第15章-定性响应回归模型.pptVIP

若L，即 Logit，是正的，这意味着当回归元的值增加时，回归子等于1的机会增加。若L为负，随着X的值增加，回归子等于1的机会减小。 (15.5.6)中给出的 Logit 模型的解释如下： 斜率β2度量了随着X每单位变化的L的变化，也就是说，它说明了随着收入变化一个单位，比如1000美元，拥有住房的对数-机会比率是怎样变化的 截距β1是收入为零时拥有住房的对数-机会比率的值。 关于泊松回归模型拟合函数的解释 非群组或个体数据的 probit 模型 方法：MLE Eviews 的结果在P613，表15.13 自己动手试试看 区别： 第一，几何图形上的区别： P614，Figure 15.6 第二，估计系数：不具有直接的可比性 §15.10 Logit 模型和 Probit 模型的 比较 雨宫（Amemiya）建议： 不含截距项时  含截距项时 Tobit 模型是 Probit 模型的一个扩展，它最先由诺贝尔经济学家詹姆斯·托宾提出。 我们继续讨论住房所有权的例子。 在