第2节二元离散选择模型.ppt

1、逻辑分布的概率分布函数 2、重复观测值不可以得到情况下二元logit离散选择模型的参数估计 关于参数的非线性函数，不能直接求解，需采用完全信息最大似然法中所采用的迭代方法。 应用计量经济学软件。 3、重复观测值可以得到情况下二元logit离散选择模型的参数估计 思路 对每个决策者有多个重复（例如10次左右）观测值。 对第i个决策者重复观测ni次，选择yi=1的次数比例为pi，那么可以将pi作为真实概率Pi的一个估计量。 建立“对数成败比例模型” ，采用广义最小二乘法估计 。 实际中并不常用。 用样本重复观测得到的pi构成“成败比例”，取对数并进行台劳展开，有 逻辑分布的概率分布函数 五、二元离散选择模型的检验 1、拟合检验 P：样本观测值中被解释变量等于1的比例。 L0：模型中所有解释变量的系数都为0时的似然函数值。 LRI=1，即L=1，完全拟合。 LRI=0，所有解释变量完全不显著，完全不拟合。 LnL=－1.639954 LnL0=－52.80224 LRI=0.968942 2、 总体显著性检验 例中，lnL=－1.639954，lnL0= － 52.80224，LR=102.3246。Χ20.01(2)=9.21。 可见，在0.01的显著水平上，该模型拒绝总体不显著的0假设。 3、异方差性检验 截面数据样本，容易存在异方差性。 假定异方差结构为： 采用LM检验 将解释变量分为两类，Z为只与个体特征有关的变量。显然异方差与这些变量相关。 将异方差检验问题变为一个约束检验问题 由于一般都存在异方差，不检验，直接采用White修正进行估计 4、分布检验 检验关于分布的假设（probit、logit ）。 一般不进行该项检验。 具体见相关教科书（Greene,P682）。 β：模型1的参数，γ：模型2的参数。 组合模型的似然函数： 构造LM统计量，如果不拒绝0假设，表明模型1是适当的。 5、回代检验 概率阈值 朴素选择：p=0.5 (1、0的样本相当时） 先验选择：p=（选1的样本数/全部样本）（全样本时） 最优阈值：犯第一类错误最小原则 如果按照朴素原则，例中，除了2个样本外，所有样本都通过了回代检验。没有通过回代检验的2个样本中，第19个样本的选择结果为1，回代算得的选择1的概率为0.4472；第45个样本的选择结果为0，回代算得的选择1的概率0.5498。 但是，该例中，选择1和选择0的样本数目分别为32和46，差异较大，不适合采用该方法。 如果按照先验方法，即以全部样本中选择1的样本所占的比例为临界值。例中，选择1的样本的比例为0.41。以此为临界值，只有第45个样本不能通过检验。 但是，该方法适合于以全部个体作为样本的情况，而该例中的78个样本仅是贷款客户的极少部分，所以也不适合采用该方法。 如果按照最优方法，即以“犯第一类错误最小”为原则确定临界值的方法。在例中，如果以0.50为临界值，则有2个样本发生“弃真”，即犯第一类错误；如果以0.41为临界值，则发生“弃真”的样本只有1个。所以以0.41作为临界值比较合适。 其它实例—财务欺诈识别模型 建立我国上市公司财务欺诈识别模型 样本：年度报告审计意见为“无法发表意见”或者“证监会立案调查”等公司属于财务欺诈样本；年度报告审计意见为“标准无保留意见”和财务报表满足“利润×现金流量＞0”的公司属于配对样本。 解释变量：开始选择11个财务指标；通过T检验，确定6个指标：资产负债率、资产毛利率、资产周转率、营运资金比率、应收账款周转率、经营活动现金流量/资产额。 样本：财务欺诈公司30，非财务欺诈公司30 采用犯第一类错误最小原则确定最优阈值为0.68 欺诈样本中，p0.68，26个，占86.7% 非欺诈样本中，p0.68，25个，占83.3% 其它实例—上市公司并购 被解释变量：当年发生并购行为为1，反之为0。 解释变量：净利润率、……，全流通虚变量。 试图研究全流通都并购的影响。 样本：1994-2008上市公司，并购样本731，非并购样本9835。 采用先验原则，P=5% 模拟结果： 并购样本中：p5%占53% 非并购样本中：p5%占72% 第5节 定性选择模型—二元选择模型 Models with Discrete Dependent Variables—Binary Choice Model 一、社会经济生活中的二元选择问题 二、二元离散选择模型 三、二元Probit离散选择模型及其参数估计 四、二元Logit离散选择模型及其参数估计 五、二元离散选择模型的检验 说明 离散被解释变量数据计量经济学模型（Models with Discrete Dependent Variables）和离散选择模型(DCM