计量金融学计量金融学-3-2.pptVIP

第二节 离散因变量模型应用 前面介绍的回归模型中，被解释变量是连续的，但是在实际应用中，也存在被解释变量是定性选择结果的情况，例如，大学生毕业后选择就业或读研继续深造，在取得成年人的数据中，一部分人吸烟，一部分人不吸烟。进一步想要找出决定大学生就业与否、成年人吸烟与否的因素。这类模型常称为定性响应回归模型。这类模型表现为多种形式，这一节仅考虑最简单的一种，即 二元/二值/虚拟离散型因变量回归模型。 在离散型因变量分析中有多种模型，最常用的是Logistic 模型和 Probit 模型。本节中主要介绍这两种模型及其应用。 在二元选择模型中模型的因变量或被解释变量只有两种选择的定性结果，例如 ：一事件发生与否。对此，首先引入虚拟变量把定性选择结果转化为数学变量，例如 哪种情况发生并不是确定的，因此这些虚拟变量是随机的。 考虑影响定性结果的因素，如 年龄、受教育程度、家庭收入和香烟的价格来推断吸烟行为，建立下列模型 这时被解释变量和解释变量做简单的线性回归是不正确的，因为一方面模型的误差项有一些假设条件不能满足，另一方面，上面 的拟合值也不可能限定在0和1之间。 为解决这一问题，可采用如下定义：假设一个与解释变量 有关的指标 使得 将这个指标表达为 有的教材中称 为Z值。 引入这个指标后，如果已知误差项 的概率分布函数 就可求得定性选择的概率 假设 的密度函数是偶函数(如 )，则 进而得 和 即 的分布列为 则 说明：如果解释变量 是随机变量，则 0 1 一、Logistic模型 Logistic模型(即逻辑模型是由Verhulst在1945年提出)，是假定 服从Logistic分布，即它的分布函数形式是 通过求导数可知其密度函数是偶函数，因为 在上面的例子中，由于 所以 (4.1) 注意，对于逻辑模型 (4.2) 式中， 称为机会差异比，即所研究事件“发生”与“不发生”的概率之比。 总结: (4.2)式表明机会差异比的对数不仅对自变量为线性，而且对参数也是线性的。 称为logit（机会差异比的对数），因此常称这样的模型为logit模型。 附注： (1)尽管logit模型是线性的，但是用普通最小二乘法来估计是行不通的，原因是： 若某人吸烟， 若某人 不吸烟， 但如果将这些值直接带入 就会导致 的对数无意义. 因此要估计logit模型，必须求助其它估计方法。一般采用极大似然(ML)法或分组数据估计，也可用Eviews软件或SAS软件，在方程描述窗口直接选择Logit选项估计模型。 (2)若 是正的，就意味着当解释变量的值增加时，吸烟的机会将增大，若 为负，随着解释变量的值减小，吸烟的机会也减小。 (3)一旦估计出logit模型的系数，利用(4.1)式，容易计算出吸烟的概率 (4)对于取值仅为1或0的因变量，拟合优度统计量 没有多大意义，文献中常用的一个类似与 的统计量，叫做麦克法登(McFadden) 记作 它的取值也在0和1之间 (5) 模型的似然比(LR)统计量（与线性回归模型中的F检验是等价的)，是用来检验模型中全部系数同时为零的原假设。LR检验统计量服从自由度为解释变量个数的 　 分布 例3.3.1 从网上获得1979年美国1196名男子的数据，在分析过程中用到下列变量： Age=年龄，Educ=受教育年限，Income=家庭收入, Pcigs=1979年美国各州的香烟价格。 使用极大似然估计法，通过Eviews，分析吸烟与否同年龄、受教育年限、家庭收入和1979年美国各州的香烟价格之间的关系，记 基于Logistic模型得到下列结果 括号中的值是对应的p值 (1)根据p值知，年龄和受教育年限这两个变