6虚拟变量.pptVIP

虚拟变量 * 虚拟变量的性质 因变量受到一些定性变量的影响 如：性别、种族、季节、不同历史时期等 这类定性变量称为虚拟变量(dummy variables) 用Ｄ表示虚拟变量 虚拟变量的取值通常为0和1? ?虚拟变量—定性变量或分类变量 回归模型可以只包含虚拟变量。 仅仅包含定性变量或虚拟变量的回归模型称为方差分析模型（analysis-of-variance models，ANOVA） * 令Ｙ＝年薪，建立如下模型： 男性就业者的平均年薪： 女性就业者的平均年薪： 如果B2 =0 ？ 说明不存在性别歧视 例1: 建立模型研究女性在工作中是否受到歧视 定义一个虚拟变量： 如果B2 ＜0 ？ 说明存在性别歧视 B2称为差别截距系数，它表示了两类截距值的差异。 通常我们把取值为0的一类称为基准类、基础类、参照类或比较类。 如果模型有共同的截距项，且定性变量有m种分类，则需引入m-1个虚拟变量。 如果不符合这条原则，则会陷入虚变量陷阱！ * * 包含一个定量变量、一个定性变量的回归模型 （一）只影响截距(加法模型) 例2，再引入一个变量 Ｘ＝工作年限 建立如下模型： 如果B3 =0？ 说明不存在性别歧视 男性就业者的平均年薪： 女性就业者的平均年薪： 如果B3 ＜0 ？ 说明存在性别歧视。 在社会学、心理学、教育学及市场研究等领域，ANOVA模型应用的非常广泛，但经济学中一般很少涉及。 在经济学研究中，回归模型一般既包括定量解释变量，又包括定性解释变量。 我们把这种回归模型称为协方差分析模型（analysis-of-covariance models, ANCOVA） * * 虚拟变量只影响截距不影响斜率——加法模型 * 如果随着工龄增加，男性与女性的年薪差距发生变化，则模型设为 （二）只影响斜率(乘法模型) 图2描绘了男性年薪增加较快的情况。 * 婚姻状况与性别对工资的影响 married:已婚取1 famle:女性取1 交互作用表示两个变量对因变量的联合影响。 可以表现为虚拟变量与虚拟变量间的交互，也可以表现为虚拟变量同定量变量间的交互。 定量变量与虚拟变量的交互形式前的系数称为差别斜率系数（也称为斜率漂移） * * （三）同时影响截距与斜率（混合模型） 加法模型和乘法模型的结合: 用来表示截距和斜率都发生变化的模型，称为混合模型。 例P76 * * 有多种分类情况下虚拟变量的应用 例2、研究本科生、硕士研究生和博士研究生的初职月薪有何差异。 按照学历标准，有三类人员 需引入两个虚拟变量 Y＝初职月薪 表1:本科生、研究生和MBA毕业生的初职月薪 单位：人民币元 数据见表1 Y＝初职月薪 * OLS回归结果如下： t= (4.45) (4.52）（15.59) 截距项: 本科生的平均初职月薪，研究问题的基准类； D1的系数: 硕士生与本科生平均初职月薪的差额； D2的系数: 博士生与本科生平均初职月薪的差额。 * 虚拟变量陷阱： 引入的虚拟变量个数应该比研究的类别少一个，否则就会造成完全多重共线，即通常说的虚拟变量陷阱。 * 包含一个定量变量、两个定性变量的回归模型 研究的问题中需要按不同标准引入多个定性变量 例:研究大学教师的年薪是否受到性别、学历的影响。 按性别标准教师分：男、女两类 引入一个虚拟变量； 按学历标准大学教师分：大学本科、研究生、博士三类 引入两个虚拟变量 总计需要引入三个虚拟变量： 令Y=年薪， X=教龄，建立模型如下： * 虚拟变量在季节分析中的应用 每个季节的消费不同 事实真的如此？如何验证？ 虚拟变量的引入与定义： 一年四季，引入三个虚拟变量 建立模型 * 回归模型中的结构稳定性检验 建立模型来拟合经济发展出现转折的情况 * 回归模型中的结构稳定性检验 建立模型来拟合经济发展出现转折的情况 回归方程为 * * 图1表明男女就业者的平均年薪对工龄的函数具有相同斜率β1 ，即随着工龄的增长男女工资的增长幅度相同；截距不同，说明男女的初始年薪不同。 * 所有回归数的符号与预期的一致。 模型表明: 研究生的初职月薪比本科生高143.5%。MBA毕业生的初值月薪比本科生高494.8％；MBA毕业生的初职月薪比研究生高144.2％。从这三个层次毕业生的初职月薪可以看出他们的竞争能力。模型的示意图如下。 * 未讲 * 未讲 * * 图1表明男女就业者的平均年薪对工龄的函数具有相同斜率β1 ，即随着工龄的增长男女工资的增长幅度相同；截距不同，说明男女的初始年薪不同。 * 所有回归数的符号与预期的一致。 模型表明: 研究生的初职月薪比本科生高143.5%。MBA毕业生的初值月薪比本科生高494.8％；MBA毕业生的初职月薪比研究生高144.2％