二态变量-课件.pptVIP

二态变量模型 本节模型种类 解释变量是二态变量 ★单一二态解释变量 ★若干二态解释变量 ★解释变量既有定量变量又有二态变量 因变量是二态变量 ★解释变量为定量变量 ★解释变量为定性变量 本节内容讲述概要 二态变量引入 二态解释变量模型 ★与方差分析模型的联系 ★各模型的参数估计与检验 二态因变量模型（单一因变量） ★列联分析中的卡方检验及注意事项 ★线性概率模型及其参数估计 ★Probit模型和Logit模型 二态变量？ 二态变量又称虚拟变量、名义变量或哑变量，是用以反映质的属性的一个人工变量，是量化了的质变量，通常取值为0或1，一般“1”代表某一属性存在，“0”代表某一属性不存在。 二态变量表示两类性质，即“是”或“否”， “男”或“女”等。 二态变量的作用 能够正确反映经济变量之间的相互关系，提高模型的完整性和说服力； 可以描述和测量定性（属性）因素的影响，也即可以分离异常因素的影响，例如分析我国GDP的时间序列，则可分离或分析出“文革”因素对国民经济的破坏性影响； 可以提高模型的精度，因为引入二态变量相当于将不同属性的样本合并，从而扩大了样本容量（增加了误差自由度，从而降低了误差方差）。 二态变量的引入规则 如果一个定性变量有m个属性值，则仅引入m-1个二态变量，否则会产生完全多重共线性； 二态变量0，1值的分配可以是任意的，但解释模型时一定注意1，0是怎样分配的； 通常从分析问题的目的出发予以界定，一般基础类型、否定类型通常取值为0，而将比较类型，肯定类型取值为1。 二态解释变量模型 在实际建模过程中，被解释变量不但受定量变量影响，同时还受定性变量影响。例如需要考虑性别、民族、不同历史时期、季节差异、企业所有制性质不同等因素的影响。这些因素也应该包括在模型中。 二态解释变量模型回归系数的估计与检验方法与定量变量相同。 二态解释变量模型与方差分析模型 方差分析和回归分析中的虚拟变量模型在某些方面是相通的，本质上都是研究分类型自变量与数值型因变量间的关系； 方差分析中的三个基本假定同样满足线性回归分析的基本假定。 二态解释变量各模型的介绍(略) 单一二态解释变量模型 多个二态解释变量模型（注意交互作用的有否） 混合模型（同时含有定性和定量的解释变量） 二态变量仅影响截距 二态变量仅影响斜率 二态变量既影响截距又影响斜率 二态因变量模型 解释变量定性时二态因变量模型 解释变量定量时二态因变量模型 Tobit（线性概率）模型 Probit模型 Logit模型 二态因变量模型（解释变量定性） 这里讨论的因变量和自变量都是定性的，且模型中只有一个因变量和一个自变量。 卡方检验原理 卡方检验中期望值准则：如果只有两个单元格，每个单元格的期望频数必须是5或5以上；如果在两个以上的单元格，则要求期望频数小于5的单元格数不超过20%。否则因期望频数 过小， 将会不适当地增大，造成对 的高估，从而导致不适当地拒绝 的结论。处理方法通常是合并单元格。 二态因变量模型（解释变量定量） 在实际经济问题中，被解释变量也可能是定性变量。如通过一系列解释变量的观测值观察人们对某项动议的态度，某件事情的成功和失败等。当被解释变量为定性变量时怎样建立模型呢？ 这就是要介绍的二元选择模型或多元选择模型，统称离散选择模型。这里主要介绍 Tobit（线性概率）模型 ；Probit模型和Logit模型。 Tobit（线性概率）模型 该模型的形式如下： 其中ui为随机误差项，xi为定量解释变量。yi为二元选择变量。其中 此模型由James Tobin 1958年提出，因此得名。 Tobit模型散点图 Tobit（线性概率）模型特征 因变量为离散变量且服从两点分布，有 注意：yi的样本值是0或1，但预测值总是代表给定自变量x时y=1的概率。 随机变量为离散变量且有 这说明，误差项的期望为零，但ui 的方差随着xi的不同水平而变化，也即具有异方差。且当P(yi=1)接近0或1时， ui具有较小的方差，当pi接近1/2时, ui具有较大的方差。 Tobit（线性概率）模型缺陷 随机误差项是离散非正态变量，且具有零均值和异方差特性，因此估计模型参数的OLS估计量具有无偏性，但不具有有效性。 因变量均值受到如下限制： ，但实际的预测值一般是 （除非回归方程是一条完全的直线），故模型应用受限。 Tobit（线性概率）模型修正 ①对于误差项非正态的情形，OLS求得的无偏估计量在绝大多数情况下是渐进正态的，因此在大样本情况下，未知参数的估计与检验与误差项假设为正态分布时的方式相同； ②