离散因变量和受限因变量模型幻灯片.ppt

2．审查回归模型的极大似然估计 与前边介绍的几个模型类似，可以采用极大似然法估计审查回归模型的参数，对数似然函数为 (7.3.4) 求式(7.3.4)的最大值即可得参数? , ? 的估计。这里f , F分别是u的密度函数和分布函数。 特别地，对于Tobit模型，设u～N(0,1)，这时对数似然函数为 (7.3.5) 式(7.3.5)是由两部分组成的。第一部分对应没有限制的观测值，与经典回归的表达式是相同的；第二部分对应于受限制的观测值。因此，此似然函数是离散分布与连续分布的混合。将似然函数最大化就可以得到参数的极大似然估计。 例7.3 审查模型的实例 本例研究已婚妇女工作时间问题，共有50个调查数据，来自于美国国势调查局[U.S.Bureau of the Census(Current Population Survey, 1993)]，其中y 表示已婚妇女工作时间， x1～ x4分别表示已婚妇女的未成年子女个数、年龄、受教育的年限和丈夫的收入。只要已婚妇女没有提供工作时间，就将工作时间作零对待，符合审查回归模型的特点。 （二） 截断回归模型 截断问题，形象地说就是掐头或者去尾。即在很多实际问题中，不能从全部个体中抽取因变量的样本观测值，而只能从大于或小于某个数的范围内抽取样本的观测值，此时需要建立截断因变量模型。例如，在研究与收入有关的问题时，收入作为被解释变量。从理论上讲，收入应该是从零到正无穷，但实际中由于各种客观条件的限制，只能获得处在某个范围内的样本观测值。这就是一个截断问题。截断回归模型的形式如下： （7.3.7） 其中：yi 只有在 时才能取得样本观测值， ,为两个常数。 对于截断回归模型，仍然可以采用极大似然法估计模型的参数，只不过此时极大似然估计的密度函数是条件密度。 （三） 估计审查回归模型 1.模型的估计 为估计审查模型，打开Equation对话框，从Equation Specification对话框所列估计方法中选择CENSORED估计方法。在Equation Specification区域，输入被审查的因变量的名字及一系列回归项。审查回归模型的估计只支持列表形式的设定(图7.5)。 图7.5 审查模型的估计对话框 * * 第七讲 离散因变量和受限因变量模型 通常的经济计量模型都假定因变量是连续的，但是在现实的经济决策中经常面临许多选择问题。人们需要在可供选择的有限多个方案中作出选择，与通常被解释变量是连续变量的假设相反，此时因变量只取有限多个离散的值。例如，人们对交通工具的选择：地铁、公共汽车或出租车；投资决策中，是投资股票还是房地产。以这样的决策结果作为被解释变量建立的计量经济模型，称为离散被解释变量数据计量经济学模型（models with discrete dependent variables），或者称为离散选择模型(discrete choice model, DCM)。 在实际中，还会经常遇到因变量受到某种限制的情况，这种情况下，取得的样本数据来自总体的一个子集，可能不能完全反映总体。这时需要建立的经济计量模型称为受限因变量模型（limited dependent variable model)。这两类模型经常用于调查数据的分析中。 一 二元选择模型 在离散选择模型中，最简单的情形是在两个可供选择的方案中选择其一，此时被解释变量只取两个值，称为二元选择模型（binary choice model）。在实际生活中，我们经常遇到二元选择问题。例如，在买车与不买车的选择中，买车记为1，不买记为0。是否买车与两类因素有关系：一类是车本身所具有的属性，如价格、型号等；另一类是决策者所具有的属性如收入水平、对车的偏好程度等。如果我们要研究是否买车与收入之间的关系，即研究具有某一收入水平的个体买车的可能性。因此，二元选择模型的目的是研究具有给定特征的个体作某种而不作另一种选择的概率。 为了深刻地理解二元选择模型，首先从最简单的线性概率模型开始讨论。线性概率模型的回归形式为： （7.1.1） 其中：N是样本容量；k是解释变量个数；xj为第j个个