计量经济学前沿第七讲—限制因变量模型与估计.ppt

第七讲 限值因变量 模型与分析 主要内容虚拟变量数据的分析 横截面数据的分析 平行数据的分析 离散选择模型起源于Fechner于1860年进行的动物条件二元反射研究，1962年，Warner首次将它应用于经济研究领域，用以研究公共交通工具和私人交通工具的选择问题。70、80年代，离散选择模型被普遍应用于经济布局、企业定点、交通问题、就业问题、购买决策等经济决策领域的研究。从1987年出版的专著《Econometric Analysis of Discrete Choice》（B?rsch-Supan, Springer）所引用的文献可以看出，模型的估计方法主要发展于80年代初期。 限值因变量分类 二值因变量模型 * 问题1：除种族不同外，两个条件完全相同的人走进一家银行申请一笔抵押贷款，目的是购买一套房子，两套房子的条件也完全相同，他们是否有同等可能性让他们的抵押贷款申请被接受？ 如何精确地检查种族歧视的统计证据？ 解决办法1 ：用抵押贷款申请被拒绝的比重来比较不同种 族的人是否受到同等的待遇. * 问题2：办法1能回答问题1 所提出的问题吗？ 解决办法2：用抵押贷款申请是否被拒绝作为因变量建立多元回归模 型，探讨保持其他条件不变（相同）的条件下，种族的 差异对贷款申请是否被拒绝的影响。 * 问题3: 办法2 能回答问题1 所提出的问题吗？ 二值因变量模型: 线性概率模型  LPM( Linear probability model ) 线性概率模型是下列多元回归模型： 其中，因变量Yi 是二元变量， Yi=1 或 Yi =0 ui 满足 总体回归函数 所以， 线性概率模型估计系数的含义及检验 回归系数 就是在保持其他解释变量不变的情况下， 与 的单位变化相联系的Y=1时估计概率（成功的概率 或响应概率）的变化： 回归系数可以用OLS 方法进行估计，并且通常的（异方差 稳健的）OLS标准误可以用来假设检验和构造置信区间 预测的 Y 就是预测的成功 (Y=1) 的概率。 LMP 模型的估计 线性概率模型的局限性及解决办法 预测的概率可能小于零，或大于1，最好是在靠近自变量均值的地方估计对成功概率的影响。 任何一个以水平值形式出现的解释变量的 偏效应是不变的，否则，应设置非线性关系。 误差项的非正态性：模型中误差项ui的概率分布由Y 带入的值（1和0）决定的。 异方差性将影响模型的推断，需应用加权最小二乘法GLS，以消除异方差的影响； R2 价值有限，应避免使用 住房所有权与收入的WLS估计结果* LPM问题1 的解决思路 定义：一个连续概率分布Pi = P(Y=1| X) 1 若 Zi (X, β) ≧1 Pi = Zi (X, β) 若 0 Zi (X, β) 1 0 若 Zi (X, β) ≦ 0 即Pi 服从一个均匀分布的累积概率函数 二值响应的 Probit 和 Logit 模型 二值响应的 Probit 和 Logit 模型的大多数应用中，主要目的是为了解释 x 对响应概率的影响，通过 G(z) 将各解释变量与相应概率联系起来。 解释变量 x 对响应概率的偏效应？如何估计这个偏效应？ 模型解释Probit 和 Logit 模型与LPM比较 一般地，我们关注 x 对 P(y = 1|x)的作用的解释, 即 ?P/ ?x 对线性的LPM模型, 参数bj的估计值容易解释 对非线性的probit 和 logit 模型, 解释比较困难： ?p/ ?xj = g(b0 +X ) , 其中， g(z) = dG/dz 调整因子g(b0 + 与自变量有关，一般取自变量 均值。 Probit 和 Logit 模型的估计 给定解释变量和二元因变量的观察值 Probit 模型估计 Logit 模型估计 方程（4）（5）关于解释变量