第六章二元选择模型课件.pptVIP

线性回归模型中的可决系数R2不再适用于测度离散选择模型的拟合优度。原因是离散选择模型的R2不可能接近1(因为Yi的观测值只取0或1，而Yi 的预测值是概率) 。 目前最常用的是McFadden(1974)提出的McFadden-R2，它是一种替代R2的度量拟合优度的较好方法。 第三节 二元离散模型的评价和参数的统计检验 一、 模型的拟合优度检验 （一） McFadden-R2 Mcfadden R-squared： 麦克法登似然比率指数（likelihood Ratio Index） 其被定义为: 其中： 是当前模型对数似然函数的最大值（Log likelihood）； 仅仅包含常数项和误差项的零模型估计结果的对数似然函数的最大值（Restr. log likelihood）。 如果极大化过程显示所估计参数的任何变化都不会引起对数似然函数的变化，则 ；如果所估计的似然函数对样本中每一个因变量的预测是完全准确的，则 。如果在方程定义对话框的解释变量列表中不包含常数项，则估计结果中不显示Mcfadden R-squared统计量。 看模型预测值 , 检查一下Y=1或Y=0 的概率的正确性来判断模型拟合的好坏。 将 与实际的Y值比较，就可以得到模型预测 的正确率。 当 ，令 ，当 ，令 。 （二）期望-预测表检验 检验原理： 检查的方法是，选取适当的截断值 对于二元选择模型，与经典模型中采用的变量显著性t 检验类似，可以通过极大似然估计时给出的z 统计量检验系数的显著性。 二、参数的显著性检验 （一）Z检验 对模型中参数显著性检验还可使用Wald检验，其检验统计量为： （二）Wald检验 在 下，W 渐近服从自由度为1的 分布。因此，可根据 分布表，在给定的显著性水平 下，得到相应的临界值，从而判断参数的显著性。 统计学上已经证明，在大样本情况下，两个模型之间如果具有嵌套关系，则两个模型之间的对数似然值乘以-2的结果之差近似服从 分布。这一统计量就是似然比统计量。 （三）似然比检验 零假设: 备择假设: 式中X1是保留的变量向量；X2是省略的变量向量。 式中： 分别为H0情形和 H1情形下的似然函数值的估计量。 LR统计量服从 分布，自由度为 中的变量数目。 例2 仍考虑Greene给出的斯佩克特和马泽欧(1980) 的例子。 以Logit模型的估计结果为例 类似R2 类似F检验 第一节 线性概率模型模型 第二节 二元Logit离散模型 第三节 二元Probit离散模型模型 第四节 受限Tobit模型 二元离散选择模型的经济背景 实际经济生活中，人们经常遇到二元选择问题。 由于购买住房行为要受到许多因素的影响，不 仅有家庭收入、房屋价格，还有房屋的所在环境、 人们的购买心理等，所以人们购买住房的心理价位 很难观测到，但我们可以观察到是否购买了住房， 即 研究家庭是否购买住房。 员工是否愿意跳槽到另一家公司，取决于薪 资、发展潜力等诸多因素的权衡。员工跳槽的成本 与收益是多少，我们无法知道，但我们可以观察到 员工是否跳槽，即 分析公司员工的跳槽行为。 建议对投票者的利益影响是无法知道的，但可 以观察到投票者的行为只有三种，即 对某项建议进行投票。 从上述被解释变量所取的离散数据看，如果被解释变量只有两个选择，则建立的模型为二元离散选择模型，又称二元型响应模型；如果变量有多于二个的选择，则为多元选择模型。这种二元选择模型或多元选择模型，统称离散选择模型。 主要介绍线性概率模型、Probit模型、Logit模型。 第一节 线性概率模型 一、线性概率模型形式 设家庭购买住房的选择主要受到家庭收入水平的影响，则用如下模型表示 其中:Xi为家庭的收入水平，Yi为家庭购买住房的选择 令 那么 被解释变量Yi 的分布为 Yi 0 1 概率 1-Pi Pi 于是 又因为 所以 家庭选择购买住房的概率是解释变量-家庭收入的一 个线性函数。我们称这一关系式为线性概率函数。 根据经典线性回归，我们知道其总体回归方程是 条件期望建立的，这使我们想象可以构造线性概 率模型 Yi的样本值是0或1 。 线性概率模型只能在 范围