多元选择模型描述.ppt

* 4．产生残差序列 选择Proc/Make Residual Series产生广义残差序列，输入一个名字或用默认的名字，然后单击OK按钮。一个排序模型的广义残差由下式给出： 其中：c0 = - ? ，cM+1 = ? 。 * 三、计数模型 在计数模型中，因变量为某事件发生的次数。 例1：学生在校期间取得优秀成绩的课程数 例2：年内农户家庭外出就业的劳动力数 例3：家庭生育的小孩数 计数模型虽然可以使用最小二乘法估计，但由于因变量存在下限0，并且其取值为离散的，因而能够考虑这些特点的估计方法有助于改善估计结果。 实践中Poisson回归模型应用较为广泛。 Poisson模型的弱点是误差分布的均值等于方差。 * 计数模型 Poisson回归模型假定观察值Yi来自于由某个Poisson分布抽取的样本，该分布的参数为?i，其数值取决于解释变量xi。 模型形式为： 通常将?i表示为对数线性函数形式： 根据Poisson,每个时期事件发生次数的期望值为： 因而有： 计数模型 Poisson回归模型是一个参数非线性模型，可以用NLS方法估计； 但用ML方法估计也非常简便，似然函数为 若我们认为Poisson回归模型关于均值与方差相等的约束不合理，那么应选择其他统计分布。 * 举例：计数模型估计 研究轮船发生事故的次数与轮船的特征属性、运行时间之间的关系。因变量 y 表示平均每月轮船发生事故数。解释变量是轮船特征属性，包括轮船类型、建造时间、使用时期等。轮船类型有5种，分别用x1～x5表示，4个建造时间，分别用y1～y4表示，z1、z2表示两个使用时期，da表示运行时间。 本例数据符合计数模型的条件，故采用泊松模型建模。注意到定性数据较多，为防止多重共线性，在引进虚拟变量时，需要人为地去掉一个。例如，轮船类型有5种x1～x5，去掉x1，在模型中只用其余4个变量x2～x5;同样, 4个建造时间y1～y4，在模型中只用其余3个变量y2～y4;两个使用时期在模型中只用z2。模型如下： * 1. 计数模型估计： 选择Quick→ Estimate equation →Count 在随后出现的窗口中给出模型设定、估计方法选择、样本区间和其他选项。 按OK后得到估计结果。 基于不同误差分布，EViews提供了5种计数模型估计方法： Poisson[ML and QML]； Exponential[QML]； Normal/NLS[QML]； Negative binomial[ML]； Negative binomial[QML]。 从上面的5种计数模型中选择一种，并且对于Negative binomial[QML]模型需要指定一个值作为固定的方差参数。前4种方法对应4种因变量的分布，分别为泊松分布、负二项分布、指数分布和正态分布。 * 计数模型的估计对话框 * 写成方程如下： z =(-6.41) (-1.29) (-2.26) (-0.46) (1.13) (4.31) (4.28) (1.5) (3.13) （8.87） 轮船类型对事故发生有影响，如类型是x5的系数是正的，会使事故发生的可能增加；建造时间y2～y4的系数基本是递减的，表明建造时间越长，则发生事故的可能越大；使用时期z2也对事故发生产生很大影响，使用时间越长，则发生事故的可能越大；运行时间ln(da) 的系数是0.9，表明运行时间每增加1%，则发生事故数量会增加0.9%，因此对发生事故有显著的影响。 2. 模型的预测与产生残差 选择Forecast可以预测因变量 ? 和线性指标(xb)，b是参数? 的估计值，二者的关系为 ? = exp(xb)。选择Proc/Make Residual Series，可以产生计数模型的3种类型残差。 * 在上面的编辑区域，列出被解释变量和解释变量。必须通过列表形式指定计数模型。模型的形式如方程： 在Options标签中，可以根据需要改变缺省估计的运算法则、收敛准则、初始值和计算系数协方差的方法。 * 第十章 多元选择模型 (Multiple-choice models) * 本章内容 一、无序多元选择模型 二、有序因变量模型(Ordered data) 三、计数模型(Count data) * 一