17二元选择摸型.docVIP

PAGE PAGE 11 二元选择摸型 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，统称离散选择模型。这里主要介绍Tobit（线性概率）模型，Probit（概率单位）模型和Logit模型。 1．Tobit（线性概率）模型 Tobit模型的形式如下， yi = ? + ? xi + ui (1) 其中ui为随机误差项，xi为定量解释变量。yi为二元选择变量。此模型由James Tobin 1958年提出，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） yi = 0 （若是第二种选择） 对yi取期望， E(yi) = ? + ? xi (2) 下面研究yi的分布。因为yi只能取两个值，0和1，所以yi 服从两点分布。把yi的分布记为， P ( yi = 1) = pi P ( yi = 0) = 1 - pi 则 E(yi) = 1 (pi) + 0 (1 - pi) = pi (3) 由（2）和（3）式有 pi = ? + ? xi （yi的样本值是0或1，而预测值是概率。） (4) 以pi = - 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。 现在分析Tobit模型误差的分布。由Tobit模型（1）有， ui = yi - ? - ? xi = E(ui) = (1- ? - ? xi) pi + (- ? - ? xi) (1 - pi) = pi - ? - ? xi 由（4）式，有 E(ui) = pi - ? - ? xi = 0 因为yi只能取0, 1两个值，所以， E(ui2) = (1- ? - ? xi)2 pi + (- ? - ? xi)2 (1 - pi) = (1- ? - ? xi)2 (? + ? xi) + (? +? xi)2 (1 - ? - ? xi), （依据(4)式） = (1- ? - ? xi) (? + ? xi) = pi (1 - pi) , （依据(4)式） = E(yi) [1- E(yi) ] 上两式说明，误差项的期望为零，方差具有异方差。当pi接近0或1时，ui具有较小的方差，当pi接近1/2时，ui具有较大的方差。所以Tobit模型（1）回归系数的OLS估计量具有无偏性和一致性，但不具有有效性。 假设用模型（4）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]，所以此时必须强令预测值（概率值）相应等于0或1（见图1）。线性概率模型常写成如下形式， 图1 1, ? + ? xi ? 1 pi = ? + ? xi , 0 ? + ? xi 1 (5) 0, ? + ? xi ? 0 然而这样做是有问题的。假设预测某个事件发生的概率等于1，但是实际中该事件可能根本不会发生。反之，预测某个事件发生的概率等于0，但是实际中该事件却可能发生了。虽然估计过程是无偏的，但是由估计过程得出的预测结果却是有偏的。 由于线性概率模型的上述缺点，希望能找到一种变换方法，（1）使解释变量xi所对应的所有预测值（概率值）都落在（0，1）之间。（2）同时对于所有的xi，当xi增加时，希望yi也单调增加或单调减少。显然累积概率分布函数F(zi) 能满足这样的要求。采用累积正态概率分布函数的模型称作Probit模型。用正态分布的累