多元离散因变量模型.ppt

Nested Logit模型 Nested Logit模型对随机效用函数中的个人偏好附加了更加合理的分布结构，从而允许随机扰动项在某些选项之间存在着关联性 这种关联性是通过广义极端值分布 (Generalized Extreme Value, GEV) 实现的 Nested Logit模型适用于选项可以按照某种标准进行分组，并满足下列条件： 同一个组内所进行的选择满足IIA假设； 两个不同组间的选择满足IIN假设，即无关组项独立性假设 (Independence from irrelevant nests, IIN) GEV分布 选择概率 给定第g组，消费者选择j的概率为： 消费者在各组间选择第g组的概率为： 消费者选择j的概率为上面两者之积 多项式Probit模型(Multinomial Probit Model) Multinomial Logit模型的缺陷 IIA假设的附加 不允许偏好的异质性（d为常数） 无法处理时间上的相关性，在面板数据中很难对该模型进行扩展 虽然Nested Logit模型在一定程度上放宽了IIA假设以及偏好的同质性，但它还是附加了一些约束 多项式Probit模型在很大程度上克服了上述Multinomial Logit模型所具有的缺陷，因为它允许选项之间相对自由的关联性 允许不同消费者之间的偏好异质性 允许不同选项之间更加灵活的替代模式 允许随机扰动项在时间上的相关性 MNP模型设定 随机效用函数与MNL模型是一样的： 假设随机扰动项服从多元正态分布 其密度函数为 对于多项式Probit模型，模型参数除了β之外，还有方差-协方差矩阵Σ中的J(J+1)/2个元素。因此，该模型的待估参数要远远多于多项式Logit模型 MNP模型中的选择概率 在随机扰动项服从多元正态分布的假设下，可以得到消费者选择选项j的概率为： IIA假设检验 Hausman检验 思想 如果选择集中的选项真的是独立无关的，即对其它选项的机会比没有影响，那么将某个选项从模型中去掉，参数的估计结果不应该产生系统性的改变 具体步骤 首先用包含所有选项的样本，对参数进行估计，得到hat(b) 然后随机去掉某一个选项，再对参数进行估计，得到tiuta(b) 最后，选择共有的参数估计结果，计算统计量HM HM统计量 问题 由于是随机去掉某一个选项，去掉不同的选项，会得到不同的检验结论 所以要得到令人信服的结论，需要把每一个选项都去掉一次，作多次HM检验 另外，由于样本容量和数据的原因，HM检验有可能得到负的结果，这很难作出解释 Small－Hsiao检验 类似于Chow检验 步骤 首先对全部样本进行估计，得到log-likelihood值 L1 然后随机去掉一个选项，得到log-likelihood值L2， 接下来把上面两个步骤中的数据合并起来，重新进行估计，得到log-likelihood值L3 最后计算统计量 Small-Hsiao=-2[L3-(L1+L2)]～c2(k) 尽管为了得到令人信服的结论，Small－Hsiao检验也需要进行多次检验，但是Small－Hsiao检验总可以得到正的结果 Stata命令 Multinomial Logit mlogit depvar [indepvars][weight][if exp][in range][,basecategory(#) constraints(clist) noconstant robust cluster(varname) score(newvarlist) rrr level(#) maximize_options] basecategory(#): specifies the value of depvar that treated as base category; default is to choose the most frequent category. constraints(clist): linear constrained estimation score(newvarlist): create k-1 variables,k is number of observed outcomes; the mth is dLnLj/dlnxjbm rrr:reports estimated coefficients transformed to relative risk ratio.i.e:exp(b) instead of b Predict: p, xb, stdp; stdpp:calculates standard error of the difference in two linear predictions,