第九章虚拟变量模型.ppt

第二节 虚拟被解释变量 当虚拟变量作为被解释变量时，其作用是对某一经济现象 或活动进行“是”与“否”的判断或决策。 研究是否购买商品住房、是否参加人寿或财产保险、是否 能按期偿还贷款、新产品在市场上是否畅销、对某一改革措施 所持的态度等。 例如： 例如： 假定我们要从一个截面样本度量汽车所有权的决定因素。 某些人有汽车，而其他人没有。假定这种所有权函数的决定因素是 收入和职业，则可设定模型为： （8-16） 其中，Xi表示收入， D1i= 1 第i个人是有车者 0 第i个人是无车者 D2i= 1 第i个是白领职业 0 其它 显然，这个模型中被解释变量是一个虚拟变量。 特征： 被研究的对象(即被解释变量)在受到多种因素影响时，其取值 只有两种状态：“是”与“否”。 ——“二元型响应”现象 如何处理二元型响应被解释变量模型的估计、推断问题？？ 一、线性概率模型(LPM) 二、Logit模型 一、线性概率模型(LPM) 1．什么是线性概率模型 假设住户是否购买商品房的决定主要依赖于其收入水平。 那么考虑下列模型 （8-17） 其中，Xi为住户的收入；Yi为一虚拟变量，表示住户购买商品住房的情况 Yi= 1 已购买商品住房 0 未购买商品住房 问题： 我们前面讨论的回归分析主要是研究E(Yi|Xi)=β0+β1 Xi的问题， 即研究条件均值轨迹的问题，而在上述模型中，被解释变量是某种属性 发生与否的状况，怎样把被解释变量某种属性发生与否的概率问题同条 件均值的轨迹研究联系起来? 另外，若概率问题与条件均值轨迹能够联系起来的话，那么，我们 所讨论的线性回归分析会出现什么问题? 由于E(μi)=0，由(8-17)， E(Yi|Xi)=β0+β1 Xi （8-18) 另外，设Y有下列分布： P（Yi=1）= pi ， P（Yi=0）= 1- pi 根据数学期望的定义 E(Yi)=0×(1-pi) +1×pi = pi （8-19) 注意到事件Y=1是在给定收入X的条件下发生的，因此E(Yi)= E(Yi |Xi)，于是有 E(Yi |Xi )= βi+β1X i= pi (8-20) 表明购买商品用房的概率是收入的线性函数。 像(8-17)式那样，以虚拟变量作为被解释变量的模型的条件期望实际上等于 随机变量Yi取值为1的条件概率。 即当住户的收入水平为X时，其购买商品住房的概率可表示成X的线性函 数，故(8-17)式也被称为线性概率模型(LPM)。 显然，只要得到(8-17)式中β0和β1的估计量后，就可以估计出不同收入 水平住户购买商品住房的概率。 0≤E(Yi|Xi)≤1 (8-21) 由于E(Yi |Xi) =β0+β1 Xi = pi∈[0，1] ，故在估计(8-20)式时必须 满足约束条件 2．线性概率模型的估计 从形式上看，(8-17)式与普通的线性计量经济模型相似，是否能够 运用OLS法直接对其进行估计呢？ 答案是否定的。 因为直接采用OLS法对(8-17)式那样的模型进行估计，将会遇到一 些特殊的问题，使得估计结果失去了合理的经济解释，因而需要寻求 相应的处理方法。 问题： (1) 随机扰动项μi的非正态性 在线性概率模型中，因为 显然，关于μi的正态性假设不再成立。 μi=Yi-β0-β1 Xi = 1-β0-β1 Xi 当Yi=1时 -β0-β1 Xi 当Yi=0时 直接运用OLS法对线性概率模型进行估计，对参数的估计不会产生 太大影响。 说明： (2) 随机扰动项μi的异方差性 Var(μi )=E[μi -E(μi )]2=E(μi 2) =(1-β0-β1 Xi )2pi +(-β0-β1 Xi )2(1-pi ) =(1-β0-β1 Xi)2(β0+β1 Xi )+( - β0-β1 Xi )2(1-β0-β1 Xi ) =(β0+β1 Xi ) (1