二值因变量模型_14.2Probit和Logit模型.pdf

对外经济贸易大学 计量经济学 I n t r o d u c t i o n t o E c o n o m e t r i c s 导论 二值因变量模型： Probit 和 Logit 模型 Probit 和 Logit 回归 在线性概率模型中，y =1 的概率是x 的线性函数: P (y = 1|x) = β + β x 0 1 在非线性概率模型中: 01 对于β 0 ，Pr(y = 1|x)是x 的单增函数； 1 02 0 ≤ P(y = 1|x) ≤ 1 对所有的x 都成立。 我们希望构造一个非线性函数来刻画此概率。例如一个 “S-curve”的函数。 Probit 回归用标准正态分布的累积分布函数 Φ(z) 来建模y =1 的概率。 令z = β + β x ，那么Probit 回归模型的形式为 0 1 P(y = 1|x) = Φ(β + β x) 0 1 其中 Φ 为标准正态分布的分布函数，z = β + β x 是probit 0 1 模型的“z-value” or “z-index”. 例如: 假设β = -2, β = 3, x =0.4, 那么 0 1 P(y = 1|x=0.4) = Φ(-2 + 3 ×0.4) = Φ(-0.8) Pr(z ≤ -0.8) = 0.2119 Probit 回归 为什么要使用标准正态分布的累积分布函数? 该函数的 “S-shape”满足了我们的需要： 01 对于β 0 ，P(y = 1|x) 是x的单增函数 1 02 0 ≤ P(y = 1|x) ≤ 1 对于所有的x都成立 便于使用– 可以查正态分布表的到相关的概率值 (在相关的软件中也很容易得到) Probit 回归 相对直观的理解: 01 β + β x = z-value 0 1 02 β 1 对应于x变化一个单位时z-value 的变化 03 给定x ， + 是预测的z-value 0 1 STATA Example : HMDA data . probit deny p_irat , r; Iteration 0: log likelihood = -872.0853 Iteration 1: log likelihood = -835.6633 Iteration 2: log likelihood = -831.80534 Iteration 3: log likelihood = -831.79234 Probit estimates Number of obs = 2380 Wald chi2(1) = 40.68 Prob chi2 = 0.0000 Log likeliho