第六章-二元选择模型.pptVIP

线性回归模型中的可决系数R2不再适用于测度离散选择模型的拟合优度。原因是离散选择模型的R2不可能接近1(因为Yi的观测值只取0或1，而Yi 的预测值是概率) 。 目前最常用的是McFadden(1974)提出的McFadden-R2，它是一种替代R2的度量拟合优度的较好方法。 第三节 二元离散模型的评价和参数的统计检验 一、 模型的拟合优度检验 （一） McFadden-R2 Mcfadden R-squared： 麦克法登似然比率指数（likelihood Ratio Index） 其被定义为: 其中： 是当前模型对数似然函数的最大值（Log likelihood）； 仅仅包含常数项和误差项的零模型估计结果的对数似然函数的最大值（Restr. log likelihood）。 如果极大化过程显示所估计参数的任何变化都不会引起对数似然函数的变化，则 ；如果所估计的似然函数对样本中每一个因变量的预测是完全准确的，则 。如果在方程定义对话框的解释变量列表中不包含常数项，则估计结果中不显示Mcfadden R-squared统计量。 看模型预测值 , 检查一下Y=1或Y=0 的概率的正确性来判断模型拟合的好坏。 将 与实际的Y值比较，就可以得到模型预测 的正确率。 当 ，令 ，当 ，令 。 （二）期望-预测表检验 检验原理： 检查的方法是，选取适当的截断值 对于二元选择模型，与经典模型中采用的变量显著性t 检验类似，可以通过极大似然估计时给出的z 统计量检验系数的显著性。 二、参数的显著性检验 （一）Z检验 对模型中参数显著性检验还可使用Wald检验，其检验统计量为： （二）Wald检验 在 下，W 渐近服从自由度为1的 分布。因此，可根据 分布表，在给定的显著性水平 下，得到相应的临界值，从而判断参数的显著性。 统计学上已经证明，在大样本情况下，两个模型之间如果具有嵌套关系，则两个模型之间的对数似然值乘以-2的结果之差近似服从 分布。这一统计量就是似然比统计量。 （三）似然比检验 零假设: 备择假设: 式中X1是保留的变量向量；X2是省略的变量向量。 式中： 分别为H0情形和 H1情形下的似然函数值的估计量。 LR统计量服从 分布，自由度为 中的变量数目。 例2 仍考虑Greene给出的斯佩克特和马泽欧(1980) 的例子。 以Logit模型的估计结果为例 类似R2 类似F检验 概率的预测值小于等于截断值0.5的这一组中观测数据共21个，其中分组正确的有18个，分组不正确的有3个；概率的预测值大于截断值0.5的这一组中观测数据共11个，其中分组不正确的有3个，分组正确的有8个。 因变量取0的观测值共有21个，根据Logit模型所预测的概率，因变量Grade=0预测正确的观测值是18，模型分组恰当率为85.71%；因变量取1的观测值共有11个，根据Logit模型所预测的概率，因变量Grade=1预测正确的观测值是8，模型分组恰当率为72.73%。同时， Logit模型预测正确的总比率为81.25% 截断值P=0.5 期望-预测表检验 Wald检验 第四节 二元离散选择模型系数的解释 一、 参数估计量 反映解释变量X对潜在变量 Y*的边际影响 二元选择模型中所估计的参数不能被解释为自变量对因变量的边际效应，对系数的解释比较复杂。 解释变量X首先对潜在变量Y*产生影响， Y*的大小影响Y的取值。因此，X是间接影响观察到的Y的取值。 GPA系数估计值为2.826，意味着当其他解释变量保持不变时，GPA每增加一个单位， Logit估计值平均增加约2.83个单位，同时GPA的系数为正也表明增加GPA，将增加Grade取1的概率。 例3 以例1的Logit回归模型估计结果为例 方程中每个斜率系数都是一个偏斜率系数，它度量了在其余回归元不变的条件下，某个解释变量的值变动一个单位所引起的Logit估计值的变化。 二、预测概率 解释变量X是直接影响Y 取值时的概率。 当 被估计出来之后，我们可以对每个个体i预测其 Yi=1的概率，即 例4 以例1的Logit回归模型估计结果为例 模型预测 有两种选择：一是因变量的拟合概率(Probability)， 即 ；二是潜变量的拟合值，即 的拟合值。 在二元选择模型中，我们并不感兴趣X如何对Y* 产生影响，而感兴趣的是X如何对Y 产生影响，即X如何