限因变量模型.pdfVIP

第十三章 离散选择模型和受限因变量模型 在实证微观计量经济学分析当中，我们常常会碰到这样一类计量经济模型， 其中的因变量或者是定性的，或者是取值范围受到限制。在这两种情形下，必须 要使用特殊的方法才能对这类计量经济模型进行有效分析，才能获得其中参数的 一致估计。 当因变量是定性的时候，某些场合我们可以给它赋予诸如0,1,2,L, n,L等数 值。但是，前提必须是有意义的。例如： 1．劳动力的就业状况 我们可以把 “失业”表示为数值 “0 ”，而把 “就业”表示为数值 “1”； 2 ．对某一类立法条款的态度 我们可以用 “0 ”表示 “强烈反对”，用 “1”表示 “反对”，用 “2”表示 “既 不反对也 不赞成”，用 “3 ”表示 “赞成”，用 “4 ”表示 “强烈赞成”。这样的表示仅仅代 表上述态度的一个排序，并没有数量的实际含义。 3 ．人们对职业的选择 我们可以用 “0 ”代表选择 “职员”，用 “1”代表选择 “工程师”，用 “2 ” 代表选择 “律师”，用 “3 ”代表选择 “政治家”，等等。 这一章中我们先介绍最简单的定性因变量模型，即所谓二元选择模型；然后， 我们将讨论含有连续型因变量，但其观测值取值范围却受到限制的模型。这一章 我们讨论的重点是Tobit 模型。 第一节 二元离散选择模型 1.1 引言 二元选择模型的特点就是其因变量仅有二个结果。例如，在劳动力的就业状 况的调查中，被调查者的回答或者是 “正在工作 （我们用 “y 1 ”表示）”，或 者是 “没有工作 （我们用 “y 0 ”表示）”。还比如，在研究汽车需求问题时要 涉及每个家庭的购车潜力，而调查资料往往是定性的，这时可以进行适当的转换。 如果被调查的家庭选择拥有一辆汽车，我们就用 “y 1 ”表示，如果被调查的 家庭没有选择拥有汽车，我们就用 “y 0 ”表示。我们通常把上述例子中的回 答称为响应，这也就是人们常常把 “因变量”叫做“应变量”的原因。对上述响 应，我们还可以在向量x 中设定一些因子作为解释变量。比如，在劳动力这个例 子中，这些因子可以包括年龄，婚姻状况，教育，工作经历等等，于是就有： Pr y 1 F x b （13.1.1） 同样，我们也可以分析被调查的N 个家庭的数据。从中研究这N 个家庭拥 有汽车与收入之间的关系。设二元变量为y i ,i 1,2,L, N ，它代表家庭在拥有汽 车问题上的选择，于是： 当第i 个家庭选择拥有汽车， 则 y i = 1 ； 当第i 个家庭不选择拥有汽车，则 y i = 0 ； 如果用 x 表示第i 个家庭的收入，我们设定： i Pr y 1 | x F x b （13.1.2） i i i 这里，函数F 0 ，b 为未知参数。一般情况下，x 可以是一个包含收入 i 的r 1阶向量，于是： Pr y 1 | x F x b ，b 为r 1阶未知参数向量，也 i i i 就是F x b 确定了给定x 条件下y = 1 的概率。 i i i 1.2