein statistisch sch\u00E4tzbares Modell (Sch\u00E4tzmodell) festgelegt wird. Verallgemeinerte lineare Modelle sind nichtlineare Erweiterungen der klassischen linearen Regression. Das Probit-Modell verwendet eine Probit-Kopplungsfunktion, die den Erwartungswert der Zielgr\u00F6\u00DFe in Beziehung zum linearen Pr\u00E4diktor des Modells setzt. Probit-Modelle wurden von eingef\u00FChrt."@de . . . . "\u03A3\u03C4\u03B7 \u03C3\u03C4\u03B1\u03C4\u03B9\u03C3\u03C4\u03B9\u03BA\u03AE, \u03AD\u03BD\u03B1 probit \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF - \u039C\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2 - \u03B5\u03AF\u03BD\u03B1\u03B9 \u03AD\u03BD\u03B1 \u03B5\u03AF\u03B4\u03BF\u03C2 \u03C0\u03B1\u03BB\u03B9\u03BD\u03B4\u03C1\u03CC\u03BC\u03B7\u03C3\u03B7\u03C2 \u03CC\u03C0\u03BF\u03C5 \u03B7 \u03B5\u03BE\u03B1\u03C1\u03C4\u03B7\u03BC\u03AD\u03BD\u03B7 \u03BC\u03B5\u03C4\u03B1\u03B2\u03BB\u03B7\u03C4\u03AE \u03BC\u03C0\u03BF\u03C1\u03B5\u03AF \u03BD\u03B1 \u03C0\u03AC\u03C1\u03B5\u03B9 \u03BC\u03CC\u03BD\u03BF \u03B4\u03CD\u03BF \u03C4\u03B9\u03BC\u03AD\u03C2, \u03B3\u03B9\u03B1 \u03C0\u03B1\u03C1\u03AC\u03B4\u03B5\u03B9\u03B3\u03BC\u03B1 \u03BC\u03B5\u03C4\u03B1\u03B2\u03BB\u03B7\u03C4\u03AE \u03BC\u03B5 \u03B1\u03BD\u03B1\u03C6\u03BF\u03C1\u03AC \u03C3\u03C4\u03BF \u03B5\u03AF\u03B4\u03BF\u03C2 \u03C3\u03C7\u03AD\u03C3\u03B7\u03C2: \u03BA\u03AC\u03C0\u03BF\u03B9\u03BF\u03C2 \u03BC\u03C0\u03BF\u03C1\u03B5\u03AF \u03BD\u03B1 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03C0\u03B1\u03BD\u03C4\u03C1\u03B5\u03BC\u03AD\u03BD\u03BF\u03C2 \u03AE \u03B1\u03BD\u03CD\u03C0\u03B1\u03BD\u03C4\u03C1\u03BF\u03C2. \u0397 \u03BB\u03AD\u03BE\u03B7 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03C3\u03CD\u03BC\u03BC\u03B5\u03B9\u03BE\u03B7 \u03BB\u03AD\u03BE\u03B5\u03C9\u03BD: \u03A0\u03C1\u03BF\u03AD\u03C1\u03C7\u03B5\u03C4\u03B1\u03B9 \u03B1\u03C0\u03CC \u03C4\u03B9\u03C2 \u03BB\u03AD\u03BE\u03B5\u03B9\u03C2 \u03A0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B1 + \u03BC\u03BF\u03BD\u03AC\u03B4\u03B1. \u039F \u03C3\u03BA\u03BF\u03C0\u03CC\u03C2 \u03C4\u03BF\u03C5 \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF\u03C5 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03BD\u03B1 \u03B5\u03BA\u03C4\u03B9\u03BC\u03AE\u03C3\u03B5\u03B9 \u03C4\u03B7 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B1 \u03BC\u03AF\u03B1 \u03C0\u03B1\u03C1\u03B1\u03C4\u03AE\u03C1\u03B7\u03C3\u03B7 \u03BC\u03B5 \u03B9\u03B4\u03B9\u03B1\u03AF\u03C4\u03B5\u03C1\u03B1 \u03C7\u03B1\u03C1\u03B1\u03BA\u03C4\u03B7\u03C1\u03B9\u03C3\u03C4\u03B9\u03BA\u03AC \u03BD\u03B1 \u03B5\u03BC\u03C0\u03AF\u03C0\u03C4\u03B5\u03B9 \u03C3\u03B5 \u03BC\u03B9\u03B1 \u03C3\u03C5\u03B3\u03BA\u03B5\u03BA\u03C1\u03B9\u03BC\u03AD\u03BD\u03B7 \u03BA\u03B1\u03C4\u03B7\u03B3\u03BF\u03C1\u03AF\u03B1. \u0395\u03C0\u03B9\u03C0\u03BB\u03AD\u03BF\u03BD, \u03B7 \u03C4\u03B1\u03BE\u03B9\u03BD\u03CC\u03BC\u03B7\u03C3\u03B7 \u03C4\u03C9\u03BD \u03C0\u03B1\u03C1\u03B1\u03C4\u03B7\u03C1\u03AE\u03C3\u03B5\u03C9\u03BD \u03BC\u03B5 \u03B2\u03AC\u03C3\u03B7 \u03C4\u03B9\u03C2 \u03C0\u03C1\u03BF\u03B2\u03BB\u03B5\u03C0\u03CC\u03BC\u03B5\u03BD\u03B5\u03C2 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B5\u03C2 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03AD\u03BD\u03B1\u03C2 \u03C4\u03CD\u03C0\u03BF\u03C2 \u03B4\u03C5\u03B1\u03B4\u03B9\u03BA\u03AE\u03C2 \u03C4\u03B1\u03BE\u03B9\u03BD\u03CC\u03BC\u03B7\u03C3\u03B7\u03C2 \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF\u03C5. \u0388\u03BD\u03B1 \u039C\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03BC\u03AF\u03B1 \u03B4\u03B7\u03BC\u03BF\u03C6\u03B9\u03BB\u03AE\u03C2 \u03C0\u03B5\u03C1\u03B9\u03B3\u03C1\u03B1\u03C6\u03AE \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF\u03C5 \u03B3\u03B9\u03B1 \u03B4\u03B9\u03B1\u03C4\u03B1\u03BA\u03C4\u03B9\u03BA\u03AD\u03C2, \u03B9\u03B5\u03C1\u03B1\u03C1\u03C7\u03B9\u03BA\u03AD\u03C2 \u03BC\u03B5\u03C4\u03B1\u03B2\u03BB\u03B7\u03C4\u03AD\u03C2 \u03AE \u03B3\u03B9\u03B1 \u03B4\u03C5\u03B1\u03B4\u03B9\u03BA\u03AD\u03C2 \u03BC\u03B5\u03C4\u03B1\u03B2\u03BB\u03B7\u03C4\u03AD\u03C2. \u0391\u03BD\u03C4\u03B9\u03BC\u03B5\u03C4\u03C9\u03C0\u03AF\u03B6\u03B5\u03B9 \u03C4\u03B1 \u03AF\u03B4\u03B9\u03B1 \u03C0\u03C1\u03BF\u03B2\u03BB\u03AE\u03BC\u03B1\u03C4\u03B1 \u03CC\u03C0\u03C9\u03C2 \u03BA\u03B1\u03B9 \u03B7 \u03BB\u03BF\u03B3\u03B9\u03C3\u03C4\u03B9\u03BA\u03AE \u03C0\u03B1\u03BB\u03B9\u03BD\u03B4\u03C1\u03CC\u03BC\u03B7\u03C3\u03B7, \u03C7\u03C1\u03B7\u03C3\u03B9\u03BC\u03BF\u03C0\u03BF\u03B9\u03CE\u03BD\u03C4\u03B1\u03C2 \u03C0\u03B1\u03C1\u03CC\u03BC\u03BF\u03B9\u03B5\u03C2 \u03C4\u03B5\u03C7\u03BD\u03B9\u03BA\u03AD\u03C2. \u03A4\u03BF \u039C\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2 \u03C7\u03C1\u03B7\u03C3\u03B9\u03BC\u03BF\u03C0\u03BF\u03B9\u03B5\u03AF \u03C0\u03B9\u03BF \u03C3\u03C5\u03C7\u03BD\u03AC \u03C4\u03BF \u03C0\u03C1\u03CC\u03C4\u03C5\u03C0\u03BF \u03C5\u03C0\u03BF\u03BB\u03BF\u03B3\u03B9\u03C3\u03BC\u03BF\u03CD \u03BC\u03AD\u03B3\u03B9\u03C3\u03C4\u03B7\u03C2 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B1\u03C2, \u03BA\u03B1\u03B9 \u03B7 \u03B4\u03B9\u03B1\u03B4\u03B9\u03BA\u03B1\u03C3\u03AF\u03B1 \u03B5\u03BA\u03C4\u03AF\u03BC\u03B7\u03C3\u03B7\u03C2 \u03BF\u03BD\u03BF\u03BC\u03AC\u03B6\u03B5\u03C4\u03B1\u03B9 \u03C0\u03B1\u03BB\u03B9\u03BD\u03B4\u03C1\u03CC\u03BC\u03B7\u03C3\u03B7 \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2. \u039C\u03BF\u03BD\u03C4\u03AD\u03BB\u03B1 \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2 \u03BA\u03B1\u03B8\u03B9\u03B5\u03C1\u03CE\u03B8\u03B7\u03BA\u03B1\u03BD \u03B1\u03C0\u03CC \u03C4\u03BF\u03BD \u03A4\u03C3\u03AD\u03C3\u03C4\u03B5\u03C1 \u039C\u03C0\u03BB\u03B9\u03C2 \u03C4\u03BF 1934. \u039C\u03B9\u03B1 \u03B3\u03C1\u03AE\u03B3\u03BF\u03C1\u03B7 \u03BC\u03AD\u03B8\u03BF\u03B4\u03BF\u03C2 \u03B3\u03B9\u03B1 \u03C4\u03BF\u03BD \u03C5\u03C0\u03BF\u03BB\u03BF\u03B3\u03B9\u03C3\u03BC\u03CC \u03B5\u03BA\u03C4\u03AF\u03BC\u03B7\u03C3\u03B7 \u03BC\u03AD\u03B3\u03B9\u03C3\u03C4\u03B7\u03C2 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B1\u03C2 \u03C0\u03C1\u03BF\u03C4\u03AC\u03B8\u03B7\u03BA\u03B5 \u03B1\u03C0\u03CC \u03C4\u03BF\u03BD \u03A1\u03CC\u03BD\u03B1\u03BB\u03BD\u03C4 \u03A6\u03AF\u03C3\u03B5\u03C1 \u03C9\u03C2 \u03C0\u03B1\u03C1\u03AC\u03C1\u03C4\u03B7\u03BC\u03B1 \u03C3\u03C4\u03BF \u03AD\u03C1\u03B3\u03BF \u03C4\u03BF\u03C5 \u039C\u03C0\u03BB\u03B9\u03C2, \u03C4\u03BF 1935."@el . . . . "En statistiques, le mod\u00E8le probit est un mod\u00E8le de r\u00E9gression binomiale. Le mod\u00E8le probit a \u00E9t\u00E9 introduit par Chester Bliss en 1934. C'est un cas particulier du mod\u00E8le lin\u00E9aire g\u00E9n\u00E9ralis\u00E9."@fr . . . . . "Need to adopt the notation of the rest of the article, fix grammar, and make prose clearer."@en . . . . . . . . "Econometrics Lecture"@en . "In statistica e in econometria, il modello probit \u00E8 un modello di regressione nonlineare utilizzato quando la variabile dipendente \u00E8 di tipo dicotomico. L'obiettivo del modello \u00E8 di stabilire la probabilit\u00E0 con cui un'osservazione pu\u00F2 generare uno o l'altro valore della variabile dipendente; pu\u00F2 inoltre essere utilizzato per classificare le osservazioni, in base alla caratteristiche di queste, in due categorie.Il modello \u00E8 stato proposto per la prima volta da Chester Ittner Bliss nel 1934, ampliato l'anno successivo da Ronald Fisher che introdusse un metodo iterativo per la stima dei parametri tramite il metodo della massima verosimiglianza."@it . . . . "19429"^^ . . . "En estad\u00EDstica, un modelo probit es un tipo de regresi\u00F3n donde la variable dependiente puede tomar solo dos valores, por ejemplo, casados o no casados. La palabra es un acr\u00F3nimo, viene de probabilidad + unit (unidad).\u200B El prop\u00F3sito del modelo es estimar la probabilidad de que una observaci\u00F3n con caracter\u00EDsticas particulares caer\u00E1 en una categor\u00EDa espec\u00EDfica; adem\u00E1s, clasificando las observaciones basadas en sus probabilidades predichas es un tipo de modelo de clasificaci\u00F3n binario . Un modelo probit es una especificaci\u00F3n popular para un modelo de respuesta ordinal\u200B o binario. Como tal, trata el mismo conjunto de problemas que la regresi\u00F3n log\u00EDstica utilizando t\u00E9cnicas similares. El modelo probit, que emplea una funci\u00F3n de enlace probit, se suele estimar utilizando el procedimiento est\u00E1ndar de m\u00E1xima verosimilitud , que se denomina una regresi\u00F3n probit. Los modelos Probit fueron presentados por Chester Bliss en 1934;\u200B Ronald Fisher propuso un m\u00E9todo r\u00E1pido para calcular las estimaciones de m\u00E1xima verosimilitud para ellos como ap\u00E9ndice del trabajo de Bliss en 1935.\u200B"@es . "\u03A3\u03C4\u03B7 \u03C3\u03C4\u03B1\u03C4\u03B9\u03C3\u03C4\u03B9\u03BA\u03AE, \u03AD\u03BD\u03B1 probit \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF - \u039C\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2 - \u03B5\u03AF\u03BD\u03B1\u03B9 \u03AD\u03BD\u03B1 \u03B5\u03AF\u03B4\u03BF\u03C2 \u03C0\u03B1\u03BB\u03B9\u03BD\u03B4\u03C1\u03CC\u03BC\u03B7\u03C3\u03B7\u03C2 \u03CC\u03C0\u03BF\u03C5 \u03B7 \u03B5\u03BE\u03B1\u03C1\u03C4\u03B7\u03BC\u03AD\u03BD\u03B7 \u03BC\u03B5\u03C4\u03B1\u03B2\u03BB\u03B7\u03C4\u03AE \u03BC\u03C0\u03BF\u03C1\u03B5\u03AF \u03BD\u03B1 \u03C0\u03AC\u03C1\u03B5\u03B9 \u03BC\u03CC\u03BD\u03BF \u03B4\u03CD\u03BF \u03C4\u03B9\u03BC\u03AD\u03C2, \u03B3\u03B9\u03B1 \u03C0\u03B1\u03C1\u03AC\u03B4\u03B5\u03B9\u03B3\u03BC\u03B1 \u03BC\u03B5\u03C4\u03B1\u03B2\u03BB\u03B7\u03C4\u03AE \u03BC\u03B5 \u03B1\u03BD\u03B1\u03C6\u03BF\u03C1\u03AC \u03C3\u03C4\u03BF \u03B5\u03AF\u03B4\u03BF\u03C2 \u03C3\u03C7\u03AD\u03C3\u03B7\u03C2: \u03BA\u03AC\u03C0\u03BF\u03B9\u03BF\u03C2 \u03BC\u03C0\u03BF\u03C1\u03B5\u03AF \u03BD\u03B1 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03C0\u03B1\u03BD\u03C4\u03C1\u03B5\u03BC\u03AD\u03BD\u03BF\u03C2 \u03AE \u03B1\u03BD\u03CD\u03C0\u03B1\u03BD\u03C4\u03C1\u03BF\u03C2. \u0397 \u03BB\u03AD\u03BE\u03B7 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03C3\u03CD\u03BC\u03BC\u03B5\u03B9\u03BE\u03B7 \u03BB\u03AD\u03BE\u03B5\u03C9\u03BD: \u03A0\u03C1\u03BF\u03AD\u03C1\u03C7\u03B5\u03C4\u03B1\u03B9 \u03B1\u03C0\u03CC \u03C4\u03B9\u03C2 \u03BB\u03AD\u03BE\u03B5\u03B9\u03C2 \u03A0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B1 + \u03BC\u03BF\u03BD\u03AC\u03B4\u03B1. \u039F \u03C3\u03BA\u03BF\u03C0\u03CC\u03C2 \u03C4\u03BF\u03C5 \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF\u03C5 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03BD\u03B1 \u03B5\u03BA\u03C4\u03B9\u03BC\u03AE\u03C3\u03B5\u03B9 \u03C4\u03B7 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B1 \u03BC\u03AF\u03B1 \u03C0\u03B1\u03C1\u03B1\u03C4\u03AE\u03C1\u03B7\u03C3\u03B7 \u03BC\u03B5 \u03B9\u03B4\u03B9\u03B1\u03AF\u03C4\u03B5\u03C1\u03B1 \u03C7\u03B1\u03C1\u03B1\u03BA\u03C4\u03B7\u03C1\u03B9\u03C3\u03C4\u03B9\u03BA\u03AC \u03BD\u03B1 \u03B5\u03BC\u03C0\u03AF\u03C0\u03C4\u03B5\u03B9 \u03C3\u03B5 \u03BC\u03B9\u03B1 \u03C3\u03C5\u03B3\u03BA\u03B5\u03BA\u03C1\u03B9\u03BC\u03AD\u03BD\u03B7 \u03BA\u03B1\u03C4\u03B7\u03B3\u03BF\u03C1\u03AF\u03B1. \u0395\u03C0\u03B9\u03C0\u03BB\u03AD\u03BF\u03BD, \u03B7 \u03C4\u03B1\u03BE\u03B9\u03BD\u03CC\u03BC\u03B7\u03C3\u03B7 \u03C4\u03C9\u03BD \u03C0\u03B1\u03C1\u03B1\u03C4\u03B7\u03C1\u03AE\u03C3\u03B5\u03C9\u03BD \u03BC\u03B5 \u03B2\u03AC\u03C3\u03B7 \u03C4\u03B9\u03C2 \u03C0\u03C1\u03BF\u03B2\u03BB\u03B5\u03C0\u03CC\u03BC\u03B5\u03BD\u03B5\u03C2 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03C4\u03B7\u03C4\u03B5\u03C2 \u03B5\u03AF\u03BD\u03B1\u03B9 \u03AD\u03BD\u03B1\u03C2 \u03C4\u03CD\u03C0\u03BF\u03C2 \u03B4\u03C5\u03B1\u03B4\u03B9\u03BA\u03AE\u03C2 \u03C4\u03B1\u03BE\u03B9\u03BD\u03CC\u03BC\u03B7\u03C3\u03B7\u03C2 \u03BC\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF\u03C5."@el . . . . . . "1611247"^^ . . . . . "In statistica e in econometria, il modello probit \u00E8 un modello di regressione nonlineare utilizzato quando la variabile dipendente \u00E8 di tipo dicotomico. L'obiettivo del modello \u00E8 di stabilire la probabilit\u00E0 con cui un'osservazione pu\u00F2 generare uno o l'altro valore della variabile dipendente; pu\u00F2 inoltre essere utilizzato per classificare le osservazioni, in base alla caratteristiche di queste, in due categorie.Il modello \u00E8 stato proposto per la prima volta da Chester Ittner Bliss nel 1934, ampliato l'anno successivo da Ronald Fisher che introdusse un metodo iterativo per la stima dei parametri tramite il metodo della massima verosimiglianza."@it . . . . . "\u041F\u0440\u043E\u0301\u0431\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044F (\u043F\u0440\u043E\u0431\u0438\u0442-\u043C\u043E\u0434\u0435\u043B\u044C, \u0430\u043D\u0433\u043B. probit) \u2014 \u043F\u0440\u0438\u043C\u0435\u043D\u044F\u0435\u043C\u0430\u044F \u0432 \u0440\u0430\u0437\u043B\u0438\u0447\u043D\u044B\u0445 \u043E\u0431\u043B\u0430\u0441\u0442\u044F\u0445 (\u044D\u043A\u043E\u043D\u043E\u043C\u0435\u0442\u0440\u0438\u043A\u0430, \u0442\u043E\u043A\u0441\u0438\u043A\u043E\u043B\u043E\u0433\u0438\u044F \u0438 \u0434\u0440.) \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u0430\u044F (\u043D\u0435\u043B\u0438\u043D\u0435\u0439\u043D\u0430\u044F) \u043C\u043E\u0434\u0435\u043B\u044C \u0438 \u043C\u0435\u0442\u043E\u0434 \u0430\u043D\u0430\u043B\u0438\u0437\u0430 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u043A\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043D\u043D\u044B\u0445 (\u0432 \u043F\u0435\u0440\u0432\u0443\u044E \u043E\u0447\u0435\u0440\u0435\u0434\u044C \u2014 \u0431\u0438\u043D\u0430\u0440\u043D\u044B\u0445) \u043F\u0435\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445 \u043E\u0442 \u043C\u043D\u043E\u0436\u0435\u0441\u0442\u0432\u0430 \u0444\u0430\u043A\u0442\u043E\u0440\u043E\u0432, \u043E\u0441\u043D\u043E\u0432\u0430\u043D\u043D\u0430\u044F \u043D\u0430 \u043D\u043E\u0440\u043C\u0430\u043B\u044C\u043D\u043E\u043C \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u0438 (\u0432 \u043E\u0442\u043B\u0438\u0447\u0438\u0435 \u043E\u0442, \u043D\u0430\u043F\u0440\u0438\u043C\u0435\u0440, \u0430\u043D\u0430\u043B\u043E\u0433\u0438\u0447\u043D\u043E\u0439 \u043B\u043E\u0433\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u0438, \u043E\u0441\u043D\u043E\u0432\u0430\u043D\u043D\u043E\u0439 \u043D\u0430 \u043B\u043E\u0433\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u043C \u0440\u0430\u0441\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u0438). \u0412 \u044D\u043A\u043E\u043D\u043E\u043C\u0438\u043A\u0435 (\u044D\u043A\u043E\u043D\u043E\u043C\u0435\u0442\u0440\u0438\u043A\u0435) \u043F\u0440\u043E\u0431\u0438\u0442-\u043C\u043E\u0434\u0435\u043B\u0438 (\u043D\u0430\u0440\u044F\u0434\u0443 \u0441 \u043B\u043E\u0433\u0438\u0442-, \u0433\u043E\u043C\u043F\u0438\u0442- \u0438 \u0434\u0440.) \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u044E\u0442\u0441\u044F \u0432 \u043C\u043E\u0434\u0435\u043B\u044F\u0445 \u0431\u0438\u043D\u0430\u0440\u043D\u043E\u0433\u043E \u0432\u044B\u0431\u043E\u0440\u0430 \u0438\u043B\u0438 \u0432 \u043C\u043E\u0434\u0435\u043B\u044F\u0445 \u043C\u043D\u043E\u0436\u0435\u0441\u0442\u0432\u0435\u043D\u043D\u043E\u0433\u043E \u0432\u044B\u0431\u043E\u0440\u0430 \u043C\u0435\u0436\u0434\u0443 \u0440\u0430\u0437\u043B\u0438\u0447\u043D\u044B\u043C\u0438 \u0430\u043B\u044C\u0442\u0435\u0440\u043D\u0430\u0442\u0438\u0432\u0430\u043C\u0438, \u0434\u043B\u044F \u043C\u043E\u0434\u0435\u043B\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u0434\u0435\u0444\u043E\u043B\u0442\u043E\u0432 \u043A\u043E\u043C\u043F\u0430\u043D\u0438\u0439, \u0432 \u0441\u0442\u0440\u0430\u0445\u043E\u0432\u0430\u043D\u0438\u0438 \u0436\u0438\u0437\u043D\u0438 - \u0434\u043B\u044F \u043E\u0446\u0435\u043D\u043A\u0438 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0438 \u0441\u043C\u0435\u0440\u0442\u0438 \u0432 \u0437\u0430\u0432\u0438\u0441\u0438\u043C\u043E\u0441\u0442\u0438 \u043E\u0442 \u0432\u043E\u0437\u0440\u0430\u0441\u0442\u0430 \u0438 \u043F\u043E\u043B\u0430 \u0438 \u0442. \u0434. \u0412 \u0442\u043E\u043A\u0441\u0438\u043A\u043E\u043B\u043E\u0433\u0438\u0438 \u043F\u0440\u043E\u0431\u0438\u0442-\u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044F \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0434\u043B\u044F \u043E\u0446\u0435\u043D\u043A\u0438 \u0432\u043B\u0438\u044F\u043D\u0438\u044F \u0434\u043E\u0437\u044B \u0438\u043B\u0438 \u043A\u043E\u043D\u0446\u0435\u043D\u0442\u0440\u0430\u0446\u0438\u0438 \u0442\u0435\u0445 \u0438\u043B"@ru . "En statistiques, le mod\u00E8le probit est un mod\u00E8le de r\u00E9gression binomiale. Le mod\u00E8le probit a \u00E9t\u00E9 introduit par Chester Bliss en 1934. C'est un cas particulier du mod\u00E8le lin\u00E9aire g\u00E9n\u00E9ralis\u00E9."@fr . . . . . . . "In statistics, a probit model is a type of regression where the dependent variable can take only two values, for example married or not married. The word is a portmanteau, coming from probability + unit. The purpose of the model is to estimate the probability that an observation with particular characteristics will fall into a specific one of the categories; moreover, classifying observations based on their predicted probabilities is a type of binary classification model."@en . . . . "\u039C\u03BF\u03BD\u03C4\u03AD\u03BB\u03BF \u03A0\u03B9\u03B8\u03B1\u03BD\u03BF\u03BC\u03BF\u03BD\u03AC\u03B4\u03B1\u03C2 (Probit)"@el . "\uD504\uB85C\uBE57 \uD68C\uADC0 \uBAA8\uD615(Probit regression model)\uC740 \uC885\uC18D\uBCC0\uC218\uAC00 \uC774\uC9C4 \uBCC0\uC218\uC77C \uACBD\uC6B0\uC5D0 \uC0AC\uC6A9\uB418\uB294 \uD68C\uADC0 \uBAA8\uD615 \uC911 \uD558\uB098\uC774\uB2E4. \uD504\uB85C\uBE57 \uD68C\uADC0 \uBAA8\uD615\uC740 \uC5B4\uB5A4 \uC0AC\uAC74\uC774 \uBC1C\uC0DD\uD560 \uD655\uB960\uC744 \uC124\uBA85\uD558\uAE30 \uC704\uD55C \uD68C\uADC0 \uBAA8\uD615\uC73C\uB85C, \uC815\uADDC \uBD84\uD3EC\uC758 \uB204\uC801\uBD84\uD3EC\uD568\uC218\uB97C \uC774\uC6A9\uD55C\uB2E4. \uD504\uB85C\uBE57\uC774\uB77C\uB294 \uB2E8\uC5B4\uC758 \uC5B4\uC6D0\uC740 probability\uC640 unit\uC744 \uD63C\uD569\uD558\uC5EC \uB9CC\uB4E0 \uAC83\uC774\uB2E4."@ko . "1118897969"^^ . . . . . . . . . . . . . . . . . . "Das Probit-Modell ist in der Statistik die Spezifikation eines verallgemeinerten linearen Modells. Probit ist ein Kofferwort f\u00FCr prob(ability un)it, das aus den zwei englischen, \u00FCberlappenden W\u00F6rtern f\u00FCr Wahrscheinlichkeit und Einheit (0 oder 1) entstanden ist."@de . . . .