新计量经济学（第三版） 教学课件 潘省初 著 ets10.pptVIP

第十章 定性选择模型 三. Logit模型 Logit模型基于累积logistic分布，而不是probit模型所用的累积正态分布。对于任何一个回归，probit和logit估计方法的结果往往从统计显著性的角度看是类似的。 Logit模型给出的概率估计值限制在0和1之间，与probit一样，而且logit模型也避免了接近 0或1的极端概率值。这两个模型都克服了线性概率模型遇到的主要问题。 Logit模型的形式如下： 在这里，因变量的拟合值代表 的可能性的对数。术语概率（probability）和机会（odds）不是一回事。如果一个事件的概率是0.25，则机会将是： 我们通常将其写为1:3，读作1对3。如果概率是0.5或50%，则相应为0.5/（1-0.5）=1/1，或1:1。我们可以给logit模型中斜率系数一个特别的解释：某个解释变量的变动对Y等于1的机会的影响。准确地说，logit模型的斜率系数告诉我们，在其它解释变量保持不变的情况下，该解释变量变动一个单位所引起的机会的对数的变动。 * 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： 我们在第四章中曾介绍解释变量为虚拟变量的模型，本章要讨论的是因变量为虚拟变量的情形。 在这种模型中，因变量描述的是特征、选择或者种类等不能定量化的东西，如乘公交还是自己开车去上班、考不考研究生等。在这些情况下，因变量是定性变量，我们可以用定义虚拟变量的方法来刻画它们。 这种因变量为虚拟变量的模型被称为 定性选择模型（Qualitative choice models） 或 定性响应模型（Qualitative response models） 如果只有两个选择，我们可用0和1 分别表示它们，如乘公交为0，自驾车为1，这样的模型称为二元选择模型（binary choice Models）。 多于两个选择（如上班方式加上一种骑自车）的定性选择模型称为多项选择模型（Multinomial choice models）。 第一节 线性概率模型 二元选择模型如何估计呢？由于它看上去象是一个典型的OLS回归模型，因而一个简单的想法是采用OLS法估计。当然，对结果的解释与常规线性回归模型不同，因为二元选择模型中因变量只能取两个预定的值。线性概率模型（LPM）一般形式如下： 这看上去与典型的OLS回归模型并无两样，但区别是这里Y只取0和1两个值，观测值可以是个人、公司、国家或任何其他横截面个体所作的决定。解释变量中可以包括正常变量和虚拟变量。 下面用一个关于是否读研究生的例子来说明如何解释线性概率模型的结果。模型为： 其中： 设回归结果如下（所有系数值均在10%水平统计上显著）： 对每个观测值，我们可根据（10.3）式计算因变量的拟合值或预测值。在常规OLS回归中，因变量的拟合值或预测值的含义是，平均而言，我们可以预期的因变量的值。但在本例的情况下，这种解释就不适用了。假设学生甲的平均分为3.5，家庭年收入为5万美元，Y的拟合值为 尽管因变量在这个二元选择模型中只能取两个值：0或1，可是该学生的的拟合值或预测值为0.8。我们将该拟合值解释为该生决定读研的概率的估计值。因此，该生决定读研的可能性或概率的估计值为0.8。需要注意的是，这种概率不是我们能观测到的数字，能观测的是读研还是不读研的决定。 对斜率系数的解释也不同了。在常规回归中，斜率系数代表的是其他解释变量不变的情况下，该解释变量的单位变动引起的因变量的变动。而在线性概率模型中，斜率系数表示其他解释变量不变的情况下，该解释变量的单位变动引起的因变量等于1的概率的变动。 GPA的系数估计值0.4意味着家庭收入不变的情况下，一个学生的GPA增加一个点（如从3.0到4.0），该生决定去读研的概率的估计值增加0.4。 INCOME的系数估计值0.002表明，一个学生的成绩不变，而家庭收入增加1000美元，该生决定去读研的概率的估计值增加0.002。 LPM模型中，解释变量的变动与虚拟因变量值为1的概率线性相关，因而称为线性概率模型。 线性概率模型存在的问题 （1）线性概率模型假定自变量与Y=1的概率之间存在线性关系，而此关系往往不是线性的。 （2）拟合值可能小于0或大于1，而概率值必须位于0和1