full2010.pdf - page 404

366
และมาก ทีÉสัดส่วนของการไม่เกิดเหตุการณ์ทีÉ สนใจเท่ากับ 0.5 ค่ าของจุดแบ่ งมีค่ามากทีÉ สุด คิดเป็ นค่าโดยเฉลีÉยเท่ ากับ
0.4425
เมืÉอระดับความสัมพันธ์ระหว่างตัวแปรอิสระ เปลีÉยนแปลงไป แต่ ปัจจัยอืÉน ๆ คงทีÉ พบว่าสัดส่ วนของการไม่เกิด
เหตุการณ์ทีÉสนใจ เท่ ากับ 0.5 ค่าของจุ ดแบ่งลดลงเมืÉอระดับความสัมพันธ์ระหว่างตัวแปรอิสระมีค่าเพิÉมขึÊน แต่พบว่าทีÉ
สัดส่ วนของการไม่เกิดเหตุ การณ์ทีÉ สนใจอืÉน ๆ ค่าของจุ ดแบ่งมีค่าลดลงจนถึงระดับความสัมพันธ์ระหว่างตัวแปรอิสระ
เท่ากับ0.67 จากนัÊ นจะเพิÉมขึÊนอีกเล็ กน้อยเมืÉอระดับความสัมพันธ์ระหว่างตัวแปรอิสระ เท่ากับ0.99
ผลการวิเคราะห์ตัวแบบการถดถอยเชิงพหุทีÉ มีผลอันตรกิริ ยา (Interaction) จากทุกสถานการณ์ พบว่าค่าของ
สัมประสิทธิÍ การตัดสิ นใจ (R2) มีค่าสูง คือมีค่าเท่ากับ 0.914 จึงสามารถนําสมการของตัวแบบการถดถอยเชิงพหุทีÉ มีผล
อันตรกิ ริยา ไปใช้ประมาณหาค่าจุดแบ่งทีÉเหมาะสมทีÉสุดในสถานการณ์อืÉ นได้
คําสําคัญ : ตัวแบบโพรบิตแบบ 2 ประเภท, อัตราความผิ ดพลาดในการจําแนกกลุ่ม, จุดแบ่ง, สัดส่ วนความถูกต้อง, ข้อมูล
ไม่จัดกลุ่ม
Abstract
The objective of this study is to find out the optimal cut-off point for predictive classification of ungrouped
data using binary probit model. The factors interested in this study are number of independent variables (p), sample
size (n), proportion of failure (a) and degree of multicollinearity among independent variables (M).The data in all
situation are generated using Monte Carlo technique through R-program. The independent data are simulated having
uniform distribution ,the number of independent variables are generated having 3 levels; low level(p=1, 2) medium
level(p= 3, 4) ,and high level(p=5,6), the sample size are also generated having 3 levels ; low levels (n=20,40)
medium levels(n=60,80) ,and high level (n=100,120), the proportion of failure are generated using a equal to
0.1,0.5,0.9 and the degree of multicollinearity among independent variables are generated with M equal to 0,0.33.0.67
and 0.99.Each situation are run repeatedly 500 times. The cut-off point is captured using Hadjicostas P. theory. The
average of cut-off points is computed from all runs in each situation as the optimal cut-off point. The results of the
study can be summarized as follow:
As the number of independent changed but the other factors are kept constant, the optimal cut-off point will
decrease when the number of independent increases.
As the number of independent variable changed but the other factors are kept constant, with the proportion of
failure equal to 0.1, the optimal cut-off point will decrease when the number of independent variable increases, with
the proportion of failure equal to 0.5, the optimal cut-off point is in the neighborhood of 0.4620. It is also found that