离散选择模型解析.ppt

Tobit回归的结果如下： * * 结果表示：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：CC=15、CM=－1代入方程右边，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。 二、非群组数据的Probit估计 仍然以前面新的教学方法与学生成绩之间的关系为例： 如果学生期末成绩为A，则记为被解释变量PJ=1，如果期末成绩为B或者C或者更低，则记为被解释变量PJ=0。 考虑使用的解释变量为：学生的平均学分GPA 学生在期初时的成绩PRES 是否使用新的教学方法（1，是；0，否） 用Logit回归的结果如下： 用Probit回归的结果如下： 由于要考察新的教学方法TAN对学生成绩的影响，现在求概率函数对TAN的导数： 带入各解释变量的均值，得到： 查标准正态分布表可知：-0.6212处的标准正态密度约为0.3292，将该值乘以斜率系数的估计值1.1281，得到0.3713，也就是说，接受新的教学方法的学生得到A的可能性比未接受新教学方法的学生高37.13%。 三、Ordered-Probit估计 当被解释变量为有序的分类变量时，或者，分类的个数超过两个的时候，我们需要用Probit模型去进行估计，具有这样特征的Probit模型就是Ordered-Probit模型。 比如，因变量为： 与一般的Probit模型一样，我们需要设定一个状态变量或者效用函数，使之具有如下特征： 或者写成向量的形式： ui为标准正态分布的随机误差项： 被解释变量和效用函数之间的关系定义如下（以3种分类为例）： 因为 ，这种关系也可以写成： ui的概率密度为： 与一般的Probit模型一样，解释变量X的变化对事件发生概率的边际影响为： 很明显：P(Yi=0)的导数与系数β符号相反；P(Yi=2)的导数与系数β符号相同；P(Yi=1)的导数的符号则不确定，它取决于密度函数 和 的大小比较。 例：居民的幸福感与居民收入差距之间的关系 本例中幸福感( HAPPINESS) 在数字1 到 5 之间变化，具体表达式如下: HAPPINESS = 1， 如果 HAPPINESS ≤ C1 非常不幸福 HAPPINESS = 2， 如果 C1＜HAPPINESS ≤ C2 不幸福 HAPPINESS = 3， 如果 C2＜HAPPINESS ≤ C3 一般 HAPPINESS = 4， 如果 C3＜HAPPINESS ≤ C4 幸福 HAPPINESS = 5， 如果 C4 ＜ HAPPINESS 非常幸福 居民收入差距用基尼系数来衡量 样本的基本情况： 变量之间的相关性： 可见，不管样本来自于城市还是农村，其基尼系数与居民之间的幸福感都呈现负相关关系，基尼系数越大，居民的幸福感越低 。因此，随着收入差距的拉大，居民幸福感就会降低， 但农村居民基尼系数与幸福感之间的负相关关系并不显著。 解释变量主要有以下四类: 个体特征变量( personal):包括性别( sex)、 年龄(age)、 宗教信仰( religion) 、工作状况( job) 、受教育程度( education) 和婚姻状况( marital); 收入变量( income):用样本家庭全年总收入( family－ income) 衡量; 收入差距变量( inequality)，用基尼系数( gini) 衡量; 满意度变量(satisfaction)，包括家庭经济状况满意度， 家庭关系满意度 人际关系满意度 个人健康状况满意度 住房状况满意度 社区满意度以及工作满意度， 分别用 satisfaction1－ 7 表示。 具体的模型设定如下: happiness= f (personal ， income ， inequality ， satisfaction) 其中收入变量取其对数值 回归的结果如下： 略 tobit回归分析 Tobit模型是Probit模型的一个扩展，最先