微观计量模型及其应用.ppt

微观计量模型及其应用 一、二元响应（选择）模型 （一）定性响应模型的性质 （二）线性概率模型 （三）Logit模型 （四）Probit模型 （一）定性响应变量模型的性质 概念：以离散变量，或为非数值型变量(分类变量或顺序变量)为因变量的模型称为离散因变量模型，或定性响应模型，或离散选择模型。 分类： 二元选择模型和多元选择模型。 目的：在离散选择模型中，目标是解释某一事件被选择或发生的概率，因此，又称概率模型。 影响因素包括两部分：决策者的属性和备选方案的属性。 对于两个方案的选择。例如，两种出行方式的选择，两种商品的选择。由决策者的属性和备选方案的属性共同决定。 对于单个方案的取舍。例如，购买者对某种商品的购买决策问题 ，求职者对某种职业的选择问题，投票人对某候选人的投票决策，银行对某客户的贷款决策。由决策者的属性决定。 (二）二元离散选择模型形式 (1) 该式右端并没有处于[0，1]范围内的限制，实际上很可能超出[0，1]的范围；而该式左端，则要求处于[0，1]范围内。 2.Logit 模型 3. Probit 模型 上述3个例子代表了多元选择问题的不同类型。前两个例子属于排序选择问题，所谓“排序”是指在各个选择项之间有一定的顺序或级别种类。而第3个例子只是同一个决策者面临多种选择，多种选择之间没有排序，不属于排序选择问题。与一般的多元选择模型不同，排序选择问题需要建立排序选择模型(ordered choice model)。下面我们主要介绍排序选择模型。 与二元选择模型类似，设有一个潜在变量 yi*，是不可观测的，可观测的是 yi ，设 yi 有0，1，2，…，M等M+1个取值。 其中：ui*是独立同分布的随机变量，yi 可以通过 yi*按下式得到 ? 设ui*的分布函数为F(x)，可以得到如下的概率 和二元选择模型一样，根据分布函数F(x)的不同可以有3种常见的模型：Probit模型、Logit模型和Extreme value模型。仍然采用极大似然方法估计参数，需要指出的是，M个临界值c1, c2, …, cM 事先也是不确定的，所以也作为参数和回归系数一起估计。 排序模型的实例 在调查执政者的支持率的民意测验中，由于执政者执行了对某一收入阶层有利的政策而使得不同收入的人对其支持不同，所以收入成为决定人们是否支持的因素。通过调查取得了市民收入(INC)与支持与否(Y)的数据，其中如果选民支持则Yi取0，中立取1，不支持取2。我们选取24个样本进行排序选择模型分析。 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7.4所示。 排序模型的输入对话框 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。 估计收敛后，EViews将会在方程窗口显示估计结果。表头包含通常的标题信息，包括假定的误差分布、估计样本、迭代和收敛信息、y的排序选择值的个数和计算系数协方差矩阵的方法。在标题信息之下是系数估计和渐近的标准误差、相应的z-统计量及概率值。然后，还给出了临界值LIMIT_1:C(2)，LIMIT_2:C(3)的估计及相应的统计量。 2. 常用的两个过程 ① Make Ordered Limit Vector产生一个临界值向量c，此向量被命名为LIMITS01，如果该名称已被使用，则命名为LIMITS02，以此类推。 ② Make Ordered Limit Covariance Matrix产生临界值向量c的估计值的协方差矩阵。命名为VLIMITS01，如果该名称已被使用，则命名为VLIMITS02，以此类推。