第十章定性选择模型计量经济学.ppt

在这里，因变量的拟合值代表 的可能性的对 数。术语概率（ probability ）和机会（ odds ）不是一 回事。如果一个事件的概率是 0.25 ，则机会将是： 0.25 1 1 1 0.25 3 ? ? ? ? 概率 概率 我们通常将其写为 1:3 ，读作 1 对 3 。如果概率是 0.5 或 50% ，则相应为 0.5/ （ 1-0.5 ） =1/1 ，或 1:1 。我 们可以给 logit 模型中斜率系数一个特别的解释：某 个解释变量的变动对 Y 等于 1 的机会的影响。准确地 说， logit 模型的斜率系数告诉我们，在其它解释变 量保持不变的情况下，该解释变量变动一个单位所 引起的机会的对数的变动。 1 i Y ? 与 probit 模型一样， logit 模型也不能用 OLS 法估计， 而要用极大似然法估计。采用表 10-1 中的同样数据估 计 logit 模型，回归结果如表 10-5 所示。 表 10-5 两候选人选举模型的 Logit 回归结果 Dependent variable ： CAND1 Variable Coefficient Standard error t-Statistic p-Value Constant -8.96 3.23 -2.77 0.01 INCOME 0.12 0.06 1.98 0.05 AGE 0.13 0.06 2.03 0.04 MALE -1.03 1.54 -0.67 0.51 Observations ： 30 McFadden pseudo-R 2 = 0.60 Residual Sum of Squares = 2.59 McFadden pseudo-R 2 和统计显著性与 probit 模型的 结果类似。 INCOME 和 AGE 的系数估计值亦在 5% 误差 水平上显著。而 MALE 则在两种模型回归中均不显著。 而斜率系数估计值则不同，这是因为它们的意义不一 样。例如， AGE 的系数估计值 0.13 意味着收入和性别 不变的情况下，年龄增大一岁，选举候选人甲的机会 的对数增加 0.13 。实际上，除了斜率系数的解释不同， 使用 probit 模型和 logit 模型并没有多大区别。 第三节 多项选择模型 我们可能遇到多于两个可能的选择的情况，如在选 举模型例子中，有可能不止两个候选人，我们前面 讨论的估计方法无法处理多于两项选择的情况。如 果第三个候选人丙加进来了，我们就必须调整以前 的估计方法，来考虑加上第三项选择的情况。 第十章 定性选择模型 我们在第四章中曾介绍解释变量为虚拟变量的模 型，本章要讨论的是因变量为虚拟变量的情形。在这 种模型中，因变量描述的是特征、选择或者种类等不 能定量化的东西，如乘公交还是自己开车去上班、考 不考研究生等。在这些情况下，因变量是定性变量， 我们可以用定义虚拟变量的方法来刻画它们。这种因 变量为虚拟变量的模型被称为定性选择模型 （ Qualitative choice models ）或定性响应模型 （ Qualitative response models ）。 如果只有两个选择，我们可用 0 和 1 分别表示它 们，如乘公交为 0 ，自驾车为 1 ，这样的模型称为二元 选择模型（ binary choice Models ），多于两个选择 （如上班方式加上一种骑自行车）的定性选择模型称 为多项选择模型（ Multinomial choice models ）。 第一节 线性概率模型 二元选择模型如何估计呢？由于它看上去象是一 个典型的 OLS 回归模型，因而一个简单的想法是采用 OLS 法估计。当然，对结果的解释与常规线性回归模 型不同，因为二元选择模型中因变量只能取两个预定 的值。线性概率模型（ LPM ）一般形式如下： 这看上去与典型的 OLS 回归模型并无两样，但区 别是这里 Y 只取 0 和 1 两个值，观测值可以是个人、公 司、国家或任何其他横截面个体所作的决定。解释变 量中可以包括正常变量和虚拟变量。 0 1 1 2 2 (10.1) i i i k ki i Y X X X u ? ? ? ? ? ? ? ? ? ? L 下面用一个关于是否读研究生的例子来说明如何 解释线性概率模型的结果。模型为： 0 1 2 (10.2) i i i i Y GPA INCOME u ? ? ? ? ? ? ? 其中： ? ? ? ? 0 1 i Y 该生三年内未去读研 三年内去读研 个学生拿到学士学位后 第 i i i GPA ? 第 个学生本科平均成绩 位：千美元） 个学生家庭年收入（单 第 i ? i INCOME 设回归结果如下（所有系数值均在 10% 水平统计 上显著）： ? 0.7 0.4