probit 模型.ppt

质化的及有限的因变数模型 个人及公司的选择中，有许多无法用连续的结果变数加以衡量。 因变数为有限的:所谓有限指的是它们是连续的，但值的范围被限制且不能完全被观察。 虚拟因变数 虚拟因变数的选择可用一个二元变数来代表；若某个结果被选到，其值为1，否则的话，其值为0。 一般而言都是使用最大概似估计法来估计此种模型。 线性概率模型 y = 1 开车上班 0 搭公交车上班 y 是随机变数 (在取得样本前，结果y对我们来说将是未知的) f(y) = Py(1-P)1-y 其中P是y值为1的概率 E(y) =P y = E(y) + e = P+e E(y) = P = β1 + β2x 问题: 预测小于0或大于1的值，这样的 值在概率上并没有意义 线性概率模型假设当 x 增加时，对于y在概率上的影响为固定的 dP/dx =β2 因此 , 固定比率的增加是不可能的→非线性的probit 模型 随着x的增加，概率曲线起初会快速地上升，然后开始以递减的比率增加。在x变动一单位的条件下，概率的变动是由此曲线的斜率所决定，用以代表这种曲线的函数关系式为 probit 函数， probit 函数和标准常态概率分配有关 probit 模型被称做是非线性的，因为上述式子是 β1 和 β2的非线性函数。 f(β1 + β2x)是以 β1 + β2x来评估的标准常态概率密度函数 Probit函数的斜率是由 f(β1 + β2x)以及参数 β2.的大小所提供的。 (1) 因为 f(β1 + β2x)＞0 f(0) maximum F(0) = 0.5 (2) If β1 + β2x large, the f(β1 + β2x) 会接近于 0 二元选择的Logit 模型 Probit 基于常态分配 若 y 是logistic 随机变数 Logit 我们如何面对两种以上的选择情况? 多项选择模型 多项 Logit 模型 多项 Probit 条件 Logit 多变数 Probit 有序选择模型 若决策者所面对的选择有某种顺序。 有序 Probit, 有序 Logit 计数资料模型与 Poisson 回归 计数资料模型专注在事件的「发生次数」。此时的结果变数是y=0,1,2,3…。这些数字是实际计数，引此与前一节中的序数不同。例子包括某人在一年中看医生的次数，或是某人在前一年中钓鱼的次数。 我们用来作为基础的概率分配是Poisson而非常态 logistic. 若 Y 为 Poisson 随机变数, 则它的概率函数是 ， y = 0,1,2… E(Y) = λ 0 E(Y) = λ = Poisson 回归模型 受限因素模型 Tobit 模型 我们所观察的结果变量为连续的，但在某特殊值便被截断。 Variable is censored: values in a certain range are all transformed to (or represented as) a single value. Ex: 实际的工资水平＞所观察到的工资水平 若 full = 20000，则实际需求＞20000 将会被表示成 20000 截断: 在选择样本之前, 我们截断 y*在 点 y*的分配 = c, 所以没有任何观察值在 y* ＞c时被选择。 ex: a truncated censored sample consider truncation at the level c1 and censoring at the level c2 (c2＜c1); that is only samples y* with y*c1 are drawn, and among these samples only values of y*＞c2 are recorder. * 应用计量分析在公共财政领域的应用黄智聪 * 厦门大学财政系研究生课程 课程名称：应用计量分析在公共财政领域的应用 授课老师：黄智聪 授课内容： 质化的及有限的因变数模型 参考书目：Hill, C. R., W. E. Griffiths, and G. G. Judge, (2001), Undergraduate Econometrics. New York: John Wiley Sons Probit 模型 Probit 模型的