第12章 离散选择模型.pdf

第 12 章 离散选择模型 如果回归模型的解释变量中含有定性变量，则可以用虚拟变量处理之。在实际经济问题 中，被解释变量也可能是定性变量。如通过一系列解释变量的观测值观察人们对某项动议的 态度，某件事情的成功和失败等。当被解释变量为定性变量时怎样建立模型呢？这就是要介 绍的二元选择模型或多元选择模型。这里主要介绍 Tobit （线性概率）模型，Probit （概率单 位）模型和 Logit 模型。 12.1 Tobit （线性概率）模型 Tobit 模型的形式如下， y =  +  x + u (12.1) i i i 其中 u 为随机误差项，x 为定量解释变量。y 为二元选择变量。此模型由 James Tobit 提出， i i i 因此得名。如利息税、机动车的费改税问题等。设 1 （若是第一种选择） y i = 0 （若是第二种选择） 1.2 Y 1.0 0.8 0.6 0.4 0.2 0.0 X -0.2 330 340 350 360 370 380 对y i 取期望， E(y i) =  +  xi (12.2) 下面研究y 的分布。因为y 只能取两个值，0 和 1，所以y 服从两点分布。把y 的分布记为， i i i i p = P ( y = 1) i i 1 - p = P ( y = 0) i i 则 E(y ) = 1 (p ) + 0 (1 - p ) = p (12.3) i i i i 由（2 ）和（3 ）式有 p i =  +  xi （y i 的样本值是0 或 1，而预测值是概率。） (12.4) 以p i = - 0.2 + 0.05 xi 为例，说明xi 每增加一个单位，则采用第一种选择的概率增加 0.05 。 假设用这个模型进行预测，当预测值落在 [0 ，1] 区间之内（即xi 取值在[4, 24] 之内）时， 则没有什么问题；但当预测值落在[0，1] 区间之外时，则会暴露出该模型的严重缺点。因 为概率的取值范围是 [0 ，1]，所以此时必须