使用 OP 的原因是研究有序的分类变量，但实际值仅反映排名。例如，以债券评级为例。有一个未被观察到的潜在变量称为信誉度，一些机构已将其划分为多个箱，范围从 AAA、AA、A、BBB 等到 D。您可以想象将这些编码为 12、11、10 ......现在AAA比AA好，AA比A好，但两者的区别并不等价。在您的情况下，AAA 就像“强劲增长”，而 D 是“没有增长”。

这种未观察到的信用度（或 BF 增长）是解释变量（如钠）和参数和正态分布误差的函数。每个债券评级对应于特定的信用范围。这些范围不一定是相同的长度。假设一家公司现在处于 AA 并且变得更有信誉。最终，它将越过 AA 和 AAA 之间的边界，公司将获得新的排名。有序概率将使用 MLE 估计参数，以及定义信用等级的边界值（也称为割值）。 $\beta$$\varepsilon$$\beta$

参数的解释有点棘手，因为它们只能按比例识别。比较两个参数的比率来决定哪个更重要是相当容易的。对于更复杂的练习，您还可以获取相邻切割值的差异并除以钠斜率。这告诉您移动到下一个垃圾箱所需的钠的最大变化。或者，您还可以查看特定垃圾箱中导致钠变化的概率变化。

*如果错误具有逻辑分布，您将使用有序 logit 而不是 probit。