第15章 定性因量回归模型.pptVIP

第15章 定性因变量回归模型 15.1 定性（离散）因变量模型的性质 1、因变量只有有限的取值，特别的只能取0或1。 2、定性因变量模型的实质是概率模型，即估计给定自变量的条件下，因变量属于某种类型的概率 3、例：破产、收购等 4、模型： （1）线性概率模型 （2）logit模型 （3）probit模型 15.2 线性概率模型 1、模型 2、扰动项的非正态性 因为Y只取两个值，其分布服从贝努力二项分布，扰动项也服从贝努力分布 3、扰动项的异方差性 根据贝努力分布的性质，扰动项的方差与X有关，因而是异方差的。可用加权最小二乘法估计模型，权重为 4、估计值不在[0，1]内。要用logit或probit模型 5、R-2无效 例：收入与房产 异方差的处理 1、检验（在eviews中如何检验残差是否存在异方差） 2、按照理论方法进行加权最小二乘估计 （1）估计OLS，得预测值（拟合值）yf （2）修改样本sample（在workfile的sample处双击，在弹出的对话框的下面的方框（条件框）输入yf0 and yf1 （3）生成权重序列genr w=@sqrt(yf*(1-yf)) （4）估计WLS 其他的例子 债券评级 债券违约率 15.5 LOGIT模型 问题的提出：在线性概率模型（LPM）中，无法保证模型的预测（拟合）值 介于[0，1]。 逻辑斯特分布函数： Logit模型 Logit模型的特点 1、L的变化范围是正负无穷大之间，但P的范围在[0，1] 2、L是X的线性函数，P是X的非线性函数 3、Logit模型可以是多元的 4、当机会比率由1减到0时，L会变成负数，且在幅度上越来越大，当机会比率由1升到无穷大时，L为正且越来越大 5、beta系数表示x变化1单位时，机会比率的对数变化的数量 6、利用机会比率对数的预测值，可以计算概率值 7、Logit模型假设机会比率的对数与X是线性关系 15.6 Logit模型的估计 群组数据 1、计算样本频率 2、计算logit 3、计算权重 4、估计WLS（eviews操作例） 15.7 Logit模型的估计值的解释 利用15.4的数据估计Logit模型如下 LOG(P/(1-P)) = -1.52 + 0.075*X （1）x增加1单位，log(p/(1-p))增加0.075 （2）令z=p/(1-p)，两边对x求导 x增加1单位，p/(1-p)增长7.5% （3）预测概率值，令x=20， LOG(P/(1-P)) = -1.52 + 0.075*20=-0.02 P=0.495 （4）x增加1单位导致p的变化，方程两边对x求导 15.8 非群组数据Logit模型估计 非群组数据 利用表15.7个体数据，估计如下模型 Eviews中的估计方法 （1）打开方程设定对话框；（2）在method中选择binary方法；（3）在弹出的对话框内输入方程形式；（4）选择logit模型；OK 估计结果 说明 1、估计方法是极大似然估计法，标准误为渐进标准误（大样本有效） 2、检验统计量为Z统计量（正态分布） 3、R-2无意义，报告McFadden R-2 4、全部系数的显著性检验用LR统计量 5、各系数的含义为对应变量变化1单位时，p/(1-p)变化的比率 6、eviews中的预测为p的预测 7、预测成功率，yf0.5，则yff=1，否则yff=0，比较yff与y，两者对应位置相同计成功次数增加1