虚拟因变量材料.ppt

计量经济学讲义 第八章 第三节:虚拟因变量 定义 离散被解释变量数据计量经济学模型(model with discrete dependent variables ）也称为离散选择模型（discrete choice model DCM) 。 如果被解释变量只有两种选择，称为二元选择模型（binary choice model ，）； 如果有多种选择，称为多元选择模型（multiple choice model）。 背景 离散选择模型起源于Fechner，他于1860年进行动物条件反射研究，1962年Warner首次将它应用于经济研究领域，用以研究公共交通工具和私人交通工具的选择问题。 七八十年代，离散选择模型被普遍应用于经济布局、企业定点、交通问题、就业问题、购买决策等经济决策领域的研究。 模型的估计方法主要发展于20世纪80年代。 例如 例1:公共交通与私人交通工具的选择问题： 取决于两类因素:一类是交通工具具有的属性,如速度、耗费时间 、成本 等；另一类是决策者所具有的属性，如职业、年龄、收入、健康等。 例2：就业问题 ：同样取决于两类因素：一类是该职业本身的属性，如工作环境、工资水平、对求职者的文化专业的要求等；另一类是求职者个体的属性，如年龄、文化专业、对职业的偏好等。 例3：购买决策。（买房、买车、买电脑） § 1 线性概率模型（LPM) § 2 对数单位模型（Logit Model) 用以下方法处理 数据构造 §3 概率单位模型(probit Model) §4 托比（tobit)模型 托比模型是概率的拓展，还是以住房为例，对因变量我们不仅想知道有或是没有，还要问一个消费者相对于其收入花在购房上的金额。出现一个问题：如果一个消费者不买住房就得不到这类消费者的住房支出数据。托比模型就是针对这种情况而言的。 截取样本：仅对某些观测有因变量的信息的样本。 本章小结 对于二元选择模型，应熟练掌握logit回归模型或probit模型。并熟练掌握利用Eviews统计软件进行实证研究，并对回归结果中的参数进行合理解释，会进行拟合优度检验。 课后练习 找一个二元选择模型的例子，用Eviews实现 要求解释回归结果 作拟合优度检验 二、Logit模型与Probit 模型的比较 1、几何形状 Probit Model (概率）：虚曲线 Logit Model (对数）：实曲线 注：Logit Model 的使用要多于Probit Model 因变量也可以是定性变量。这就需要用离散的数据表述。如家庭是否拥有自己的住宅，企业是否在某个地区投资，成年男子是否在“参与劳动”大学生就业、择偶等。 这一节原则上应属于数据类型非经典的高等计量经济学范畴。所以不做重点要求。 1 总和 概率 4、拟和优度 通常情况下，拟和优度不会太高，在0.2至0.6之间。 ………. ………. ………. ………. 对于受约束的LPM(b)一般 不会大，大多数实例 ，当实际的散点非常密集在 点A和B处时， 才会高。 .… …. 20 25 40 … … … 18 60 10 12 50 8 8 40 6 （其中拥有住房的家庭数） (收入以 的家庭个数）