第七章虚拟变量.docVIP

第七章虚拟变量 第一节 虚拟变量的引入 什么是虚拟变量 前面几章介绍的解释变量都是可以直接度量的，称为定量变量。如收入、支出、价格、资金等等。但在现实经济生活中，影响应变量变动的因素，除了这些可以直接获得实际观测数据的定量变量外，还包括一些无法定量的解释变量的影响，如性别、民族、国籍、职业、文化程度、政府经济政策变动等因素，他们只表示某种特征的存在与不存在，所以称为属性变量或定性变量。 属性变量：不能精确计量的说明某种属性或状态的定性变量。 在计量经济模型中，应当包含属性变量对应变量的影响作用。那怎么才能把定性变量包括在模型中呢？属性变量通常是非数值变量，直接纳入回归方程中进行回归，显然是很困难的。 为此，人们采取了一种构造人工变量的方法，将这些定性变量进行量化，使其能与定量变量一样在回归模型中得以应用。 由于定性变量通常是表明某种特征或属性是否存在，如性别变量中以男性为分析基础的话，那就只有男性、非男性；政策变动变量中以政策不变为基准，则有政策不变，和政策变动；至于有两种以上的状态的话，比如学历分高中，本科，本科以上等等，我们又怎么办呢 ？把疑问留到后面去解决。既然定性变量只有存在或不存在两种状态，所以量化的一般方法是取值为0或1。称为虚拟变量。 虚拟变量：人工构造的取值为0或1的作为属性变量代表的变量。一般常用D表示。 D=0，表示某种属性或状态不存在 D=1，表示某种属性或状态存在 比如前面说的性别变量，以男性为基准，则当样本为男性时，虚拟变量取0，当样本为女性时，则虚拟变量取1。 当虚拟变量作为解释变量引入计量经济模型时，对其回归系数的估计和统计检验方法都与定量解释变量相同。 虚拟变量的作用 作为属性因素的代表，如，性别、种族等 作为某些非精确计量的数量因素的代表，如：受教育程度、年龄段等； 作为某些偶然因素或政策因素的代表，如战争、911等。 时间序列分析中作为季节（月份）的代表（比如对某些明显有淡季、旺季之分的产品） 分段回归，研究斜率、截距的变动； 比较两个回归模型； 虚拟应变量概率模型，应变量本身是定性变量（比如你研究某产品的购买率，应变量本身就是买或不买） 虚拟变量的设置规则 1、虚拟变量D取值为0，还是取值为1，要根据研究的目的决定。D取值为0的类型，是基础类型，是比较的基准。不如前面说的性别变量，如果你研究是以男性为研究基准，则样本为男性，D取值为0， 2、避免落入“虚拟变量陷阱”。 当一个定性变量含有m个相互排斥的类型时，应向模型引入m—1个虚拟变量。比如“性别”含男性和女性两个类别，所以当性别作为解释变量时，应向模型引入一个虚拟变量。取值方式是：D=1（男性）、D=0（女性）或D=0（男性）、D=1（女性） 而当“学历”含有四个类别时，即大学、中学、小学、无学历。当“学历”作为解释变量时，应向模型引入三个虚拟变量。一种取值方式是： 1 （大学） 1（中学） 1（小学） D1= 0 （非大学） D2 = 0（非中学） D3= 0（非小学） 所谓的“虚拟变量陷阱”就是当一个定性变量含有m个类别时，模型引入m个虚拟变量，造成了虚拟变量之间产生完全多重共线性，无法估计回归参数。 在m-1个虚拟变量中，虚拟变量可以同时取值为0，但不能全部取值为1。 3、当定性变量含有m个类别时，不能把虚拟变量的值设为D=0（第一类） D=1（二类）D=2（三类）等等。 回归模型中可以只有虚拟变量作解释变量，也可以用定量变量和虚拟变量一起作解释变量。另外，虚拟变量还可以作被解释变量。 第二节 虚拟解释变量的回归 虚拟变量的引入，可以影响模型的截距，也可以影响斜率，还可以同时影响截距和斜率。因此，加入虚拟解释变量的途径有两种基本类型：一是加法类型，二是乘法类型。不同的引入途径对计量经济模型有不同的影响。 加法类型：改变模型的截距 所谓的加法类型引入虚拟变量，就是虚拟变量与其他解释变量在设定模型中是相加关系。在所设定的计量经济模型中，根据所研究问题中定量变量的影响作用，按照虚拟变量的设置规则，直接在所设定的计量经济模型中加入适当的虚拟解释变量。 比如：Y=a0+a1D1+a2D2+βX+u 就是以加法形式引入的虚拟变量。 加法形式引入虚拟解释变量，其作用是改变了设定模型的截距水平。 定性因素所包含的属性类别m的多少，决定了引入虚拟解释变量个数的多少，同时也决定了所设模型的不同性质。下面分三种主要情形对加法形式引入虚拟变量的情形进行讨论。 解释变量包含一个分为两种属性类型的定性变量的回归 如Y=a0+a1D+βX+u D=0 （基础类型）D=1（其他类型） 则基础类型：E（Y）=a0+βX