第八章虚拟变量模型分析.ppt

第二节 二元概率模型 一、二元Probit模型 二、二元Probit模型参数估计 2.不可重复观测数据的二元Probit模型参数估计 第三节：二元逻辑模型 项目8 虚拟变量模型 【学习目标】 1．知识目标：虚拟变量的含义；虚拟变量作为自变量的方差分析模型、协方差模型；虚拟变量作为因变量的离散选择模型包括线性概率模型；二元概率模型及其参数估计；二元逻辑模型及其参数估计。 2．能力目标：理解虚拟变量的含义；了解虚拟变量分别作为自变量、因变量的模型建立，包括方差分析模型、协方差模型、线性概率模型；掌握二元概率模型及其参数估计；掌握二元逻辑模型及其参数估计。 ◆某旅行社为了提高旅游业务收入，希望通过建立个人旅游支出模型，找出影响个人旅游支出的关键因素，从而作出针对性的旅游宣传。 根据实际经济理论，个人的旅游支出往往与个人的收入、职业、受教育程度、性别等有密切关系，其中职业、教育、性别因素不是我们前面章节常用的定量变量，而是定性变量。职业有教师、工程师、银行职员等，教育程度可以分为大学教育和非大学教育，同样性别因素可以考虑是男是女。将这样的定性变量作为自变量考虑进旅游支出模型，模型如何建立？有怎样的结果和意义？ 在运输经济学中，我们想要预测某人在上下班时是否选择坐公交，这个结果与个人的收入、职业、上班地点与居住处之间的距离、公交费用等诸多因素有关。那么此时我们建立的模型因变量是只有两个可能值的定性变量，即选择坐公交和其他交通工具。对于这样的模型又该如何建立？ 第一节：虚拟变量模型概述 前面我们研究的计量模型无论是因变量还是自变量均为定量变量，是可以被度量的变量，例如收益率、面积、收入、成本、价格等。但是实际运用中所研究的问题往往涉及很多不可被度量的定性变量，比如性别、职业、国籍、受教育程度、健康情况等。这些定性变量可能是某些问题的影响因素，如工薪族的收入常与职业、教育等有关。另外，一些定性变量也可能是需要预测研究的问题，如高中生是否继续接受高等教育；贷款人的贷款申请能否被允许；大学毕业生是否回家乡工作；一项科学研究能否成功等。这些定性变量同定量变量一样可以作为模型的因变量与自变量，本章我们将考虑这种类型模型的建立与参数估计问题。 一、虚拟变量的含义 一个定性变量，它的可能值只有两个，也就是说出现或不出现某种属性。 如性别是男性或女性；受过高等教育或没有接受高等教育；职业是教师或非教师；已婚或未婚；健康或不健康等。如果要将这样的变量加入到计量模型中，首先需要人为地量化定性变量。一般地，用1表示出现某种属性，用0表示没有出现该属性。如对于性别变量，用1表示男性，用0表示女性；或者用1表示受过高等教育，用0表示没有接受高等教育。 那么，像这样取值只为0、1的变量称为虚拟变量或哑变量，并用符号表示，从而与常用符号区别开。我们把赋值为0的一类称为基准类。需要注意的是虚拟变量的赋值是人为的、任意的，根据人们的习惯而定。如前所提到的性别变量，也可以用1表示女性，用0表示男性。 那么对于某些具有大于两个可能值的定性变量，又该如何量化呢？如职业变量的可能取值为教师、工程师或其他职业。这样的多分类定性变量在加入计量模型前，同样需要量化成虚拟变量。但不同的是一个多分类定性变量需要引入多个虚拟变量，引入的虚拟变量个数要比多分类定性变量的分类个数少一。即一个具有个属性的定性变量，需要引入个虚拟变量。如果引入个虚拟变量，这些虚拟变量之间将会产生完全多重共线性。如票选结果有三种分类：赞同、不赞同、弃权，此时需量化成两个虚拟变量，分别为： 变量以弃权为基准类。 【相关链接】构造虚拟变量Eviews6.0软件操作步骤（附图）：1、输入变量名和样本数据如下图，其中包括性别变量“sex”和月收入变量“income”。 2、根据sex变量构造虚拟变量d1，用1表示男性“male”,0表示女性“female”。在命令窗口中输入：series d1=(sex=male)，点击回车键，得到虚拟变量d1。 3、根据income变量构造虚拟变量d2，用1表示月收入大于等于10000元的高收入者,0表示月收入小于10000元的中低收入者。在命令窗口中输入：series d2=(sex=male)，点击回车键，得到虚拟变量d1。 二、虚拟变量作为自变量 在实际经济模型中，因变量不仅会受到定量变量的影响，同时也会受到定性变量的影响。如个人的月支出水平往往受到月收入、性别、职业、婚姻状况等因素的影响，其中月收入为定量变量，性别、职业、婚姻状况为定性变量。可见这些定性变量也是影响因变量的重要因素，所以我们有必要将其量化成虚拟变量后加