第八讲二元选择模型分析.pptVIP

二元离散选择模型（Binary Choice Modle 在经典计量经济学模型中，被解释变量通常被假定为连续变量。但经济分析中经常面临需对决策问题，或称选择问题，即人们必须在可供选择的几个方案中做出决策，这就只能用离散的数据来表示。以这样的离散的决策结果作为被解释变量建立的模型称为离散选择模型 DCM, Discrete Choice Model 。 如果被解释变量只能存在两种选择，称为二元选择模型 Binary Choice Model ；如果存在多种选择，称为多元选择模型 Multiple Choice Model 。 离散选择模型起源于Fechner于1860年进行的动物条件二元反射研究。 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。 70、80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80年代初期。 一、二元离散选择模型的经济背景 实际经济生活中的二元选择问题 研究选择结果与影响因素之间的关系。 影响因素包括两部分：决策者的属性和备选方案的属性。 比如，求职者对某种职业的选择问题，取决于两类因素：一是求职者个体所具有的属性，二是该职业本身具有的属性 1、原始模型 对于二元选择问题，可以建立如下计量模型。其中Y为观测值为1和0的决策被解释变量；X为解释变量，包括选择对象具有的属性和选择主体所具有的属性。 左右端矛盾 二、二元离散选择模型 由于存在这两方面的问题，所以原始模型不能作为实际研究二元选择问题的模型。 需要将原始模型变换为效用模型。 这是离散选择模型的关键。 具有异方差性 2、效用模型 作为研究对象的二元选择模型 第i个个体 选择1的效用 第i个个体 选择0的效用 注意，在模型中，效用是不可观测的，人们能够得到的观测值仍然是选择结果，即1和0。 很显然，如果不可观测的U1 U0，即对应于观测值为1，因为该个体选择公共交通工具的效用大于选择私人交通工具的效用，他当然要选择公共交通工具； 相反，如果不可观测的U1≤U0，即对应于观测值为0，因为该个体选择公共交通工具的效用小于选择私人交通工具的效用，他当然要选择私人交通工具。 3、最大似然估计 欲使得效用模型可以估计，就必须为随机误差项选择一种特定的概率分布。 两种最常用的分布是标准正态分布和逻辑（logistic）分布，于是形成了两种最常用的二元选择模型—Probit模型和Logit模型。 最大似然函数及其估计过程如下： 标准正态分布或逻辑分布的对称性 似然函数 在样本数据的支持下，如果知道概率分布函数和概率密度函数，求解该方程组，可以得到模型参数估计量。 1阶极值条件 1、标准正态分布的概率分布函数 三、二元Probit离散选择模型及其参数估计 2、重复观测值不可以得到情况下二元Probit离散选择模型的参数估计 这里所谓“重复观测值不可以得到”，是指对每个决策者只有一个观测值。如果有多个观测值，也将其看成为多个不同的决策者。 上式是关于参数的非线性函数，不能直接求解，需采用完全信息最大似然法中所采用的迭代方法。 例 贷款决策模型 分析与建模：某商业银行从历史贷款客户中随机抽取78个样本，根据设计的指标体系分别计算它们的“商业信用支持度”（CC）和“市场竞争地位等级”（CM），对它们贷款的结果（JG）采用二元离散变量，1表示贷款成功，0表示贷款失败。目的是研究JG与CC、CM之间的关系，并为正确贷款决策提供支持。 样本观测值 CC XY CM SC 该方程表示，当CC和CM已知时，代入方程，可以计算贷款成功的概率JGF。例如，将表中第19个样本观测值CC 15、CM －1代入方程右边，计算括号内的值为0.1326552；查标准正态分布表，对应于0.1326552的累积正态分布为0.5517；于是，JG的预测值JGF 1－0.5517 0.4483，即对应于该客户，贷款成功的概率为0.4483。 输出的估计结果 模拟预测 预测：如果有一个新客户，根据客户资料，计算的“商业信用支持度”（CC）和“市场竞争地位等级”（CM），代入模型，就可以得到贷款成功的概率，以此决定是否给予贷款。 1、逻辑分布的概率分布函数 四、二元Logit离散选择模型及其参数估计 B?rsch-Supan于1987年指出:如果选择是按照效用最大化而进行的，具有极限值的逻辑分布是较好的选择，这种情况下的二元选择模型应该采用Logit模型。 二元Logit回归模型常见形式： 当Xj变化1个单位时，“成功”的概率Pi的变化量为Pi（1-Pi ?j 边际效应） 2、重复观测值不可以得到情况下二元logit离散选择模型的参数估计