第15章定性响应回归模型分析.pptVIP

若L，即 Logit，是正的，这意味着当回归元的值增加时，回归子等于1的机会增加。若L为负，随着X的值增加，回归子等于1的机会减小。 (15.5.6)中给出的 Logit 模型的解释如下： 斜率β2度量了随着X每单位变化的L的变化，也就是说，它说明了随着收入变化一个单位，比如1000美元，拥有住房的对数-机会比率是怎样变化的 截距β1是收入为零时拥有住房的对数-机会比率的值。 关于泊松回归模型拟合函数的解释 非群组或个体数据的 probit 模型 方法：MLE Eviews 的结果在P613，表15.13 自己动手试试看 区别： 第一，几何图形上的区别： P614，Figure 15.6 第二，估计系数：不具有直接的可比性 §15.10 Logit 模型和 Probit 模型的 比较 雨宫（Amemiya）建议： 不含截距项时  含截距项时 Tobit 模型是 Probit 模型的一个扩展，它最先由诺贝尔经济学家詹姆斯·托宾提出。 我们继续讨论住房所有权的例子。 在 Probit 模型中，我们所关心的是拥有一间房屋的概率，它是一些解释变量的函数。 §15.11 Tobit 模型 在 Tobit 模型中，我们的兴趣是弄清一个家庭在房屋上的花费，这与社会经济变量有关。 现在我们面临着一个困境： 如果消费者不买房，显然，我们没有这一类消费者在房屋上的花费的数据； 只有当消费者真正购买了一所房子，我们才有此类数据。 因此，消费者被分为两个组： 一组由n1个消费者组成，我们有关于他们的回归元（即，收入、债券利息率、家庭中的人数）和回归子（即，在购房上花费的费用数据）的信息。 另一组由n2个消费者组成，关于他们我们只有回归元的信息而无回归子的信息。 一个回归子信息只对某些观测可得（对其他观测的回归子的信息不可得）的样本叫做截距样本（censored sample）。 因此，Tobit 模型也被认为是截取回归模型。一些作者把这样的模型称为限值因变量模型（limited dependent variable regression model）。 我们可以把 Tobit 模型表达为： 如果 RHS 0 其他 RHS = 右手侧 问：能不能只用n1个观测值来估计回归(15.11.1)？ 答：不行，因为参数的OLS估计值是有偏误的，并且是非一致的。 Tobtit 模型的参数估计方法：MLE 参见 Greene(1993)：Econometrics Analysis 例：P618 费尔的婚外恋模型 （Journal of Political Economy， 1998) 问： 请试着分析在费尔的模型中，我们将会使用那些回归元？ 在许多现象中回归子是计数型的（count data)，如： 一个企业每年所取得的专利数； 一个医生每年所接待的顾客； 在一段时间内通过一个收费站的车辆数； …… §15.12 对计数数据建模：泊松回归模型 问：那种概率分布使用于计数数据？ 答：泊松概率分布。 （Poisson probability distribution） 问：应该如何构建这个模型？ 试试看 下面给出了泊松概率分布的PDF： 其中 f(Y) 代表变量 Y 取非负整数值的概率。 问： 可以证明： 注意：泊松分布的方差和均值是一样的。 泊松回归模型可以写成： 其中诸Y独立分布。 μi 表达如下：（注意书中的表达式存在错误） 其中诸X是可能会影响均值的变量。 例如，Yi 是某一年份中参观博物馆的游客数。 问：X应该是哪些？ 变量X可能是： 消费者的收入， 门票价格， 离博物馆的距离， 停车费，等等。 出于估计的目的，我们将模型写成： 问：模型本质上是线性的还是非线性的？ 答：非线性，需要用到非线性