模型中的特殊解释变量〔虚拟变量〕10经济.pptVIP

这种“量化”通常是通过引入“虚拟变量”来完成的。根据这些因素的属性类型，构造只取“0”或“1”的人工变量，通常称为虚拟变量（dummy variables），记为D。 例如，反映文程度的虚拟变量可取为： 1， 本科学历 D= 0， 非本科学历 第8章结束. * 第8章 模型中的特殊解释变量 8.3 虚拟变量模型 8.3 虚拟变量 许多经济变量是可以定量度量的，如：商品需求量、价格、收入、产量等。但也有一些影响经济变量的因素无法定量度量，如：职业、性别对收入的影响；战争、自然灾害对GDP的影响；季节对某些产品（如冷饮）销售的影响等等。 为了在模型中能够反映这些因素的影响，并提高模型的精度，需要将它们“量化”。 注意：(1) 当定性变量含有m个类别时，模型不能引入m个虚拟变量。最多只能引入m -1个虚拟变量，否则当模型中存在截距项时就会产生完全多重共线性，无法估计回归参数。 (2) 把虚拟变量取值为0所对应的类别称作基础类别。 (3) 当定性变量含有m个类别时，不能把虚拟变量的值设成如下形式。 这种赋值法在一般情形下与虚拟变量赋值是完全不同的两回事。 (4) 回归模型可以只用虚拟变量作解释变量，也可以用定量变量和虚拟变量一起做解释变量。 （第3版教材第189页） 1. 用虚拟变量测量截距变动 设有模型， yt = ?0 + ?1 xt + ?2D + ut , 其中yt，xt为定量变量；D为定性变量。 当D = 0 或1时，上述模型可表达为， D = 1或0表示某种特征的有无。反映在数学上是截距不同的两个函数。若?2显著不为零，说明截距不同；若?2为零，说明这种分类无显著性差异。 D = 1 D = 0 ?0 ?0+?2 例8.3 随机调查美国旧金山地区20个家庭的储蓄情况，拟建立年储蓄额Yi (千美元) 对年收入Xi (千美元) 的回归模型。通过对样本点的分析发现，居于上部的6个点（用小圆圈表示）都是代表自己有房子的家庭；居于下部的14个点（用小三角表示）都是租房住的家庭。而这两类家庭所对应的观测点各自都表现出明显的线性关系。于是给模型加入一个定性变量“住房状况”，用D表示。定义如下： （第3版教材第189页） 例8.3 建立回归模型 Yi = ?0 + ?1 Xi + ?2 Di + ut 得估计结果如下， = - 0.3204 + 0.0675 Xt + 0.8273 D i (-5.2) (16.9) (11.0) R2 = 0.99, DW = 2.27 由于回归系数0.8273显著地不为零，说明对住房状况不同的两类家庭来说，回归函数截距项确实明显不同。 当模型不引入虚拟变量“住房状况”时，得回归方程如下， = - 0.5667 + 0.0963 Xi (-3.5) (11.6) R2 = 0.88, DW = 1.85 比较回归方程，前者的确定系数为0.99，后者的确定系数仅为0.88。说明该回归模型中引入虚拟变量非常必要。 （第3版教材第190页） “季节”是在研究经济问题中常常遇到的定性因素。比如，酒，肉的销量在冬季要超过其它季节，而饮料的销量又以夏季为最大。当建立这类问题的计量模型时，就要考虑把“季节”因素引入模型。由于一年有四个季节，所以这是一个含有四个类别的定性变量。应该向模型引入三个虚拟变量。 例8.4 市场用煤销售量模型。由于受取暖用煤的影响，每年第四季度的销售量大大高于其它季度。鉴于是季节数据可设三个季节变量如下： （第2版第224页） （第3版第192页） 以时间 t 为解释变量（1982年1季度取t = 1）的煤销售量（Yi）模型估计结果如下： = 2431.20 + 49.00 t + 1388.09 D1 + 201.84 D2 + 85.00 D3 (26.04) (10.81) (13.43) (1.96) (0.83) R2 = 0.95, DW = 1.2, F=100.4, T=28, t0.05 (28-5) = 2.07 由于D2，D3的系数没有显著性，说明第二、三季度可以归并入基础类别第一季度。于是只考虑加入一个虚拟变量D1，把季节因素分为第四季度和第一、二、三季度两类。从上式中剔除虚拟变量D2，D3，得煤销售量（Yi）模型如下：