第5节__离散因变量和受限因变量模型.ppt

* 例5.4 计数模型的实例 本例研究轮船发生事故的次数与轮船的特征属性、运行时间之间的关系。因变量 y 表示平均每月轮船发生事故数。解释变量是轮船特征属性，包括轮船类型、建造时间、使用时期等。轮船类型有5种，分别用x1～x5表示，4个建造时间，分别用y1～y4表示， z1 , z2表示两个使用时期，da表示运行时间。 本例数据符合计数模型的条件，故采用泊松模型建模。注意到定性数据较多，为防止多重共线性，在引进虚拟变量时，需要人为地去掉一个。例如，轮船类型有5种x1～x5，则去掉x1，而在模型中只用其余4个变量x2～x5，同样4个建造时间y1～y4，在模型中只用其余3个变量y2～y4，两个使用时期在模型中只用z2。模型如下： （5.4.10） * 5.5.4 估计计数模型 1. 模型的估计 估计一个计数模型，打开Equation对话框，然后在估计方法中选择COUNT作为估计方法。EViews显示计数模型估计对话框(图5.6)。 图5.6 计数模型的估计对话框 * 在上面的编辑区域，列出被解释变量和解释变量。必须通过列表形式指定计数模型。模型的形式如方程（5.5.4）所示： (5.5.4) 在Options标签中，可以根据需要改变缺省估计的运算法则、收敛准则、初始值和计算系数协方差的方法。 * EViews提供的5种计数模型的估计方法： Poisson[ML and QML]； Negative binomial[ML]； Exponential[QML]； Normal/NLS[QML]； Negative binomial[QML]。 从上面的5种计数模型中选择一种，并且对于Negative binomial[QML]模型需要指定一个值作为固定的方差参数。前4种方法对应4种因变量的分布，分别为泊松分布、负二项分布、指数分布和正态分布。 * 例5.4的估计结果如下： * 写成方程如下： z =(-6.41) (-1.29) (-2.26) (-0.46) (1.13) (4.31) (4.28) (1.5) (3.13) (8.85) 轮船类型对事故发生有影响，如类型是x5的系数是正的，会使事故发生的可能增加；建造时间y2～y4的系数基本是递减的，表明建造时间越长，则发生事故的可能越大；使用时期z2也对事故发生产生很大影响，使用时间越长，则发生事故的可能越大；运行时间ln (da) 的系数是0.9，表明运行时间每增加1%，则发生事故数量会增加0.9%，因此对发生事故有显著的影响。 * 2. 模型的预测与产生残差 选择Forecast可以预测因变量 ? 和线性指标(xb)，b是参数? 的估计值，二者的关系为 ? = exp(xb)。选择Proc\Make Residual Series，可以产生计数模型的3种类型残差，残差类型参照表5.6。 * 1． 模型的估计 与二元选择模型类似，从主菜单中选择Objects/New Object，并从该菜单中选择Equation选项。从Equation Specification对话框，选择估计方法ORDERED,标准估计对话框将会改变以匹配这种设定。在Equation Specification区域，键入排序因变量的名字，其后列出回归项。排序估计也只支持列表形式的设定，不用输入一个明确的方程。然后选择Normal，Logist，Extreme Value三种误差分布中的一种，单击OK按钮即可。对话框如图5.4所示。 * 图5.4 排序模型的输入对话框 * 例5.2估计结果如下： * 有两点需要指出：首先，EViews不能把常数项和临界值区分开，因此在变量列表中设定的常数项会被忽略，即有无常数项都是等价的。其次，EViews要求因变量是整数，否则将会出现错误信息，并且估计将会停止。然而，由于我们能够在表达式中使用 @round、@floor 或 @ceil函数自动将一个非整数序列转化成整数序列，因此这并不是一个很严格的限制。