高级计量经济学多元选择模型推荐.ppt

* 第六章多元选择模型 (Multiple-choice models) * 本章内容 无序多元选择模型 有序因变量模型(Ordered data) 计数模型(Count data) 案例分析 * 多元选择模型基本概念 对于多元选择模型，可以根据因变量的性质分为有序和无序两种类型。 无序模型：因变量Y表示观察对象的类型归属。 例1：上班方式（走路、骑自行车、乘公共汽车、打出租车、开私家车） 例2：农民工就业行业选择 例3：农户借贷（国有银行、信用社、民间借贷） 例4：农户土地流转（转包、出租、互换、转让、股份合作） * 多元选择模型基本概念 有序模型：观察到的因变量Y表示出按数值大小(ordered)或重要性 (ranked)排序的分类结果： 例1：个人达到的教育水平分文盲、小学、初中、高中、大学、研究生等 例2：农民就业分纯农业、兼业、非农业等 例3：考试成绩分优秀、良好、及格和不及格等 例4：评价意见调查分非常不满意、不满意、一般、满意、非常满意等 * 无序多元选择模型 对于无序选择模型，其行为选择假定出于优化一个随机效用函数。 考虑第i个消费者面临着k种选择，假定选择j的效用为： 如果消费者选择了j，那么我们假定消费者由这一选择获得的效用高于其他选择。 考虑效用比较的概率函数 就误差分布形式做出假定后得到可以估计的选择行为模型。 * 无序多元选择模型 考虑有三种选择的Logit模型 即每个方程都假定，任两个选择的机会比对数是特征X的线性函数。 由于所有概率之和等于1，因而机会比相互依赖，上述限制使需要估计的参数由6个减少到4个。 * 无序多元选择模型 产生系数限制的原因： 这意味着以下限制条件： 即只需要估计系统中的两个方程便可以得到所有参数。 * 无序多元选择模型 如果样本属于重复试验，那么可以计算出与每个组相联系的概率rij/ni，然后计算出机会比的对数，与X做回归。 式中rij表示组i中选择j的次数占该组观察对象总数ni的比例 如果没有足够多的重复，则需要利用最大似然法进行估计。 * 有序因变量模型基本概念 同二元选择模型一样，我们可以考虑隐变量y*的值取决于一组自变量X，即： 观察到的Y由Y*决定，其规则是： 需要注意的是，反映类型差别的数字大小是任意的，但必须保证当 。 * 有序因变量模型基本概念 观察到每个Y的概率为： 式中F为误差项的累积分布函数。 * 有序因变量模型基本概念 分类界限?和参数β需要通过求以下的似然函数最大值的方式估计得出： 式中函数I(.)是一个指标函数，当括号中的逻辑关系为真时等于1，反之等于0。 为了保证概率为正值，所有的?必须满足 0 ? 1 ? 2… ? M 。 * 有序的Probit模型下的概率 0 0.1 0.2 0.3 0.4 Y=0 Y=1 Y=2 Y=3 Y=4 * 有序因变量模型估计结果的解释 如同其他概率模型一样，有序因变量模型估计系数的直接用途一般并不大，受到关注的有： 自变量的边际效果 模型对行为的推断能力 模型拟合 * X变化对概率推断的影响 对于此类模型，X变化的边际效果不同于所得到的估计系数。 考虑一个只有三种选择的简化情况，此时模型只有一个临界参数(假定?1=0)。 相应的三个概率为： * X变化对概率推断的影响 与三个概率相对应的自变量的边际效果为： 当X增加而参数?和?保持不变时，这相当于将分布曲线向右移动。 最小和最大段的边际影响方向可以根据估计参数的符号确定，但中间段的影响方向取决于两项的综合结果。 * X变化对概率推断的影响 0 0.1 0.2 0.3 0.4 0 1 2 X的边际效果为正或负取决于参数?的符号和概率分布的变化。 * 用EVIEWS估计有序因变量模型 在有序因变量模型中，因变量的值仅仅反映排序，因而对其数值及间隔并无特殊要求。 例：序列(1,2,3,4)等同于序列(1,10,30,100) 因变量必须是整数，可以利用EVIEWS的函数功能做转换(@Round,@Floor,@Ceil) 估计该方程时的步骤为： 选择Quick→Estimate equation 在随后出现的对话窗口中，先选择模型设定窗口，给出因变量和自变量（不需要常数项）。 * 用EVIEWS估计有序因变量模型 选择一种估计方法(Probit, Logit, Extreme value) 确定估计模型所使用的样本区间 按OK后EVIEWS利用迭代求解法得出估计结果，包括各自变量的参数及相应的统计值，各临界点?和其统计值，其他统计检验指标等。 若模型收敛，那么报告的内容具有意义。 需要注意的问题有： 由于EVIEWS有估计参数数量限制，因而因变量的取值不能太多（