离散被解释变量数据计量经济学模型二元选择模型Models.ppt

Probit 0.999999 1.000000 0.447233 0.000000 3、重复观测值可以得到情况下二元logit离散选择模型的参数估计 思路 对每个决策者有多个重复（例如10次左右）观测值。 对第i个决策者重复观测ni次，选择yi=1的次数比例为pi，那么可以将pi作为真实概率Pi的一个估计量。 建立“对数成败比例模型” ，采用广义最小二乘法估计 。 实际中并不常用。 用样本重复观测得到的pi构成“成败比例”，取对数并进行台劳展开，有 逻辑分布的概率分布函数 五、二元离散选择模型的检验 1、计量经济学模型中的两类检验统计量 基于LS R2 总体显著性F检验 约束回归的F检验 基于ML Wald LR (likelihood ratio) LM (lagrange multiplier) 原理相同 2、拟合检验 P：样本观测值中被解释变量等于1的比例。 L0：模型中所有解释变量的系数都为0时的似然函数值。 LRI=1，即L=1，完全拟合。 LRI=0，所有解释变量完全不显著，完全不拟合。 LnL=－1.639954 LnL0=－52.80224 LRI=0.968942 3、省略变量检验 经典模型中采用的变量显著性t检验仍然是有效的。 如果省略的变量与保留的变量不是正交的，那么对参数估计量将产生影响，需要进一步检验这种省略是否恰当。 如果X2中的变量省略后对参数估计量没有影响，那么H1和H0情况下的对数最大似然函数值应该相差不大，此时LR统计量的值很小，自然会小于临界值，不拒绝 H0。 检验步骤 首先进行约束模型的估计 选择系数检验 引入省略的变量 判断 省略CC，只保留CM，估计模型 选择”Omitted Variables-LR Test” 引入CC 拒绝CC系数为0的0假设 4、异方差性检验 截面数据样本，容易存在异方差性。 假定异方差结构为： 采用LM检验 将解释变量分为两类，Z为只与个体特征有关的变量。显然异方差与这些变量相关。 将异方差检验问题变为一个约束检验问题 一般都存在异方差。 不检验，采用White修正进行估计 5、分布检验 检验关于分布的假设（probit、logit ）。 一般不进行该项检验。 具体见相关教科书（Greene,P682）。 β：模型1的参数，γ：模型2的参数。 组合模型的似然函数： 构造LM统计量，如果不拒绝0假设，表明模型1是适当的。 6、回代检验 当二元离散选择模型被估计后，将所有样本的解释变量观测值代入模型，计算得到每个样本的被解释变量选择1的概率，与每个样本被解释变量的实际观测值进行比较，以判断模型的预测（回代）效果，是一种实际有效的模型检验方法。 概率阈值 朴素选择：p=0.5 (1、0的样本相当时） 先验选择：p=（选1的样本数/全部样本）（全样本时） 最优阈值：犯第一类错误最小原则 例7.2.2 朴素选择，即以0.5为阈值：除了2个样本外，所有样本都通过了回代检验。 先验选择，即以选择1的样本的比例0.41为阈值：除了1个样本外，所有样本都通过了回代检验。 实例—财务欺诈识别模型 我国上市公司财务欺诈识别模型 样本：年度报告审计意见为“无法发表意见”或者“证监会立案调查”等公司属于财务欺诈样本；年度报告审计意见为“标准无保留意见”和财务报表满足“利润×现金流量＞0”的公司属于配对样本。 解释变量：开始选择11个财务指标；通过T检验，确定6个指标：资产负债率、资产毛利率、资产周转率、营运资金比率、应收账款周转率、经营活动现金流量/资产额。 样本：财务欺诈公司30，非财务欺诈公司30 采用犯第一类错误最小原则确定最优阈值为0.68 欺诈样本中，p0.68，26个，占86.7% 非欺诈样本中，p0.68，25个，占83.3% 实例—上市公司并购 被解释变量：当年发生并购行为为1，反之为0。 解释变量：净利润率、……，全流通虚变量。 试图研究全流通都并购的影响。 样本：1994-2008上市公司，并购样本731，非并购样本9835。 采用先验原则，P=5% 模拟结果： 并购样本中：p5%占53% 非并购样本中：p5%占72% §7.2 二元选择模型 Binary Choice Model 一、二元离散选择模型的经济背景 二、二元离散选择模型 三、二元Probit离散选择模型及其参数估计 四、二元Logit离散选择模型及其参数估计 五、二元离散选择模型的检验 说明 在经典计量经济学模型中，被解释变量通常被假定为连续变量。 离散被解释变量数据计量经济学模型（Models with Discrete Dependent Variables）和离散选择模型(DCM, Discrete Choice Model)。 二元选择模型