实证课件第17章限制因变量模型.pptVIP

二值因变量 回顾线性概率模型, 即如下： P(y = 1|x) = b0 + xb 线性概率模型缺点在于， 预测值不是很好地被约束在(0,1)之间 另一个描述线性概率模型的函数为： G(b0 + xb), 其中 0G(z)1 概率单位模型 对 G(z)的另一个选择为标准正态累积分布函数 (cdf) G(z) = F(z) ≡ ∫f(v)dv, 其中 f(z) 服从标准正态分布, 则f(z) = (2p)-1/2exp(-z2/2) 这种情况叫做概率单位模型 因为这是非线性模型, 不可能通过我们通常的办法估计 使用极大似然法估计 对数单位模型 对于 G(z) 另一个通常的选择是对数单位函数——逻辑斯蒂函数, 对于一个标准逻辑斯蒂随意变量而言，服从标准正态累积分布 (cdf) 标准逻辑斯蒂随机变量 G(z) = exp(z)/[1 + exp(z)] = L(z) 这种情况叫做逻辑斯蒂模型, 或叫做逻辑斯蒂回归 两个函数有相同的图形 – 随着 z增加而增加, 在 0附近最快 对数单位模型与概率单位模型 而且都是非线性模型，并且需要使用极大似然估计 没有原因更偏好于选择其中一个 通常更多的是使用逻辑回归, 主要是因为逻辑回归函数可以得出更容易计算的魔心 如今概率单位模型也因为软件包的使用得到推广 概率单位模型与对数单位模型 通常我们都关心 x 对