第10章(离散选择模型)详解.ppt

例10-7应用前面Logit模型所使用过的妇女劳动力数据来估计Probit模型。 总体显著性检验似然比统计量LR=7.485.99，故所有解释变量对妇女参与劳动力市场有显著的影响。 从斜率系数估计结果看，斜率系数估计的符号与理论预期一致，如年龄变量的系数为负，表示年龄越大，妇女参与劳动市场的可能性越低。 从回归系数的显著性检验看，年龄变量A的回归系数z的统计量值为-0.25-1.96，其p也约为0.80，意味着年龄对妇女参与劳动力市场没有显著影响。变量S所对应回归系数z的统计量为2.271.96，其p也约为0.023，说明受教育的年限对妇女是否参与劳动力市场有显著影响。 如何解释Probit模型中斜率系数的含义呢？ 回顾模型(10.4.2)，我们需要求概率对解释变量的偏导数，结果为： 其中, 是标准正态概率密度函数在 处的取值，显然，这个值的计算将取决于Xi的特定值。比如，第20个妇女的年龄A为27，接受教育的年数S为13，根据这些数据求得 = =0.302。将这个值乘以斜率系数的估计值0.324，得到0.302×0.324=0.098。 (10.4.4) 对于接受教育年数为13年的妇女，在其余变量不变的前提下，每增加一年接受教育的年数，参与劳动市场的概率约增加9.8%。 根据上述说明，我们可以简单总结k个解释变量的Probit模型中，第j(j≤k)个解释变量对被解释变量的偏效应由βjf(zi)给出。这里， f(zi)是标准正态分布变量的密度，zi代表分析中所用的回归模型，即： §10.5 线性概率模型、Logit模型与Probit模型的比较 共同点：线性概率模型、Logit模型和Probit模型都仅是未知的总体回归模型E(Y|X)=p(Y=1|X)的近似 不同点：线性概率模型的应用及解释相对较简单和方便，但它不能描述真实总体回归函数的非线性，也不能将Y=1的概率限制在0～1之间；Logit模型和Probit模型虽然可以从概率上描述总体回归函数的非线性，从而将Y=1的概率限制在0～1之间，但模型的估计和回归系数的解释相对更为困难。 Logit模型和Probit模型的比较： 逻辑分布有相对较平坦的尾部，也就是说，Logit的条件概率比Probit以更慢的速度趋近于0和1。但由于Logit使用相对简单的数学形式，因此，实践中常常选用它。 尽管线性概率模型有明显的不足，但当解释变量的观察值中没有极端值时(是指那些能够使得Y=1的概率超出0～1区间的解释变量值，可回过去看看10.2中的例子)，使用线性概率模型常常能得到总体回归函数的较好近似。 §10.6 例子：房地产类上市公司财务困境的预测 例10-7:我们随机选择2007年我国地产类25家上市公司作为样本，使用本章介绍的离散选择模型，构建房地产类上市公司财务困境的预测模型。如果上市公司i被ST，我们就界定该公司处于财务困境，此时定义财务困境虚拟变量Yi=1，否则，Yi=0 。为简化，仅选择流动比率(X1)和每股净资产(X2)做为解释变量。 设定Logit模型为：（pi为i公司处于财务困境的概率） (10.6.1) 模型整体显著性检验的似然比统计量LR=12.68大于5%显著性水平下，自由度为2的 分布临界值 5.99，表明所有解释变量对被解释变量有显著的影响。 X2的斜率系数的统计量为-1.79，能在8%的显著性水平下拒绝β2=0的原假设。X1的斜率系数的统计量为-0.53，不能拒绝β1=0的原假设。β1，β2的斜率系数的估计值都为负，表明流动比率和每股净资产值越高，公司陷入财务困境的可能性越小，这一结果与理论预期一致。 McFaddenR2=0.46 ，这已经是很不错的结果。 本章小结 1．解释变量中可能出现一些无法直接用数据度量的定性变量。基于定性变量的属性，我们将它区分为不同的类别，对每一个类别赋值0或1区别。 2．虚拟变量可以直接引入模型中，也可以以交互作用的形式引入模型中，用来度量截距的变化、度量斜率的变化。 3．使用虚拟变量的过程中应注意避免虚拟变量陷阱。 4．本章还分析了被解释变量为虚拟变量的问题，我们把这类模型称为定性响应回归模型，最简单的定性响应回归模型就是线性概率模型。 5．用OLS法估计线性概率模型会遇到两大问题：(1)某些事件发生的概率随着解释变量的变化而线性变化。(2)某些事件发生概率的预测值不仅仅约束在0～1之间。 6．Logit模型通过使用一个逻辑斯蒂（Logistic）累积分布函数变量，避免线性概率模型的无界限性问题，从而确保事件发生的概率位于0～1区间。 7．如果拥有群组数据，可以使用OLS来估计Logit模型，如果拥有个体数据，则应