第07章离散因变量和受限因变量模型_s.ppt-时间序列分析.ppt

7.3.1 审查回归模型 1．模型的形式 考虑下面的潜在因变量回归模型 (7.3.1) 其中：? 是比例系数；y*是潜在变量。被观察的数据 y 与潜在变量 y* 的关系如下： (7.3.2) 换句话说，yi*的所有负值被定义为0值。我们称这些数据在0处进行了左截取（审查）（left censored）。而不是把观测不到的 yi* 的所有负值简单地从样本中除掉。此模型称为规范的审查回归模型，也称为Tobit模型。 更一般地，可以在任意有限点的左边和右边截取（审查），即 (7.3.3) 其中： ， 代表截取（审查）点，是常数值。如果没有左截取(审查)点，可以设为 。如果没有右截取(审查)点，可以设为 。规范的Tobit模型是具有 和 的一个特例。 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。 7.3.2 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。 7.5.3 估计审查回归模型 1.模型的估计 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。 （1）临界点对所有个体都已知 按照要求在编辑栏的左编辑区（Left）和右编辑区（Right）输入临界点表达式。注意如果在编辑区域留下空白，EViews将假定该种类型的观测值没有被审查。 例如，在规范的Tobit模型中，数据在0值左边审查，在0值右边不被审查。这种情况可以被指定为： 左编辑区： 0 右编辑区： [blank] 而一般的左边和右边审查由下式给出： 左编辑区： 右编辑区： EViews也允许更一般的设定，这时审查点已知，但在观察值之间有所不同。简单地在适当的编辑区域输入包含审查点的序列名字。 （2）临界点通过潜在变量产生并且只对被审查的观测值个体已知 在一些情况下，假设临界点对于一些