8.模型设定偏误.pptVIP

§3 概率单位模型(probit Model) 二、Logit模型与Probit 模型的比较 1、几何形状 Probit Model (概率）：虚曲线 Logit Model (对数）：实曲线 注：Logit Model 的使用要多于Probit Model §4 托宾（tobit)模型 托宾模型是概率的拓展，还是以住房为例，对因变量我们不仅想知道有或是没有，还要问一个消费者相对于其收入花在购房上的金额。出现一个问题：如果一个消费者不买住房就得不到这类消费者的住房支出数据。托宾模型就是针对这种情况而言的。 截取样本：仅对某些观测有因变量信息的样本。 一般地，一个“一般模型”具有如下两个重要特性： 第一，与所考察问题相关的不同的先验理论与假设都“嵌套”在该一般模型中； 第二，能较好地拟合数据，并能满足模型设定偏误的各种检验。 该两条性质是相互关联的。例如，如果某一重要理论被忽略，则相关的变量也就被排除在该“一般”模型之外，从而使得该模型不能通过模型设定偏误的多种检验。 一个“一般”的模型是能够进行诸如遗漏相关变量、多选无关变量以及误设函数形式的多种设定偏误检验的。 从一般到简单的约化建模过程 一旦建立了一个“一般”模型，就可对其进行约化（simplification research），寻找可能的简单模型。 这往往是通过检验“嵌套”于其中的各种简单模型进行的。主要包括（1）各种“约束”检验与（2）设定偏误检验，等。 一般模型的约化过程，是一个自上而下（top-down）逐级化简的建模过程。只有当观测数据不支持约束条件时，才退回到上一级，检验其他可能的约束，或者得到最终模型。 “从一般到简单”的建模过程本身就是一项十分艰巨复杂的工作。各约化步骤往往是需要反复进行的，约化步骤的顺序也需要灵活按排。 而且，从实践上看，由于各种因素的影响，所建立的最终的简化模型不一定就是最“理想”的模型。亨德瑞给出了一个约化模型的基本准则： 第一，模型必须具有数据一致(data-coherent)性，即模型能够正确地解释已有的数据。约化过程中需不断进行设定偏误检验。 第二，模型必须与经济理论相一致（consistent with economic theory）。 第三，解释变量必须是弱外生的(exogenous)， 即解释变量应与随机扰动项不同期相关。 第四，模型具有恒定的参数(constant parameters) 第五，模型具有包容性，即模型应包容相竞争的对手模型。 第六，模型具有简洁性(parsimonious)，即在具有相同解释能力的情况下，一个拥有较少解释变量的模型优于拥有较多解释变量的模型。 例5.4.1 在§3.5的例3.5.1中，曾以传统的建模方法建立了1981~1994年间的中国城镇居民食品消费需求模型。 用小写字母代表变量的自然对数，则该一般模型的估计结果为： 这里再以“从一般到简单”这一建模理论来做进一步的考察。 初始的一般模型设定为 （1.41） (0.09) (8.24) (-0.57) (-0.65) (-0.24) (-6.03) (0.85) 给定5%的显著性水平，可以判断，尽管若干个变量的t检验不显著，但总体上看，不存在模型的相关变量遗漏与函数形式的设定偏误问题，而且参数也具有稳定性。因此，以它作为初始的一般模型是合适的。 进一步考察模型的约化问题: 首先，检验模型 (9.03) (25.35) (-2.28) (-7.35) 该模型是由“一般模型”去掉滞后变量得到，相当于对滞后变量施加了零约束，由受约束的F检验得检验值F=2.188，相伴概率p=0.207，可见：在5%的显著性水平下，可接受该约束。 但是，存在着结构变化，而且RSS有明显增大。 如果忽略存在结构变化这一特征，则上面模型能够作为一个可接受的模型，并可进一步检验 （75.86）（52.66） （-3.62） 取?=5%，RESET检验表明可能存在遗漏相关变量的设定偏误，这时RSS的值也有所增大，而且CHOW检验也表明存在明显的结构变化。 第十五章:虚拟因变量 因变量也可以是定性变量。如家庭是否拥有自己的住宅，企业是否在某个地区投资，成年男子是否在“参与劳动”等。 § 1 线性概率模型（LPM) 概率 总和 1