高级计量经济学离散和限制因变量模型PPT.ppt

图9.1 不同GPA水平下PSI对GRADE的影响（假设TUCE取均值） 图9.1中，横轴为GPA，纵轴为概率。图中折断线表示的是接受过新方法训练的学生（PSI=1）成绩提高的概率曲线；点线是没有接受过新方法训练的学生（PSI=0）成绩提高的概率曲线。可以看到，二曲线之间的差距并不是不变的，它开始随着GPA的提高而增大，但是，当GPA高于一定水平后，这一差距又开始缩小。图中的实线即为这两曲线的差值，它先是上升的，后又开始下降。 9.4.2 审查模型 对隐变量模型： 其中， Yi *是隐变量，如果实际获取的是审查数据 即只能获得Yi *大于0时的数据，当Yi *小于0时，只能得到观测值0。 因此，对Yi来说， (9.45) 从（9.37）式至（9.41）式可知，（9.45）式的 = 因此（9.45）式可进一步简化为 （9.46） （9.46）即为审查数据的实际模型。 9.4.3 最大似然估计（MLE） 对于（9.44）式和（9.46）式的截断模型和审查模型来说，都是非线性的，Y对X的OLS估计也不再是一致估计。当假设模型中的扰动项 时，可以用最大似然估计法估计模型中的参数 和 。 一、截断模型的似然函数 对于截断数据来说,当Yi 0时,由 可以推出 。根据（9.40）式和（9.41）式， 所以截断模型的似然函数为 二、审查模型的似然函数 对于审查数据来说，可以把数据分成两组： 和 。因此， 审查模型的似然函数为 9.4.4 Heckman二阶段估计 对于审查模型（9.46）式来说，还可以用Heckman两阶段法进行参数的估计。第一阶段实际上是借用Probit模型把参数 先估计出来，第二步再用OLS法对审查数据中大于临界值的部分用截断模型进行估计。具体思路如下： 对于审查数据，设定以下虚拟变量 当 中的扰动项 时， 第一阶段，令 ，估计Probit模型，其似然函数为： 通过对Probit模型的MLE估计，可以得到 的一致估计量 。 第二阶段主要集中于Yi 0的数据，即主要估计截断模型（9.44）式，但是，其中的 用 。 也就是说，这一阶段是对模型 进行OLS估计，从而得到 和 的一致估计量。 第五节 实证分析 新教学方法的效果:二元选择模型的应用 轮船事故的计数数据模型 Fair（1978）对婚外性行为的研究 9.5.1 新教学方法的效果：二元选择模型的应用 一个有关教学方法的效果的数据见表9.1。该例主要是为了考察一种新的经济学教学方法对学生成绩的影响。表9.1中数据的基本统计信息如下表9.2。 obs GRADE GPA TUCE PSI 1 0 2.66 20 0 2 0 2.89 22 0 3 0 3.28 24 0 4 0 2.92 12 0 5 1 4.00 21 0 6 0 2.86 17 0 7 0 2.76 17 0 表9.1 新教学方法对成绩的影响数据 obs GRADE GPA TUCE PSI 8 0 2.87 21 0 9 0 3.03 25 0 10 1 3.92 29 0 11 0 2.63 20 0 12 0 3.32 23 0 13 0 3.57 23 0 14 1 3.26 25 0 15 0 3.53 26 0 16 0 2.74 19 0 17 0 2.75 25 0 18 0 2.83 19 0 19 0 3.12 23 1 20 1 3.16 25 1 obs GRADE GPA TUCE PSI 21 0 2.06 22 1 22 1 3.62 28 1 23 0 2.89 14 1 24 0 3.51 26 1 25 1 3.54 24 1 26 1 2.83 27 1 27 1 3.39 17 1 28 0 2.67 24 1 29 1 3.65 21 1 30 1 4.00 23 1 31 0 3.10 21 1 32 1 2.39 19 1 注：GRADE取1表示新近学习成绩提高