Multivariate modeling is an effecti

Multivariate modeling is an effective approach to understanding the time elapsed between the evacuation decision and
actual evacuation because a number of factors contribute to this timing behavior and when the data (which is available) is in
an ordered format. Multivariate modeling approaches could capture the interdependencies among explanatory variables,
and the marginal effects and statistical significance of these variables can explain the comparative degrees to which variables
or combination of variables effect this type of timing behavior. In order to model the elapsed time between the evacuation
decision and actual evacuation, we develop a random parameters ordered probit model where the dependent variable (time
elapsed from the evacuation decision to the actual evacuation) is modeled as ordinal data (i.e., elapsed time: 1 h or less, 2–
3 h, 4–6 h, 7–12 h, 12–24 h and more than 24 h).
In this study, the ordered probit approach is used because it can explore the relationship of explanatory variables (see
Table 1) and a dependent variable (in this case, the lag time between the evacuation decision and actual evacuation) as
in the case of ordinary least squares regression. However, unlike ordinary least squares regression, ordered probit models
account for the unequal differences among the ordinal categories in the dependent variable (see McKelvey and Zavoina,
1975; Greene, 1997, etc.). For example, it does not require that the difference between two consecutive time intervals is
the same as the difference between two other consecutive time intervals, provided a unit change in the explanatory variable.
Here, ordered probit models capture the qualitative differences between different consecutive time intervals. Following the
work presented in Washington et al. (2011), Duncan et al. (1999), Anastasopoulos et al. (2012), etc., consider the following
function:
Ywhere y is the dependent variable coded as 0, 1, 2, 3, 4, 5; b is the vector of estimated parameters and X is the vector of
explanatory variables; e is the error term, which is assumed to be normally distributed (zero mean and unit variance) with
cumulative distribution denoted by U() and density function denoted by /(). Given a specific elapsed time, an individual/
household falls in category n if ln1 < y < ln. The elapsed-time data, y, are related to the underlying latent variable y,
through thresholds ln, where n = 1,. . .,4. We have the following probabilities:
Probðy ¼ nÞ ¼ Uðln  bXÞ  Uðln1  bXÞ ð2Þ
where l0 = 0 and l5 ¼ þ1 and l1 < l2 < l3 < l4 are defined as four thresholds between which categorical responses are
estimated. The estimation of this model is relatively easy; the derivation of the likelihood is somewhat straight-forward [see
McKelvey and Zavoina (1975) for details]. By using the econometric software LIMDEP, thresholds l and parameters b were
estimated (see Table 2).
Table 1

ผลลัพธ์ (ไทย) 1:

แบบหลายตัวแปรการสร้างโมเดลเป็นวิธีมีประสิทธิภาพเข้าใจเวลาที่ผ่านมาระหว่างการตัดสินใจอพยพ และการอพยพที่แท้จริง เพราะปัจจัยที่นำไปสู่พฤติกรรมเวลานี้ และ เมื่อข้อมูล (ซึ่งมี) อยู่ในรูปแบบสั่ง หลายตัวแปรการสร้างโมเดลแนวทางสามารถจับภาพที่เกี่ยวข้องกันระหว่างตัวแปรอธิบายและเกิดผลกระทบและความสำคัญทางสถิติของตัวแปรเหล่านี้สามารถอธิบายองศาเปรียบเทียบกับตัวแปรใดหรือชุดของตัวแปรมีผลเวลาพฤติกรรมประเภทนี้ เพื่อในเวลาการอพยพผ่านไปตัดสินใจและการอพยพจริง เราพัฒนาสุ่มพารามิเตอร์สั่ง probit แบบจำลองซึ่งตัวแปร (เวลาผ่านไปจากการตัดสินใจอพยพเพื่อการอพยพจริง) จำลองเป็นลำดับข้อมูล (เช่น เวลาที่ใช้: 1 ชั่วโมง หรือน้อย กว่า 2 –3 h, 4 – 6 h, h 7-12, 12 – 24 ชม. และมากกว่า 24 ชม.)ในการศึกษานี้ วิธี probit สั่งใช้เนื่องจากมันสามารถสำรวจความสัมพันธ์ของตัวแปรอธิบาย (ดูตารางที่ 1) และขึ้นอยู่กับตัวแปร (ในกรณีนี้ เวลาหน่วงระหว่างการตัดสินใจอพยพและอพยพจริง) เป็นในกรณีของการถดถอยธรรมดากำลังสองน้อยสุด อย่างไรก็ตาม ซึ่งแตกต่างจากการถดถอยกำลังสองน้อยสุดสามัญ สั่งแบบจำลอง probitบัญชีสำหรับความแตกต่างไม่เท่ากันระหว่างลำดับประเภทในตัวแปร (ดู McKelvey และ Zavoina1975 Greene, 1997 ฯลฯ .) ตัวอย่างเช่น ไม่ต้องว่าความแตกต่างระหว่างช่วงเวลาติดต่อกันสองเหมือนกับความแตกต่างระหว่างสองอื่น ๆ ติดต่อกันช่วงเวลา การเปลี่ยนหน่วยในตัวแปรอธิบายไว้ที่นี่ สั่งแบบจำลอง probit จับความแตกต่างเชิงคุณภาพระหว่างช่วงเวลาต่าง ๆ กัน ต่อไปนี้งานนำเสนอในวอชิงตัน et al. (2011), Duncan et al. (1999), Anastasopoulos et al. (2012) ฯลฯ พิจารณาต่อไปนี้ฟังก์ชัน:Ywhere y คือ ตัวแปรรหัสเป็น 0, 1, 2, 3, 4, 5 b เป็นเวกเตอร์ของพารามิเตอร์โดยประมาณ และ X คือ เวคเตอร์ของอธิบายตัวแปร e เป็นระยะผิดพลาด ซึ่งจะถือว่าเป็นปกติกระจาย (เป็นศูนย์หมายถึงอะไรและหน่วยผลต่าง) ด้วยการแจกแจงสะสมเขียนแทน ด้วย U ()และความหนาแน่นของฟังก์ชันเขียนแทน ด้วย/() กำหนดเวลากำหนดผ่านไป บุคคล /บ้านตกอยู่ในประเภท n ถ้า ln 1 < y < ln เวลาผ่านไปข้อมูล y เกี่ยวข้องกับต้นแฝงตัวแปร yผ่านเกณฑ์ ln ซึ่ง n = 1,., 4 เรามีน่าจะต่อไปนี้:Probðy ¼ nÞ ¼ Uðln ð2Þ bXÞ bXÞ Uðln 1ที่ l0 = 0 และ l5 þ1 ¼และ l1 < l2 < l3 < l4 กำหนดเป็นที่แน่ชัดตอบเป็นเกณฑ์สี่ประมาณ การประเมินรูปแบบนี้จะค่อนข้างง่าย แหล่งที่มาของโอกาสจะค่อนข้างตรงไป [ดูMcKelvey และ Zavoina (1975) สำหรับรายละเอียด] การใช้ซอฟต์แวร์คำ LIMDEP ถูกเกณฑ์ l และพารามิเตอร์ bโดยประมาณ (ดูตาราง 2)ตารางที่ 1

ผลลัพธ์ (ไทย) 2:

การสร้างแบบจำลองหลายตัวแปรเป็นวิธีการที่มีประสิทธิภาพในการทำความเข้าใจเวลาที่ผ่านไประหว่างการตัดสินใจอพยพและ
การอพยพที่เกิดขึ้นจริงเพราะจำนวนของปัจจัยที่นำไปสู่พฤติกรรมระยะเวลานี้และเมื่อข้อมูล (ซึ่งสามารถใช้ได้) อยู่ใน
รูปแบบที่ได้รับคำสั่ง วิธีการสร้างแบบจำลองหลายตัวแปรสามารถจับภาพการสัมพันธ์กันระหว่างตัวแปรอธิบาย
และผลกระทบที่ขอบและนัยสำคัญทางสถิติของตัวแปรเหล่านี้สามารถอธิบายองศาเปรียบเทียบที่ตัวแปร
หรือการรวมกันของผลกระทบตัวแปรประเภทของพฤติกรรมระยะเวลานี้ เพื่อให้รูปแบบเวลาที่ผ่านไประหว่างการอพยพ
การตัดสินใจและการอพยพที่เกิดขึ้นจริงเราพัฒนาพารามิเตอร์สุ่มรุ่น probit รับคำสั่งที่ขึ้นอยู่กับตัวแปร (เวลา
ผ่านไปจากการตัดสินใจอพยพเพื่อการอพยพจริง) เป็นแบบจำลองเป็นข้อมูลลำดับ (เช่นเวลาที่ผ่านไป: 1 ชั่วโมงหรือน้อยกว่า 2-
3 ชั่วโมง 4-6 ชั่วโมง 7-12 ชั่วโมง 12-24 ชั่วโมงและอื่น ๆ กว่า 24 ชั่วโมง.)
ในการศึกษานี้วิธีการสั่งซื้อ probit ถูกนำมาใช้เพราะมันสามารถสำรวจความสัมพันธ์ของตัวแปรอธิบาย (ดู
ตารางที่ 1) และตัวแปรตาม (ในกรณีนี้เวลาล่าช้าระหว่างการตัดสินใจอพยพและการอพยพที่เกิดขึ้นจริง) เช่น
ในกรณีของสามัญน้อยถดถอยสี่เหลี่ยม แต่แตกต่างจากสามัญน้อยถดถอยสี่เหลี่ยมสั่งรุ่น probit
บัญชีสำหรับความแตกต่างที่ไม่เท่ากันในหมู่ประเภทลำดับในตัวแปรตาม (ดู McKelvey และ Zavoina,
1975; กรีนปี 1997 ฯลฯ ) ยกตัวอย่างเช่นมันไม่จำเป็นต้องให้ความแตกต่างระหว่างช่วงเวลาที่สองติดต่อกันเป็น
เช่นเดียวกับความแตกต่างระหว่างช่วงเวลาติดต่อกันอีกสองคนที่ให้มีการเปลี่ยนแปลงหน่วยในตัวแปรอธิบาย.
นี่สั่งรุ่น probit จับความแตกต่างเชิงคุณภาพระหว่างเวลาติดต่อกันที่แตกต่างกัน ช่วงเวลา ต่อไปนี้
การทำงานที่นำเสนอในวอชิงตัน, et al (2011), ดันแคน, et al (1999), et al, Anastasopoulos (2012) ฯลฯ พิจารณาต่อไปนี้
ฟังก์ชั่น:
Ywhere Y? เป็นตัวแปรตามกำหนดเป็น 0, 1, 2, 3, 4, 5; B เป็นเวกเตอร์ของประมาณค่าพารามิเตอร์และ X เป็นเวกเตอร์ของ
การอธิบายตัวแปร; E เป็นคำที่ผิดพลาดซึ่งจะถือว่าการกระจายตามปกติ (ศูนย์เฉลี่ยและหน่วยความแปรปรวน) ที่มี
การแจกแจงสะสมแสดงโดย U (?) และฟังก์ชั่นความหนาแน่นชี้แนะด้วย / (?) กำหนดเวลาที่ผ่านไปเฉพาะบุคคล /
ครัวเรือนที่ตกอยู่ในหมวดหมู่ n ถ้า LN 1 <Y <LN เวลาที่ผ่านไปข้อมูล, Y, เกี่ยวข้องกับการอ้างอิงตัวแปร Y แฝง ?,
ผ่านเกณฑ์ LN ที่ n = 1 ,. . . 4 เรามีความน่าจะเป็นต่อไปนี้:
Probðy¼ NTH ¼Uðln? bXÞ? Uðln? 1? bXÞð2Þ
ที่ l0 = 0 และ L5 ¼ Th1 และ L1 <L2 <L3 <L4 จะถูกกำหนดเป็นสี่เกณฑ์ระหว่างที่การตอบสนองเด็ดขาดจะ
ประมาณ ประมาณการของรุ่นนี้ค่อนข้างง่าย; แหล่งที่มาของความเป็นไปได้ค่อนข้างตรงไปข้างหน้า [ดู
McKelvey และ Zavoina (1975) สำหรับรายละเอียด] โดยใช้ซอฟแวร์ Limdep เศรษฐเกณฑ์ L และพารามิเตอร์ B ถูก
ประมาณ (ดูตารางที่ 2).
ตารางที่ 1

ผลลัพธ์ (ไทย) 3:

แบบหลายตัวแปรเป็นวิธีที่มีประสิทธิภาพเพื่อความเข้าใจเวลาที่ผ่านไประหว่างการอพยพ และการตัดสินใจจริง การอพยพ เพราะหลายปัจจัยส่งผลให้พฤติกรรมนี้เวลาและเมื่อข้อมูล ( ที่สามารถใช้ได้ ) ในสั่งซื้อในรูปแบบ วิธีแบบหลายตัวแปรสามารถจับภาพ interdependencies ระหว่างตัวแปรทั้งและเพิ่มผลและสถิติของตัวแปรเหล่านี้สามารถอธิบายองศาเปรียบเทียบที่ตัวแปรหรือการรวมกันของตัวแปรที่มีผลต่อพฤติกรรม เวลา ประเภทนี้ เพื่อรูปแบบเวลาที่ผ่านไประหว่างการอพยพการตัดสินใจที่แท้จริง และอพยพ เราพัฒนาให้ตัวแบบสุ่มตัวแปรที่แปรตาม ( เวลาที่ผ่านไปจากการอพยพ การตัดสินใจที่จะอพยพจริง ) แบบข้อมูลสำคัญ ( เช่น เวลา : 1 ชั่วโมงหรือน้อยกว่า 2 –3 H , 4 – 6 H , 7 – 12 H 12 – 24 ชั่วโมง และมากกว่า 24 ชั่วโมง )ในการศึกษานี้ ได้สั่งตัวแบบใช้ เพราะมันสามารถหาความสัมพันธ์ของตัวแปรอธิบาย ( ดูตารางที่ 1 ) และตัวแปรตาม ( ในกรณีนี้ , ความล่าช้าเวลาระหว่างการอพยพที่แท้จริง และตัดสินใจอพยพ ) เช่นในกรณีของวิธีกำลังสองน้อยที่สุดการถดถอย แต่แตกต่าง Ordinary Least Squares Regression , สั่งตัวรุ่นบัญชีสำหรับความแตกต่างระหว่างประเภทไม่เท่ากัน . ในตัวแปร ( ดู และ zavoina McKelvey ,1975 ; กรีน , 1997 , ฯลฯ ) ตัวอย่างเช่น , มันไม่ต้องใช้ที่แตกต่างระหว่าง 2 ช่วงเวลาติดต่อกัน คือเช่นเดียวกับความแตกต่างระหว่าง 2 ช่วงเวลาติดต่อกัน ให้หน่วยการเปลี่ยนแปลงตัวแปรอธิบาย .ที่นี่ สั่งแบบตัวจับภาพความแตกต่างเชิงคุณภาพระหว่างช่วงเวลาติดต่อกันที่แตกต่างกัน ต่อไปนี้งานนำเสนอในวอชิงตัน et al . ( 2011 ) , ดันแคน et al . ( 1999 ) , anastasopoulos et al . ( 2012 ) ฯลฯ พิจารณาต่อไปนี้ฟังก์ชัน :ywhere y คือตัวแปรตามรหัส 0 , 1 , 2 , 3 , 4 , 5 ; b เป็นเวกเตอร์ประมาณพารามิเตอร์และ X คือ เวกเตอร์ของตัวแปรอธิบาย ; E ระยะผิดพลาด ซึ่งถือว่ามีการกระจายตามปกติ ( ศูนย์ค่าเฉลี่ยและความแปรปรวนหน่วย ) กับการแจกแจงสะสมแทน โดย u() และความหนาแน่นของฟังก์ชันเขียนแทนด้วย / ( ) ให้เฉพาะเวลาที่ผ่านไป , บุคคล /ครัวเรือนตกอยู่ในประเภท N ถ้า ln1 < Y < LN . เวลาข้อมูล บริษัท เกี่ยวข้องกับ พื้นฐาน ตัวแปรแฝง Y ,ผ่านธรณีประตูเข้ามา เมื่อ n = 1 , . . . . . . . . , 4 . เรามีปัญหาต่อไปนี้ :น่าจะð Y ¼ N Þ¼ u ðใน BX Þ u ð ln1 BX Þð 2 Þที่ไหน = 0 L5 l0 ¼þ 1 L1 L2 และ L3 L4 < < < จะถูกกําหนดเกณฑ์การตอบสนองอย่างแท้จริง ซึ่งอยู่ระหว่างสี่โดยประมาณ ประมาณรุ่นนี้ค่อนข้างง่าย ; รากศัพท์ของความน่าจะเป็นค่อนข้างตรงไปตรงมา [ ดูและช่วง zavoina ( 1975 ) รายละเอียด ] โดยใช้วิธีการทางเศรษฐมิติ ซึ่ง limdep ซอฟต์แวร์ , L และค่า b คือประมาณ ( ดูตารางที่ 2 )ตารางที่ 1