离散选择模型剖析.ppt

Stata中得出多值选择模型个体选择被解释变量每个取值的概率的命令语句格式（1）： predict [type] {stub*|newvars} [if] [in] [,statistic outcome(#,#,…) nooffset] 该预测命令语句中，type表示预测设定新变量的类型，{stub*|newvars}表示预测的新变量名称，if和in表示对检测拟合优度时的条件和范围的设定，outcome表示需要对其指定的类别进行概率预测。如果不设定outcome选项，则需设定k个新变量。如果是预测指数或者指数的标准差，则需设定1个新变量。outcome()中，outcome可以直接用类别的取值，也可以用#1 #2等表示类别的序号，当然也可用数值标签来表示。nooffset表示预测时的约束，statistic的内容主要包括: 预测命令格式（2）： predict [type] {stub*|newvarlist} [if] [in], scores 此命令中type表示预测设定新变量的类型，{stub*|newvarlist}表示预测的新变量名称，if和in表示对检测拟合优度时的条件和范围的设定，score表示对数似然函数对每个方程的一阶导数，第1、2、…、k个变量为对数似然函数对地1、2、3、…、k个方程的一阶导数。 在本实验中，在Stata命令窗口中输入如下命令语句预测brand三个取值的概率然后列出如图9.15的预测结果： predict p1 p2 p3 List 此图可以看出很多时候根据模型预测选择某个品牌的概率最大，但是实际上此个体未选择此品牌，就是预测失败了。若读整个个体选择的概率图，会有一个很明显的结论，年轻的人倾向于选择brand1（选择brand的概率较大），随着年龄增加选择brand2和brand3的概率增加，年龄越大的人倾向选择brand3。 第9讲 离散被解释变量模型 主要内容 1-二值选择模型 2-多值选择模型 第1节 二值选择模型 一 实验基本原理 二 实验内容和数据来源 根据某统计资料，得到美国妇女就业的数据统计集，形成数据文件“womenwork.dta”，用来研究影响美国妇女就业的因素。被解释变量是work（就业work=1，不就业work=0），解释变量是age（年龄），married（婚否），children（子女数），education（教育年限）。完整的数据在本书附带光盘里的data文件夹的“womenwork.dta”工作文件中。 利用以上数据，建立合适模型对就业的影响因素进行计量分析，由于被解释变量取值有两个可以建立二值选择模型来分析问题。 三 实验操作指导 1.建立logit模型分析 （1）使用logit模型回归 Stata中使用logit模型回归的命令语句格式如下： logit y x1 x2 … [if] [in] [weight] [,options] 该命令中logit表示使用logit模型进行回归，相应y表示模型的被解释变量，x表示模型的解释变量，if表示logit的回归条件，in表示回归的范围，weight表示给观测值的加入权重，options的内容如下表所示： 本实验中，在Stata命令窗口中输入如下命令。 use womenwork, clear 输入此命令来打开需要的数据文件。 logit work age education married children 输入此命令对被解释变量为work，解释变量为age、education、married、children的模型使用logit模型进行回归估计。 在这个回归结果图中log likelihood即对数似然值，不断的试错迭代是logit模型的估计方法，在逐步进行回归时，通过比较不同模型的-2LL判断模型的拟合优度，选择取值更小的模型。LR chi2(4)是卡方检验的统计量，也就是回归模型无效假设所对应的似然比检验量；其中4为自由度，Probchi2 是其对应的P值，在这个估计结果显示以p=0显著说明模型的有效性。其实这两个指标与线性回归结果中F统计量和P值的功能是大体一致的。另外结果中的Pseudo R2是准R2，虽然不等于R2,但可以用来检验模型对变量的解释力，因为二值选择模型是非线性模型，无法进行平方和分解，所以没有，但是准衡量的是对数似然函数的实际增加值占最大可能增加值的比重，所以也可以很好的衡量模型的拟合准确度。此logit模型中拟合优度为0.1882。 coef是自变量对应的系数估计值，OLS通过t检验来检验估计量是否显著，logit模型通过z检验来判断其显著性；通过z检验结果可以看到此模型中系数均以p=0显著不为0。 （2）由于估计系数不像线性模型能够表示解释变量的边际效应，所以