虚拟变量回归模型.pptVIP

6.8 线性概率模型(LPM)－因变量为虚拟变量 斜率系数B2解释为X单位变动引起的Y＝1概率的变化。根据(6.20)得到的Yi的估计值就是预测Y＝1的概率，b2是B2的估计值。 Yi = B1 + B2*Xi + ui (6.20) 当Y是二分变量时，如果按照上述理解来解释回归方程(6.20)，那么能否认为OLS估计合适呢？我们必须回答四个必须回答的问题。 6.8 线性概率模型(LPM)－因变量为虚拟变量 （1）虽然Y取值为1或0，但无法保证Y的估计值介于0，1之间，实际上Yi可能为负或大于1； （2）由于Y是一个二分变量，所以误差项也是一个二分变量。也即是ui服从正态分布的假定不成立，而是服从二项概率分布； （3）可以证明误差项是异方差，而古典线性回归模型一直假定误差项是同方差的； （4）由于Y仅仅取值0 和1，所以R2无实际意义。 ^ 6.8 线性概率模型(LPM)－因变量为虚拟变量 回答上述四个问题： （1）Y的估计值Yi可能为负或大于1，实践中，如果Y的估计值为负，则取0；如果Y的估计值大于1，则取1； （2）如果样本容量足够大，二项分布收敛于正态分布。即ui服从正态分布的假定在大容量下可认为是成立的； （3）关于误差项是异方差的情形，以后讨论； （4）由于Y仅仅取值0 和1，所以R2无实际意义。本身无意义的东西不去讨论。 ^ 6.8 线性概率模型(LPM)－因变量为虚拟变量 回过头来需要仔细讨论LPM模型： Yi = B1 + B2*Xi + ui (6.20) 其主要问题是： 它假设了概率随X值线性变化，即X始终保持恒定的递增效应。因此，如果Y表示房屋所有权，X表示收入，则LPM假设了无论X＝1000或X＝10000，随着X的增加，Y的概率都线性增加。事实上，预期Y＝1的概率随X是非线性增加的。 在收入水平较低时，一个家庭不可能拥有自己的房子，但对于收入水平相对较高的家庭，他们已经拥有住房。收入超过了这个水平，再增加收入对拥有住房的概率没太大影响。 6.8 线性概率模型(LPM)－因变量为虚拟变量 应用例1的数据建立了一个LPM模型，反映房贷于收入的关系： Yi＝－0.9456＋0.0255Xi t ＝ (-7.6984) (12.5153) R2=0.8047 回归模型解释如下：收入每增加1美元，获得房贷的概率大约0.0255。截距值没有实际意义。需要特别注意的是LPM模型的R2。本例中R2值较高，但并不表示有重要的意义。因为如果观察值比较集中地聚集在0或1附件，就会得到一个较高的R2值。 显然获得房贷的概率随收入水平以固定增速0.0255线性增加，解释不妥。 ^ 虚拟变量回归模型类型 二分定性变量回归模型 定性变量＋定量变量回归模型 多分定性变量回归模型 多个定性变量的交互模型 定性变量与定量变量的交互模型 因变量为定性变量回归模型 6.9 总结 6.9 总结 注意虚拟变量适用条件： 回归模型包含了一个常数项，那么虚拟变量的个数必须比每个定性变量的分类数少一； 虚拟变量系数的解释与基准类有关； 若模型包含多个定性变量，而且每个定性变量有多种分类，引入模型虚拟变量将消耗大量的自由度，避免虚拟变量的个数超过样本观察值的个数。 精品课件资料分享 SL出品 计量经济学讲义 * 安徽大学经济学院 虚拟变量回归模型 安徽大学经济学院 计量经济学讲义 6.1 虚拟变量回归模型－引入 男女食品消费支出差异分析－例1（支出、收入单位为美元） 年龄 女性食品支出 女性收入 男性食品支出 男性收入 25 1983 11557 2230 11589 25-34 2987 29387 3757 33328 35-44 2993 31463 3821 36151 45-54 3156 29554 3291 35448 55-64 2706 25137 3249 32998 65 2217 14952 2533 20437 问题:难以用性别作为解释变量，不易描述问题。 6.1 虚拟变量回归模型－引入 男女食品消费支出差异分析: 年龄 食品支出 收入 性 别 25 1983 11557 1 25-34 2987 29387 1 35-44 2993 31463 1 45-54 3156 29554 1 55-64 27