第17章 限值因变量模型和样本选择纠正.pptVIP

伍德里奇 《计量经济学导论》 （第4版） 主讲教师：张冠甲 国内外经典教材名师讲堂 第17章　限值因变量模型和样本选择纠正 　　本章要点　　二值响应模型 对数单位模型 　　 概率单位模型　　托宾模型　　托宾模型系数的解释　　泊松回归模型　　截取回归模型　　断尾回归模型　　样本选择问题以及heckman估计方法 　　回顾：二值选择模型 被解释变量 取0或1　　　 　其它的LDV模型　　解决方案　　线性概率模型（LPM，CH7）　　　缺陷：y作为一个概率值，有可能大于1或小于0；　　解释变量的偏效应 保持不变（思考：这意味着什么） 　　改进的办法 二值响应模型 （binary response models）　　主要考察响应概率　　对比线性概率模型也可以看做对响应概率的一种刻画方式　　通常，为了克服线性概率模型的缺陷，加以改进为“非线性”形式 　　关于G的两种常用形式　　1．对数单位模型，G采用logistic模式 　　2．概率单位模型 G是标准正态的累积分布函数　　更一般的形式：由潜变量模型来推导　　假定e独立于x，并服从标准的logistic分布或标准正态分布 　　推导过程　　进一步的问题　　问题17.1 如何估计 xj 对成功概率P(y=l|x)的影响，即如何推导这种偏效应？　　求导，知　　所以偏效应的符号取决于  　　其它情形，不能求导的离散解释变量如何处理？　　方法：取离差　　例如：如果X1是一个二值解释变量，那么在保持其他变量不变的情况下，X1从0变化到1的偏效应无非是 　　二值响应模型的估计　　方法：极大似然估计法MLE　　回顾：经典线性模型假定下，0LS估计量也是极大似然估计量 　　但这里由于非线性，因此不能用OLS估计量，只能用极大似然估计　　回顾：MLE方法的思想和估计步骤　　有一个容量为n的随机样本。为了得到以解释变量为条件的极大似然估计量，我们需要yi在给定xi下的密度函数。 　　写出密度函数后，进一步将其取对数，以方便使用线性性质　　得到样本容量为n 的对数似然函数 　　另一个重要的问题　　估计xj对响应概率P(y=l|x)的影响。若xj是(几乎处处)连续的，则对 xj 的“较小”变化，有　　难点是 　　　　取决于所有的x。　　解决方案：将每个解释变量都代之以样本平均值。换言之，调整因子是：　　再乘以 ，得到平均个人偏效应 　　平均个人偏效应(PEA）的两个问题　　1．若某些解释变量是离散的，则它们的平均值在样本(或总体)中没有对应个人。　　2．很难取舍，到底是要代入非线性函数值的平均值，还是将变量的平均值代入非线性函数　　比如 　　　与　　考察限值因变量的另一种类型　　在严格为正值时大致连续，但总体中有一个不可忽略的部分取值为0。 　　采用线性模型进行预测，有两大缺陷　　1．产生负的预测值　　2．E(y|x)的偏效应为常数，但事实上可能不是　　改进办法：采用托宾模型　　托宾模型用一个基本的潜变量来表示所观测到的响应y： 　　问题17.2 Q：解释变量Y取0的概率是多少？　　利用标准正态分布的性质　　进一步考察，托宾模型如何估计？　　依然采用极大似然估计法，首先针对每一次观测，找到相应的对数似然函数；然后将随机样本的对数似然函数最优化求解 　　若(xi，yi)是得自总体的一次随机抽取，则在给定Xi下yi的密度为　　从而得到每个观测i的对数似然函数 　　问题17.3　　令y表示美国总体中已婚妇女婚外情的次数；我们想用她(特别是她在外面是否有工作)、她丈夫及其家庭的其他特征来解释这个变量。这是一个很好的托宾模型吗?　　托宾模型估计系数的解释　　 　　微妙之处： 　度量的是 　对 　　 　的偏效应　　是潜变量 　而不是y　　进一步地，在托宾模型中，两个期望值是不同的 　　利用二者之间的关系求解　　进一步地，　定义 　　　　inverse Mills ratio 　　思考：这与线性模型中，用OLS估计的结果有何不同？　　进一步地　　性质：在托宾模型中， 不再是x和 的线性函数。　　Q：此时 还有无简洁直观的意义？　　A：有。可以判断偏效应的符号（不能再判断偏效应的大小） 　　求导得出偏效应的表达式　　大括号中的项给出调整