虚拟被解释变量模型与特殊回归分析.pptxVIP

第七章虚拟被解释变量

/离散因变量模型特殊变量、特殊回归模型1

特殊变量、特殊回归模型特殊回归模型分位数回归模型非参数回归模型特殊变量回归模型虚拟解释变量回归模型随机解释变量模型多项式分布滞后模型变参数模型二元选择模型多元选择模型排序选择模型受限因变量模型计数模型2

虚拟变量3

虚拟解释变量回归模型虚拟变量：含义取值引入方式设置原则4

第七章虚拟被解释变量

/离散因变量模型截面数据线性概率模型二元选择模型多元选择模型排序选择模型扩展含有内生解释变量的probit模型双变量probit模型部分可观测的probit模型条件logit模型混合logit模型嵌套logit模型随机系数logit模型含有内生解释变量的Tobit模型5

多元选择模型6

7第七章虚拟被解释变量/离散因变量模型通常的经济计量模型都假定因变量是连续的，但是在现实的经济决策中经常面临许多选择问题。人们需要在可供选择的有限多个方案中作出选择，与通常被解释变量是连续变量的假设相反，此时因变量只取有限多个离散的值。例如，人们对交通工具的选择：地铁、公共汽车或出租车；投资决策中，是投资股票还是房地产。以这样的决策结果作为被解释变量建立的计量经济模型，称为离散被解释变量数据计量经济学模型（modelswithdiscretedependentvariables），或者称为离散选择模型(discretechoicemodel,DCM)。

8在实际中，还会经常遇到因变量受到某种限制的情况，这种情况下，取得的样本数据来自总体的一个子集，可能不能完全反映总体。这时需要建立的经济计量模型称为受限因变量模型（limiteddependentvariablemodel)。这两类模型经常用于调查数据的分析中。

9§7.1二元选择模型在离散选择模型中，最简单的情形是在两个可供选择的方案中选择其一，此时被解释变量只取两个值，称为二元选择模型（binarychoicemodel）。在实际生活中，我们经常遇到二元选择问题。例如，在买车与不买车的选择中，买车记为1，不买记为0。是否买车与两类因素有关系：一类是车本身所具有的属性，如价格、型号等；另一类是决策者所具有的属性如收入水平、对车的偏好程度等。如果我们要研究是否买车与收入之间的关系，即研究具有某一收入水平的个体买车的可能性。因此，二元选择模型的目的是研究具有给定特征的个体作某种而不作另一种选择的概率。

10为了深刻地理解二元选择模型，首先从最简单的线性概率模型开始讨论。线性概率模型的回归形式为：（7.1.1）其中：N是样本容量；k是解释变量个数；xj为第j个个体特征的取值。例如，x1表示收入；x2表示汽车的价格；x3表示消费者的偏好等。设yi表示取值为0和1的离散型随机变量：式（7.1.1）中ui为相互独立且均值为0的随机扰动项。7.1.1线性概率模型及二元选择模型的形式

11令pi=P(yi=1)，那么1-pi=P(yi=0)，于是（7.1.2）又因为E(ui)=0，所以E(yi)=xi?，xi=(x1i,x2i,…,xki),?=(?1,?2,…,?k)?，从而有下面的等式：（7.1.3）

12式(7.1.3)只有当xi?的取值在(0,1)之间时才成立，否则就会产生矛盾，而在实际应用时很可能超出这个范围。因此，线性概率模型常常写成下面的形式：(7.1.4)此时就可以把因变量看成是一个概率。那么扰动项的方差为：(7.1.5)或(7.1.6)

13由此可以看出，误差项具有异方差性。异方差性使得参数估计不再是有效的，修正异方差的一个方法就是使用加权最小二乘估计。但是加权最小二乘法无法保证预测值?在(0,1)之内，这是线性概率模型一个严重的弱点。由于上述问题，我们考虑对线性概率模型进行一些变换，由此得到下面要讨论的模型。假设有一个未被观察到的潜在变量yi*，它与xi之间具有线性关系，即(7.1.7)其中：ui*是扰动项。yi和yi*的关系如下：