09离散选择模型教程.pptVIP

离散选择模型 1. 二元选择模型 离散选择模型研究对象 个体行为选择（individual choice），如是否购买保险，是否就业，选择什么品牌，投票给谁等。 离散选择模型：因变量取值为0，1，2，…的模型 定性选择（qualitative choices），如劳动力参与0表示“否”，1表示“是” 计数数据（count data），如专利数y = 0, 1, 2, … 排序数据（rankings），如对某项法案的态度0表示“强烈反对”、1表示“反对”、2表示“中立”、3表示“支持”、4表示“强烈支持”；数值虽非定性数据，但也仅表示顺序，1和0所表示的结果差异不一定等于3和1之间的差别 分类数据：0表示职员，1表示工程师，2表示律师，3表示教师等等 1. 二元选择模型 二元选择模型（Binary Choice Model） 该模型使用的样本容量为428，实际调查的总样本容量为753，那剩余的325个怎么办？使用这些数据可以建立劳动供给模型 劳动供给模型：模型假定劳动需求方依据劳动力的边际产量确定工资，劳动供给方根据工资是否大于自己的保留工资来确定是否接受工作。劳动的边际产量取决于受教育程度等因素，而保留工资取决于年龄、是否有小孩、其他收入、所得税等因素，有工作的令y=1，没有工作的y=0，使用这些数据可以建立劳动供给的二元选择模型 ln earnings = β1 + β2 age + β3 age2 + β4 education+ β5 kids + ε 1. 二元选择模型 一般分析框架 其中x表示影响个人劳动供给决策的因素，如年龄、婚姻状况、受教育程度、工作经历等，β表示x的变化对劳动供给概率的影响。对此模型，关键在于方程右侧的函数形式的设定 2. Tobit模型 方程形式：F(x, β) = x?β，因为E(y|x) = F(x, β)，所以我们可以构造如下回归模型： y = E(y|x) + (y – E(y|x)) = x?β + ε 这就是Tobit模型，也被成为线性概率模型。 Tobit模型的缺陷：F(x, β)是概率，而x?β的结果很有可能不在[0, 1]区间 为了使预测值F(x, β)位于[0,1]之间，线性概率模型常写成 2. Tobit模型 3. Probit模型和Logit模型 解决Tobit模型缺陷的另一种方法是选择一个函数，使得 Probit模型：采用正态累积分布函数 3. Probit模型和Logit模型 Logit模型：采用logistic分布函数 如果是非对称分布，可以选择的函数形式有 Gumbel模型： 互补双对数模型（complementary log log model）： 4. 隐变量回归模型 个体决策准则：净收益（net profit） y*是不可观测的，可观测的个体选择结果为 5. 边际效应 线性回归模型中，参数反映了解释变量对被解释变量的边际效应，在二元选择模型中参数不再等于边际效应。 Probit模型的边际效应为： Logit模型的边际效应为： 5. 边际效应 显然x对y的边际影响随着x的取值不同而变化，因此，一般有两种计算边际效应的方式：一是在x的均值处计算边际效应；二是计算出x在每一点处的边际效应然后再求平均，这一结果被称为平均偏效应（average partial effects）。 如果解释变量x中含有虚拟变量d，此虚拟变量的边际效应不适合用求导的方法计算边际效应，一般计算公式为： 其中 表示除虚拟变量d之外所有其他变量的样本均值。 6. 二元选择模型的估计 一般估计方法 矩估计（Method of Moments） 极大似然估计（Maximum Likelihood） 矩估计：令总体的前K阶原点矩等于样本的前K阶原点矩，然后联立求解这K个方程即得矩估计量。 例： 为正态总体 的一个随机样本，求均值μ和σ2的矩估计。 极大似然估计（ML）：求使得似然函数取极大值的参数值 似然函数：令(X1, X2, …, XN)是概率密度函数为f(x|θ1, …, θk)的总体的一个随机样本，则似然函数定义为： 例： 为正态总体 的一个随机样本，求均值μ和σ2的极大似然估计。 极大似然估计量的性质 一致性： 渐近正态性 渐近有效性 恒定性：若c(θ0)是一个连续且连续可微的函数，则r0 = c(θ0)的极大似然估计量为 6. 二元选择模型的估计 二元选择模型的似然函数： 或写成 对数似然函数为 6. 二元选择模型的估计 极大似然估计量的协方差矩阵有三种计算方法 一是负的海赛矩阵的逆在ML