Probit模型-政治大学.pptVIP

質化的及有限的因變數模型 個人及公司的選擇中，有許多無法用連續的結果變數加以衡量。 因變數為有限的:所謂有限指的是它們是連續的，但值的範圍被限制且不能完全被觀察。 虛擬因變數 虛擬因變數的選擇可用一個二元變數來代表；若某個結果被選到，其值為1，否則的話，其值為0。 一般而言都是使用最大概似估計法來估計此種模型。 線性機率模型 y = 1 開車上班 0 搭公車上班 y 是隨機變數 (在取得樣本前，結果y對我們來說將是未知的) f(y) = Py(1-P)1-y 其中P是y值為1的機率 E(y) =P y = E(y) + e = P+e E(y) = P = β1 + β2x 問題: 預測小於0或大於1的值，這樣的值在機率上並沒有意義 線性機率模型假設當 x 增加時，對於y在機率上的影響為固定的 dP/dx =β2 因此 , 固定比率的增加是不可能的→非線性的probit 模型 隨著x的增加，機率曲線起初會快速地上升，然後開始以遞減的比率增加。在x變動一單位的條件下，機率的變動是由此曲線的斜率所決定，用以代表這種曲線的函數關係式為 probit 函數， probit 函數和標準常態機率分配有關 probit 模型被稱做是非線性的，因為上述式子是 β1 和 β2 的非線性函數。 f(β1 + β2x) 是以 β1 +