第十章_定性选择模型与受限因变量模型分解.ppt

第十章 定性选择模型和受限因变量模型 二、线性概率模型的估计和问题 第一个问题是线性概率模型存在异方差性。扰动项的方差是 ，这里 p 是因变量等于1的概率，此概率对于每个观测值不同，因而扰动项方差将不是常数，导致异方差性。可以使用WLS法，但不是很有效，并且将改变结果的含义。 第二个问题是扰动项不是正态分布的。事实上，线性概率模型的扰动项服从二项分布。 第三个问题，它假定自变量与Y 1的概率之间存在线性关系，而此关系往往不是线性的。 第二节 Probit模型和Logit模型 虽然估计和使用线性概率模型很简单，但存在上面讨论的几个问题，其中最严重的两个问题是拟合值小于0或大于1的问题和假定自变量和的概率之间存在线性关系的假设不现实的问题。使用更为复杂的二元响应模型可以克服这些缺陷 二、Probit模型和Logit模型的极大似然估计和假设检验 估计LPM，我们可以采用OLS或WLS。在Probit模型和Logit模型中，由于的非线性性质，OLS或WLS都不再适用。估计Probit模型和Logit模型，通常采用极大似然法。 极大似然估计量（MLE）即由极大化此对数似然函数得到。对于logit模型，G是标准logistic cdf，是logit估计量；对于probit模型，G是标准正态cdf，是probit估计量。 由于此最大化问题的非线性性质，我们很难写出Probit模型和Logit模型的参数的极大似然估计量的具体表达式。可以证明，在很一般的条件下，MLE是一致的、渐近正态和渐近有效的 一般性讨论参见Woodridge（2002））。 伴随每一个极大似然估计值，有一个与之对应的标准误差。支持Probit和Logit的软件包在给出系数估计值的同时会给出与之对应的标准误差。一旦我们从软件包的报告中得到了标准误差，就可以构造（渐近的）t检验和置信区间，与应用OLS、2SLS估计量做检验时一样。例如要检验，我们做法是，构造t统计量，然后按通常的检验程序进行检验。 我们也可以对Probit模型和Logit模型的参数的多重约束 即关于的多个线性或非线性约束 进行检验，可以采用沃尔德检验、拉格朗日乘数检验和似然比检验，详细讨论见第4、5章有关内容。 三、偏效应 在二元响应模型的大多数应用中，首要的目标是解释 对响应概率 的影响。在潜变量模型中，对潜变量的偏效应是，我们下面将看到对响应概率的偏效应是 ，对正态分布和logistic分布而言，总有， 因而上述两个效应的符号相同，影响的方向总是一致的。 潜变量极少有一个确定的度量单位，因而本身的大小，往往不是很有用的（相对于线性概率模型而言）。对于大多数应用而言，我们要估计的是解释变量对响应概率的影响。由于的非线性本质，使得这个工作相当复杂，通常需要区分为连续变量和离散变量两种情况。 （1） 如果是一个大致连续的变量，则 无论Probit模型还是Logit模型，对响应概率的偏效应都在 处取最大值： 在Probit模型中， ； 在Logit模型中， （2） 对于离散解释变量，微分没有实际意义。若离散解释变量从变化到，则其对响应概率的离散偏效应可由下式表示 与LPM模型相比，偏效应的值多出一个乘积项，称为比例因子（scale factor）或调整因子（adjustment factor），它与全部解释变量有关，因而会随的值而变。在计算偏效应时，为方便起见，通常希望有一个适用于模型中所有斜率的比例因子。有两种方法解决这个问题： 第一种方法是用解释变量观测值的均值计算偏效应的表达式，比例因子为 第二种方法是对每个观测值计算偏效应，然后计算它们的样本均值，这样得到的是平均偏效应（average partial effect, APE）。 四、拟合优度的测度 从实际角度看，在现代计算机解决了复杂的计算问题之后，Probit和Logit模型最困难之处就落在模型结果的提供和解释方面。支持Probit和Logit的软件包都会报告系数估计值、它们的标准误差和对数似然函数值。 如同在线性概率模型中讨论的一样，Probit模型和Logit模型也可以计算正确预测的百分比这一指标作为拟合优度的测度。首先，我们将每一预测归类为1或0。如果拟合值大于等于0.5，则认为因变量的预测值为1。若小于0.5，则认为因变量的预测值为0。然后，将这些预测值与实际发生的情况相比较，计算出正确预测的百分比。 尽管正确预测的百分比作为拟合优度的测度是有用的，但它也可能造成误导，特别是在对小可能结果的预测非常糟糕的情况下仍能得到相当高的正确预测的百分比。例如，假设n＝200，160个观测值为，这160个观测值中，有140个预测值也是0，即使对于的那40个观测值的预测都错，正确预测全部结果的百分比仍高达70％！ 度量Probit和L