二值因变量模型_14.3模型的估计.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 Probit和Logit模型的估计 Logit 和Probit 模型的估计和推断 以Probit模型为例 P(y = 1|x) = Φ(β + β x) 0 1 估计和推断 如何估计β 和β ? 0 1 估计量的样本分布如何? 为什么经典的推断方法任然适用? Probit模型中，参数的极大似然估计量 极大似然函数是使得似然函数取值最大的 (β , β ) 0 1 的值。给定x ,…,x 时y ,…,y 的条件密度函数，该函数 1 n 1 n 可以看做未知参数β 和β 的函数。 0 1 01 极大似然估计量（MLE） 02 MLE 是能够最好描述样本分布的 (β , β ) 值. 0 1 Probit模型中，参数的极大似然估计量 03 在大样本的情况下, MLE具有: 一致性 正态分布性 有效性 (在所有的估计量中具有最小方差) 极端情况: 没有自变量x 的Probit MLE y= 1, 概率为p (Bernoulli distribution) 0, 概率为1−p 数据: y ,…, y , 独立同分布（i.i.d.） 1 n y 的概率分布律为: 1 Pr(y 1 = 1) = p ， Pr(y 1 = 0) = 1–p 因此 Pr(y 1 = y ) = 1 − 1− , (y=0, 1 ) 极端情况: 没有自变量x 的probit MLE (y ,..,y )的联合分布律为: 1 n Pr(y = y ,y = y ,…,y = y ) 1 1 2 2 n n =[ p y1 (1  p)1y1 ][ p y2 (1  p)1y2 ] [ p yn (1  p)1yn ] n n i1 yi ni1 yi  =p (1 p  ) 极端情况: 没有自变量x 的probit MLE 极大似然函数看作是未知参数p的函数: n n i 1y i ni 1 yi  f (p ;y ,,y )=p (1p ) 1 n 极大似然估计量 （MLE）使得上面的函数取得最大值.