[4.4计数数据模型.pptVIP

§4.4 离散计数数据模型Models For Count Data 一、离散计数数据模型的提出 二、计数过程及其分布 三、泊松回归模型 四、负二项分布回归模型 五、零变换泊松模型 2、计量经济学中的离散计数数据模型 以离散计数变量为被解释变量，研究它们的影响因素，构成了计量经济学的一类问题。这类问题的共同特点是：被解释变量观测值表现为非负整数。 假设是Y计数变量，X是一组解释变量，建立如下的经典线性模型： 如果对Y采用对数变换，可以解决非负限制问题。 当y没有上界时，可以采用指数函数模型 被解释变量观测值的非负整数特征，计数数据中零元素和绝对值较小的数据出现得较为频繁，而且离散特征十分明显，以及模型的异方差特征，决定了有必要引进描述非负整数特征的概率分布建立离散计数数据模型。 3、泊松分布（Poisson distribution） 在泊松过程中，标准化时间区间长度为 t=1, 则可以得到参数为λ的标准泊松分布 泊松分布是计数过程最常见的一类分布。 所谓均值和方差相等，指的是，如果对同一个个体，例如某个人一年内到医院就诊的次数，进行无数次重复抽样，得到的计数数据序列的均值和方差相等。 在实际社会经济生活中，所谓“重复抽样”是不可能实现的，只能根据对不同个体的一次抽样得到的序列近似地判断是否服从泊松分布。 5、负二项分布（Negative Binomial distribution） 如果计数过程的均值小于方差，称为分散过度（overdispersion）。 对于这样的计数过程，一般服从负二项分布。 X~NB(α,θ), 0θ1，α0 。 基于回归的分布检验 拉格朗日乘子检验 泊松分布是负二项分布的一种特殊情况，如果对负二项分布的某个参数施加一定的限制条件后，就能够得到泊松分布。 构造LM统计量： 例题： 采用基于回归的检验方法检验被解释变量的均值等于方差，得到回归方程： 6、泊松回归模型的拟合优度检验 由于泊松回归模型的条件均值非线性，且回归方程存在异方差，所以它不能产生类似于经典线性模型中的R2统计量。 提出了若干个替代性的统计量，用以衡量该模型的拟合优度。 G2统计量 用回归方程表示如下： UNPASS = @EXP(210.03152123676*SCORE －0.1039909045*STIME+ 0.1233402396*DSA －0.2315551204*DBODY) 从估计结果发现： 检验拟合优度的统计量的值为0.465，表明模型具有比较好的拟合优度； 检验总体显著性的LR统计量的值为43.39，表明模型具有很高的总体显著性； 通过变量显著性的Z检验发现，理文科虚变量（Dsa）和健康状况虚变量（Dbody）对不及格门数的影响并不显著。 五、零变换泊松模型 被解释变量为零值的产生过程与它取正值的过程差异很大。 例如，1年内到医院就诊的次数 假设1：身体健康的人就诊次数为0，身体不健康的人就诊次数大于0； 假设2：身体健康的人就诊次数为0，身体不健康的人就诊次数一般大于0，但也可能为0。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Poisson回归模型 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 剔除不显著变量 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET