Как построить пробит-регрессию в R?

Я новичок в R, поэтому это может показаться основным вопросом; Я пытаюсь оценить пробит-регрессию занятости, учитывая, что человек является мужчиной. Я думаю, что у меня правильная пробит-модель, но я не могу ее построить. Ниже приведены первые 10 строк из моего набора данных, в котором всего 60 000 строк. Как вы можете видеть, я создал 5 фиктивных переменных: «Мужчина», «LeavingCert», «Bachelors», «Married» и «Employed»; (Хотя первые 10 строк в столбце «Занятые» равны 0, это не относится к полному набору данных. Однако нулей значительно больше, чем единиц, и, возможно, это моя проблема?)

Top10 <- head(data,10)
Top10
# A tibble: 10 × 10
...1 SEX MARSTAT MAINSTAT EDUCLEV4 Male LeavingCert Bachelors Married Employed
 <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1 1 2 2 6 9 0 0 0 1 0
 2 2 2 1 2 9 0 0 0 0 0
 3 3 2 1 2 9 0 0 0 0 0
 4 4 2 2 2 9 0 0 0 1 0
 5 5 2 1 5 6 0 0 1 0 0
 6 6 1 2 3 9 1 0 0 1 0
 7 7 1 2 2 9 1 0 0 1 0
 8 8 2 3 2 9 0 0 0 0 0
 9 9 2 2 2 9 0 0 0 1 0
10 10 1 1 4 9 1 0 0 0 0

Для моей модели «Probit1» мой Y — «Работающий», а мой X — «Мужской». Мой код выглядит следующим образом;

Probit1 <- glm(Employed ~ Male, 
 family = binomial(link = "probit"), 
 data = data)
summary(Probit1)

Я попытался построить эту пробит-регрессию следующим образом;

# plot data
plot(x = data$Male, 
 y = data$Employed,
 main = "Probit Model of the Probability of Employed, Given Male",
 xlab = "Male",
 ylab = "Employed",
 pch = 20,
 ylim = c(-0.4, 1.4),
 cex.main = 0.85)
# add horizontal dashed lines and text
abline(h = 1, lty = 2, col = "darkred")
abline(h = 0, lty = 2, col = "darkred")
text(2.5, 0.9, cex = 0.8, "Empolyed")
text(2.5, -0.1, cex= 0.8, "Unemployed")
# add estimated regression line
x <- seq(0, 3, 0.01)
y <- predict(Probit1, list(Male = x), type = "response")
lines(x, y, lwd = 1.5, col = "steelblue")

Это сюжет, который я получаю, и он не кажется правильным?

Мои данные проблема?

Любая помощь очень ценится, и если это невозможно, есть ли другой сюжет, который я мог бы сделать? Заранее спасибо.

сводка (Probit1)

> summary(Probit1)
Call:
glm(formula = Employed ~ Male, family = binomial(link = "probit"), 
 data = data)
Deviance Residuals: 
 Min 1Q Median 3Q Max 
-0.2777 -0.2777 -0.2742 -0.2742 2.5689 
Coefficients:
 Estimate Std. Error z value Pr(>|z|) 
(Intercept) -1.78787 0.01299 -137.67 <2e-16 ***
Male 0.01141 0.01871 0.61 0.542 
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
 Null deviance: 19747 on 61939 degrees of freedom
Residual deviance: 19747 on 61938 degrees of freedom
AIC: 19751
Number of Fisher Scoring iterations: 5

таблица (данные $ Мужчина, данные $ Работа)

> table(data$Male, data$Employed)
 
 0 1
 0 31165 1194
 1 28462 1119

Решение проблемы

Спасибо за добавление сводки по регрессии и таблицы. Из сводки регрессии видно, что коэффициент для мужчин действительно мал (и незначителен):

Male 0.01141 0.01871 0.61 0.542 

Этот небольшой коэффициент означает, что принадлежность к мужскому полу увеличивает шансы на трудоустройство лишь на самую незначительную часть, поэтому логично, что мы не можем увидеть это на графике, потому что изменение слишком мало, наклон к небольшому.

Глядя на стол

 > table(data$Male, data$Employed)
 
 0 1
 0 31165 1194
 1 28462 1119

Мы можем подтвердить, что численно или визуально впечатляющего увеличения нет:
1194/(1194+31165) = 3,7%, 1119/(1119+28462) = 3,8%. Вы не можете ожидать увеличения вашего графика на 0,1%.

Мои данные проблема?

Они являются причиной. Я не знаю, являются ли они проблемой.