高级计量经济学离散和限制因变量模型推荐.ppt

sfasfsfsfsfdsafafd 第9章 离散和限制因变量模型 离散因变量（Discrete Dependent Variable）的取值为类似于0、1、2…的离散值。在多数情况下，这些取值一般没有实际的意义，仅代表某一事件的发生，或者是用于描述某一事件发生的次数。根据取值的特点，离散因变量可以分为二元变量、多分变量和计数变量。二元变量的取值一般为1和0，当取值为1时表示某件事情的发生，取值为0则表示不发生。因变量为二元变量的模型称为二元选择模型(Binary Choice Model)。 多分变量所取的离散值个数多于二个，如果各种结果之间没有自然顺序的话，称为无序变量。例如，当购买洗衣粉时，你可以在众多可供选择的洗衣粉品牌之间进行选择。如果各种结果之间有一个内在的自然的顺序，则为有序变量。例如，对债券等级的排序，老师给学生A、B、C、D 和E五个等级的成绩。多分变量为因变量的模型称为多元选择模型(Multinomial Model)，其中又有条件模型(Conditional Model)、有序选择(Ordered Model)、嵌套模型(Nested Model)等分类。 计数变量主要用于描述某一事件发生的次数，它仅取整数值。例如，每户家庭的子女数、某人在一年中看医生的次数等。因变量为计数变量的模型称为计数模型(Count Model)。 限制因变量(Limited Dependent Variable)指的是由于样本抽取的原因使得所获得的数据受到某些限制。当我们所获取的数据只是从总体分布的一部分抽取（而非从总体中随机抽取），而另一部分由于无法观测而被删除时，称为截断（Truncation）；若总体分布中无法观测的部分都用一个临界值表示时，称为审查（Censor）。限制因变量模型主要包括截断模型(Truncated Model)和审查模型(Censored Data)两类。这两类模型多应用在调查数据的分析当中。 第一节 二元选择模型 9.1.1 线性概率(LP)模型 假设有以下二元选择模型： (9.1) 其中，Xi是包含常数项的k元解释变量， 假设在给定Xi的时候，Yi =1 的概率为p，即 ，则在给定Xi的时候，Yi =0 的概率为1-p，即 。 当(9.1)式满足时 ， (9.2) 另外，因为Yi只取1和0两个值，其条件期望为 (9.3) 综合(9.2)式和(9.3)式得： (9.4) 因此，(9.1)式拟合的是当给定解释变量Xi的值时，某事件发生（即Yi取值为1）的平均概率。在(9.4)式中，这一概率体现为线性的形式 ，因此(9.1)式称为线性概率模型（Linear Probability Model，LPM）。 对于线性概率模型，可以采用普通最小二乘法进行估计，但是会存在一些问题。常见的问题和相应的解决方法如下： (1)对(9.1)式的拟合的结果是对某一事件发生的平均概率的预测，即 但是， 的值并不能保证在0和1之间，完全有可能出现大于1和小于0的情形。实际应用中，当出现的预测值大于1或小于0的情况不是太多时，如果预测值大于1，就把它看作是等于1，如果预测值小于0，就把它看作是等于0. (2)由于Y是二元变量，因此扰动项 也应该是二元变量，它应该服从二项分布，而不是我们通常假定的正态分布。但是，当样本足够多时，二项分布收敛于正态分布。 (3)在LPM中，扰动项的方差为： 因此，扰动项是异方差的。为了克服异方差，可以采用处理异方差的方法去估计模型。 (4)由于因变量是二元选择的结果，因此按传统线性回归模型所计算的判定系数R2不再有实际的意义。可以定义 (9.5) 当Y的实际预测的值大于0.5时，我们视其预测值为1；当小于0.5时，视其预测值为0。然后比较预测值与实际值是否存在差异，如果不存在差异，则认为是正确的预测。然后将正确的预测的个数与总预测个数比较，得到一个新的拟合优度的指标。 (5)边际效应的分析 对(9.4)式进行边际效应分析得： 因此，当解释变量是非虚拟变量时， 表示的是解释变