第五章离散选择模型汇总.pptVIP

组，或者一个观测数据的 数值为1，并且属于第2组，就称这个观测数据是分组恰当的，否则就称这个观测数据是分组不恰当的。如果模型估计与实际观测数据比较一致，则大多数的观测数据应该是分组恰当的，反之，如果分组不恰当的观测数据所占的比重很大，说明模型估计与实际观测数据的拟合程度较差，模型需要调整。因此，该方法的思想是利用分组恰当与否，得到观测数据占总样本的比重来检验模型的拟合优度。 2、参数的显著性检验。 对模型中参数的显著性检验，就是决策判断某个解释变量对事件的发生（即选取 ）是否有显著性影响。如果检验结果表明该解释变量对选取 的发生有显著性影响，则认为将该解释变量放入Logit回归模型中是恰当的。否则，需要对模型进行适当的调整。 例 分析某种教学方法对成绩影响的有效性，被解释变量GRADE为接受新教学方法后成绩是否改善，如果改善取1，否则取0；GPA为平均分数；TUCE为测验得分；PSI为是否接受新教学方法，如果接受取1，否则取0。运用EViews软件中Logit模型估计方法得到如下结果 解释。一个解释变量的作用如果是增加对数发生比的话，也就增加了事件发生的概率。具体来讲， Logit模型的系数如果是正的并且统计显著，则在控制其它变量的情况下，对数发生比随对应的解释变量值增加而增加，相反，一个显著的负系数代表对数发生比随对应解释变量的增加而减少。如果系数的统计性质不显著，说明对应解