计量经济学及其应用：第15章要点.ppt

第15章 虚拟被解释变量模型 15.1 线性概率模型 15.2 二元logit模型 15.3 案例分析 通过本章我们要知道 15.1 线性概率模型 被解释变量是虚拟变量，取值仅为0或1的模型通常称为虚拟被解释变量模型。本章主要介绍两种最常见的虚拟被解释变量模型，即线性概率模型和二元logit模型。 1. 什么是线性概率模型 线性概率模型（Linear probability model）和一般计量经济学模型唯一的区别在于被解释变量的取值只有0和1。也采用OLS法估计。 例 某研究者想知道为什么有些大学生毕业后直接找工作，而另外一些大学生则继续深造，构建了如下模型 是虚拟变量，当第i个大学毕业生选择找工作时，取值为1，否则取值为0； 和 分别表示家庭收入和父母受教育年限。 （15-1） “线性概率模型”意思是方程的右边是线性的，而左边刻画的是 的概率（见注释1）。假设家庭收入较高、父母受教育年限较长的大学毕业生倾向于继续深造，那么，D的值可能接近于0。如果某个特定大学毕业生的 值为0.10，就表示该生直接就业的可能性为10%，它取决于该生的家庭收入和父母的受教育年限这两个解释变量的取值。 刻画的是D的第i个观测值为1的概率，也就是说，用表达式可表示为 其中， 表示第i个观测值为 的概率。而参数表示的意义为：当方程中其他解释变量不变时，1单位某解释变量的变动引起的 的概率变动的百分比。 （15-2） 2. 线性概率模型存在的问题 （1）调整的判定系数 不能准确度量模型的拟合优度。由于 只能等于1或0，而 的取值却在0和1这两个极端值之间连续变化，意味着在 的一定范围内， 与 之间存在 明显的差别。因此，即便模型很好地解释了所涉及的选择， 也会远小于1。其结果是，不能依赖 （或 ）来度量虚拟被解释变量模型的整体拟合优度。 对于上述问题，常用的解决方法是构造新统计量 ，它等于1和0分别被正确预测的百分比的均值。为了应用这种方法，一般假设 意味着 ，而 意味着 ，此时比较预测值与真实 值 ，就能计算出观测值被正确解释的百分比。 （2） 不以0和1为界。因为 是虚拟变量，所以，既然 是概率值，取值就应该介于0和1之间。概率的预测值大于1（或小于0）是没有意义的。然而，再次观察方程（15-2），根据 和 的值，方程左边的取值可能会超出有意义的范围。例如，如果方程（15-2）中所有的 和 都取1，则 等于3，远大于1。 解决该类问题可采用的方法是令所有大于1的 等于1，所有小于1的 等于0。这种处理方法忽略了无界性，因为对于线性概率模型来说，有理由相信预测概率为2的观测值比预测概率为1的观测值更有可能令 等于1.0。 15.2 二元logit模型 1. 什么是二元 logit 二元logit（binomial logit）模型采用累积logistic函数的变形来回避线性概率模型的无界性问题，将 的值限制在0到1的范围内。累积logistics函数的变形为： 此时， 的取值介于0到1之间。 从而避免了线性概率模型的无界性问题。此外，多数研究者之所以偏爱logit模型，是因为现实数据经常呈现“S”形（见注释2）。 （15-3） Logit模型应该采用最大似然法（maximum likelihood，简称ML）而非OLS估计。最大似然估计是通过最大化样本数据被观察到的概率来确定参数估计值的。OLS估计与ML估计的结果并非完全不同，对线性方程来说，在古典假设（包括正态性假设）满足的情况下，ML估计结果与OLS估计结果完全相同。 最大似然估计量具有一致性和渐进有效性（在大样本下具有无偏性和最小方差性）。在大样本下，最大似然法还有另外一些优点，诸如生成正态分布的参数估计值，适用于典型的假设检验方法。因此，logit模型需要的样本容量远大于线性回归需要的样本容量。 值得注意的是，logit样本中两种选择（例如直接就业或继续深造）的观测值都应该足够多。 其次，令 下面对方程（15-3）进行简化，首先，可变化为 L表示logit函数形式，“ ”表示被解释变量为虚拟变量，由估计出的l