离散选择模型分析剖析.pptVIP

第8章 离散选择模型分析 第一节 离散选择模型概述 特殊因变量数据模型 第二节 离散因变量模型 例 4—1 例4－3 两元选择模型和多元选择模型 两元选择模型 (1) 线性概率模型(linear probability model, 简称LP模型) 线性概率模型存在的二个问题 (2) Probit 模型 (3) Logit 模型 第三节 两元选择模型：Probit 和Logit 模型 例4-4 最大似然估计(the method of maximum likelihood) 牛顿法（Newton’s method） 二、Logit 模型 似然方程组 Logit 模型的牛顿法 预测 第四节 离散因变量模型设定的检验 一、模型系数的检验 1 单个系数的检验 2 多个参数的检验 Wald 检验 (2) 对数似然比检验(log-likelihood ratio test) 回归元单位变化的边际效应 边际效应给出了自变量的边际变化引起事件发生概率的变化。 偏效应 （1）如果解释变量是一个连续型变量，那么他对p(x)=p(y=1|x)的偏效应可以通过求下面的偏导数得出来： 偏效应的符号和该解释变量对应的系数的符号一致；两个解释变量偏效应之比等于它们各自的估计系数之比。 （2）如果解释变量是一个离散性变量，则 从 变化到 +1时对概率的影响大小为： 第五节 离散因变量模型应用举例 表 4-1 第七节 截取模型：Tobit 模型 一、Tobit模型概述 条件期望 二、Tobit 模型的估计 最大似然估计 例4.1 研究新的经济学教学方法的效果。因变量 y 表示采用了一种新的经济学教学方法后学生在一次测验中分数是否改善，自变量 分别表示学生的平均分数、预测验分数和是否接受新教学法。 学习效果分析的数据 在经济分析中，有时因变量的数据受限制，从而只能取得部分因变量数据。实际上tobit模型是probit模型的推广，（tobit意即Tobin的probit）；在严格为正值的时候大致连续，但是有相当部分取值为0。 例4－4 研究某耐用消费品的需求时，如果一个家庭不购买这种耐用消费品，则用于该耐用消费品的支出 y =0。因而，实际上得到的只是购买数据，而不是需求数据，这种数据称为截取数据。即当消费品的需求量转换为销售量时，数据被截取。 截取模型就是讨论如何利用审查数据分析该耐用消费品的需求。截取模型只是观测不到被解释变量； (4-68) 通常把审查回归模型称为 Tobit 模型，基本形式为 其中假定 相互独立，且服从正态分布 ，y 和 x 可观察，但当 时 不可观察。 若 若 (4-69) 从而审查数据的分布为离散分布与连续分布的复合体。于是 根据上述假设，则 ，从而 其中 一般回归分析中的因变量为数值型变量，通常是连续变量。但 有时也会遇到一些特殊的因变量。 (1)因变量为离散变量，或为非数值型变量(分类变量或顺序变 量)。 (2)因变量为连续变量，但变量的取值范围受限制。 上述这两类数据称为特殊因变量数据。 特殊因变量的回归模型，称为特殊因变量模型，按数据不同主要有如下两类： (1)离散因变量模型(discrete dependent model)：因变量为离散变量或非数值型变量。 (2)截取模型(Tobit model)：因变量为连续变量，但因变量的取值范围受限制。 若样本数据抽自总体分布的某一规定部分时，称为截断数据，相应的回归模型称为截断回归模型。这种模型在实际中应用很少。 本章讨论离散因变量模型和截取回归模型。 前二章讨论的回归模型，因变量都是连续变量，如产量、收入 和价格等。但在许多的实际问题中，所研究的因变量是离散的，或 是非数值型。对于这一类因变量，古典的回归分析方法已不完全适 用。 (4-1) 一家公司的人事部门研究高级人才是否接受招聘与招聘条件(如薪金、福利和工作环境等)关系。若招聘对象是否接受用 y 表示，则 y 为虚拟变量 即 y 可划分为两个类别，分别用 1 和 0 表示。 否则 接受 研究交通工具的选择与影响选择的因素的关系时，用 y 表示选择类型，则 (4-4) 则定性变量 y 划分为四个类别。 自行车 公交车 出租车 地铁 离散因变量是指因变量只有有限多个类别或有限多种取值。当因变量只有两个类别或两种取值时，这种离散因变量