La razón por la que uno debería usar una OP es el estudio de una de las variables categóricas que se ordena, pero donde los valores reales sólo reflejan un ranking. Tomemos, por ejemplo, las clasificaciones de bonos. Hay una variable subyacente que es observado llamado la solvencia que alguna agencia ha dividido en compartimientos, que van desde AAA, AA, a, BBB, y así sucesivamente D. Usted puede imaginar la codificación de estos como 12, 11, 10,.... Ahora AAA es mejor que el de AA y AA es mejor que Una, pero las dos diferencias no son equivalentes. En su caso, de la AAA es como "fuerte crecimiento", y D es "no crecimiento".
Este desapercibida solvencia (o BF crecimiento) es función de las variables explicativas (como el sodio) y los parámetros de $\beta$ y normalmente* distribución de error $\varepsilon$. Cada calificación de los bonos corresponde a un rango específico de la solvencia. Estos rangos no son necesariamente de la misma longitud. Supongamos que una empresa está ahora en AA y se vuelve más solventes. Finalmente, se pasa a través de la frontera entre AA y AAA y la empresa obtiene una nueva clasificación. El probit ordenado que estiman los parámetros de $\beta$ el uso de MLE, junto con los valores de la frontera (aka cortar valores) la definición de las ubicaciones de la solvencia.
La interpretación de los parámetros es un poco complicado ya que son identificados a escala solamente. Es bastante fácil comparar una proporción de dos parámetros para decidir cuál es el más importante. Para una mayor participación del ejercicio, también puede tomar las diferencias de los adyacentes de corte de los valores y dividir por el sodio de la pendiente. Esto indica que el máximo cambio en el sodio es necesario para mover a la siguiente bandeja. Alternativamente, usted puede también ver el cambio en la probabilidad de estar en una bandeja específica provocado un cambio en el sodio.
*Si el error tiene una distribución logística, tendría el logit ordenado en lugar de la probit.
