第八讲 离散因变量模型(LPM,Probit,Logit)课件.ppt

实际经济分析当中的离散变量问题 对于单个方案的取舍购买决策、职业的选择、贷款决策； 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。 农业经济分析当中的离散因变量问题 农民技术采用、农村选举等等 第九章 离散因变量模型 内容 二元选择模型的三类模型介绍 二元选择模型的估计: 二元选择模型的检验： 二元选择模型的应用 一、 二元选择模型 二元选择模型的理论模型 二元选择模型经济计量的一般模型 线性概率模型（LPM) Logit 模型 Probit 模型 （一） 二元选择模型的理论模型 选择理论：效用是不可观测的，只能观测到选择行为 第i个个体选择1的效用 第i个个体不选择1（选择0）的效用 选择1 不选择1 （选择0） （二） 二元选择的经济计量一般模型 总体回归模型 样本回归模型 （四） 分布函数F的选取 选取分布函数F的原则： F是单调函数 按照上述原则F取作累计分布函数。 下面介绍三种不同分布函数下的计量模型： LPM, Probit, Logit 1、 线性概率模型（LPM) 如果选择 LPM的估计方法：OLS 对响应概率(p)的偏效应： 线性概率模型存在的问题及适用性 LPM在实际的回归当中应用很少，用于理论模型的比较。 办法：强令预测值相应等于0或1 进行约束估计。 随机误差项是异方差： 办法：可用WLS估计。 拟合值可能不在0－1之间，有可能大于1或小于0: 2、 Logit 模型 如果选择 Logistic分布函数 （1） Logit 模型的分布函数 具有以上分布函数的二元选择模型称为Logit模型。 （2） Logit 模型的设定 模型 线性化 取1或0 其中 得到： P为y取1时的概率 取值范围 ∵ 机会比率odds （3） Logit 模型的边际分析 1、自变量的变化对响应概率（p）的影响： 2、对Logit模型系数的解释： 当 xj 增加一个单位时机会比率的增长率为 南开大学国际经济研究所1999级研究生考试分数及录取情况见数据表（N = 95）。 定义变量： Y ：考生录取为1，未录取为0； SCORE ：考生考试分数； D1：应届生为1，非应届生为0。 例1： 数据表 模型结果： （1）模型 （2）估计：用 logit 法估计。 （调用数据库和程序E:\logit） 模型形如： Stata 命令：logit y score d1 （3）得到估计式： (0.052) (0.052) (0.873) 注：括号里是p值。 （4）检验：可以直接根据括弧里的 p 值进行判断，也可以 利用正态分布表查临界值进行检验。 (5) 对参数加以解释： 说明当考生分数增加一分，被录取的机会比率增长率增加0.6771. 另外，是否应届生对录取与否没有显著影响。 因为 Z=2.051.96，所以score 变量在0.05的显著水平下 对Y的影响是显著的。 3. Probit模型 如果选择 累积正态概率分布曲线 Probit曲线和logit曲线很相似。两条曲线都是在pi = 0.5处有拐点， 但logit曲线在两个尾部要比Probit曲线厚。 （1） Probit 模型的设定 模型 （2） Probit 模型的边际分析 自变量的变化对响应概率（p）的影响： 一般情况下对连续变量，X取样本均值，指的是X在平均意义上每增加一个单位会导致事件发生的概率将会变化多少个单位。 例子调用程序讲解：E:\博士计量课程软件应用\logit (内含probit) 样本 i Y x 1 x1 0 x2 … … … n 1 xn 二、 二元选择模型的估计(ML) Yi 值 1 0 P （成功） （失败） 样本每次取值设为 贝努里分布取值。 样本取值 形式如图：