受限因变量模型的极大似然估计.docxVIP

受限因变量模型的极大似然估计

引言

在经济学、社会学、医学等领域的实证研究中，我们常常遇到因变量取值被限制的情况。例如，消费者是否购买某商品（0-1二值结果）、家庭对某类商品的支出（可能为0或正数）、患者的生存时间（部分观测值因研究结束未完全记录）等。这类因变量无法用传统线性回归模型直接处理，需借助受限因变量模型（LimitedDependentVariableModels）。而在这类模型的参数估计中，极大似然估计（MaximumLikelihoodEstimation,MLE）因其理论上的优良性质（如一致性、渐近有效性）和广泛的适用性，成为最常用的估计方法之一。本文将围绕受限因变量模型的特点、极大似然估计的原理，以及其在不同受限模型中的具体应用展开深入探讨，旨在帮助读者系统理解这一重要方法的逻辑与实践。

一、受限因变量模型的基本类型

要理解极大似然估计在受限因变量模型中的应用，首先需要明确这类模型的核心特征——因变量的取值范围被限制，导致传统线性回归的假设（如误差项正态分布、因变量连续）不再成立。根据受限的具体形式，常见的受限因变量模型可分为以下几类：

（一）二值响应模型

二值响应模型的因变量只能取0或1两个值，例如“是否就业”“是否购买保险”等。这类模型的本质是研究解释变量对事件发生概率的影响。与线性概率模型（假设概率与解释变量呈线性关系）不同，二值响应模型通常采用累积分布函数（如正态分布的Probit模型、逻辑分布的Logit模型）来描述概率的非线性变化，避免线性模型中概率超出[0,1]区间的问题。

（二）截断模型（Tobit模型）

截断模型的因变量在某个临界点（通常为0）被截断，即部分观测值无法被完全观测到。例如，家庭对奢侈品的支出可能为0（未购买）或正数（实际支出），但“0”并非真实的零支出，而是未达到观测阈值的结果。Tobit模型（由Tobin提出）通过区分“是否支出”（选择方程）和“支出多少”（结果方程）两个过程，将截断机制纳入模型设定。

（三）删失模型

删失模型与截断模型类似，但删失的观测值已知其方向。例如，在生存分析中，患者的生存时间可能因研究结束而“右删失”（已知生存时间至少为某个值），或因失访而“左删失”（已知生存时间不超过某个值）。删失模型需要同时考虑观测到的精确值和删失值的概率，以全面利用样本信息。

（四）计数模型

计数模型的因变量为非负整数，如“企业申请的专利数量”“患者年内就医次数”等。这类模型的核心是描述事件发生次数的概率分布，常用的有泊松模型（假设均值等于方差）和负二项模型（允许方差大于均值，处理过度离散问题）。

二、极大似然估计的基本原理

在明确受限因变量模型的类型后，我们需要理解极大似然估计的基本思想——它是一种通过最大化样本出现概率来估计模型参数的方法。这一方法的核心逻辑可概括为以下三步：

（一）似然函数的构造

似然函数是样本联合概率密度（或质量）函数的参数化表达。对于独立同分布的样本，似然函数等于每个观测值概率密度（或质量）的乘积。例如，对于二值响应模型中的第i个观测值，若因变量y_i=1，其概率为P(y_i=1|x_i;θ)；若y_i=0，概率为1-P(y_i=1|x_i;θ)。似然函数L(θ)即为所有观测值对应概率的乘积，即L(θ)=∏P(y_i|x_i;θ)。

（二）对数似然函数的优化

直接最大化似然函数（乘积形式）在计算上较为困难，因此通常取自然对数转化为求和形式，得到对数似然函数l(θ)=lnL(θ)=∑lnP(y_i|x_i;θ)。对数变换不改变似然函数的极大值位置，但将乘积转化为求和，便于求导和优化。

（三）极大似然估计的优良性质

极大似然估计之所以被广泛应用，源于其在大样本下的优良性质：

一致性：当样本量趋近于无穷大时，估计量收敛于真实参数值；

渐近有效性：在所有一致估计量中，极大似然估计的渐近方差最小；

渐近正态性：估计量的分布渐近服从正态分布，便于进行假设检验和置信区间估计。

这些性质使得极大似然估计在受限因变量模型中尤为重要，因为模型的非线性特征导致普通最小二乘法（OLS）不再适用，而极大似然估计能提供更可靠的推断基础。

三、极大似然估计在受限因变量模型中的具体应用

掌握了极大似然估计的基本原理后，我们需要结合不同受限因变量模型的特点，探讨似然函数的构造方式和估计过程的具体实现。

（一）二值响应模型中的应用

以Logit模型为例，其假设事件发生的概率P(y=1|x)=1/[1+exp(-x’β)]，其中x’β为解释变量的线性组合。对于每个观测值，若y_i=1，其概率为P_i；若y_i=0，概率为1-P_i。对数似然函数为l(β)=∑[y_ilnP_i+(1-y_i)ln(1-P_i)]。通过对l(β)关于β求导并令导数为零，可得到极大似然估计的一