第八章离散和受限被解释变量模型.ppt

由于被解释变量数据的截断问题，使得原模型变换为包含一个非线性项模型。 如果采用OLS直接估计原模型： 实际上忽略了一个非线性项； 忽略了随机误差项实际上的异方差性。 这就造成参数估计量的偏误，而且如果不了解解释变量的分布，要估计该偏误的严重性也是很困难的。 三、“归并”问题的计量经济学模型 1、思路 以一种简单的情况为例，讨论“归并”问题的计量经济学模型。即假设被解释变量服从正态分布，其样本观测值以0为界，凡小于0的都归并为0，大于0的则取实际值。如果y*以表示原始被解释变量，y以表示归并后的被解释变量，那么则有： 单方程线性“归并”问题的计量经济学模型为： 如果能够得到yi的概率密度函数，那么就可以方便地采用最大似然法估计模型，这就是研究这类问题的思路。 由于该模型是由Tobin于1958年最早提出的，所以也称为Tobin模型。 2、“归并”变量的正态分布 由于原始被解释变量y*服从正态分布，有 3、归并被解释变量数据模型的最大似然估计 该似然函数由两部分组成，一部分对应于没有限制的观测值，是经典回归部分；一部分对应于受到限制的观测值。 这是一个非标准的似然函数，它实际上是离散分布与连续分布的混合。 如果样本观测值不是以0为界，而是以某一个数值a为界，则有 估计原理与方法相同。 4、例8.2.2:城镇居民消费模型 OLS估计：将样本看为不受任何限制下随机抽取的样本 OLS估计：将样本看为在消费水平为1000元的归并样本 选择归并样本 选择归并值 Censored(11000) 估计 Censored(12000) 估计—与OLS相同 Probit 0.999999 1.000000 0.447233 0.000000 五、二元离散选择模型的检验 1、计量经济学模型中的两类检验统计量 基于LS R2 总体显著性F检验 约束回归的F检验 基于ML Wald LR (likelihood ratio) LM (lagrange multiplier) 原理相同 2、拟合检验 P：样本观测值中被解释变量等于1的比例。 L0：模型中所有解释变量的系数都为0时的似然函数值。 LRI=1，即L=1，完全拟合。 LRI=0，所有解释变量完全不显著，完全不拟合。 LnL=－1.639954 LnL0=－52.80224 LRI=0.968942 3、回代检验 当二元离散选择模型被估计后，将所有样本的解释变量观测值代入模型，计算得到每个样本的被解释变量选择1的概率，与每个样本被解释变量的实际观测值进行比较，以判断模型的预测（回代）效果，是一种实际有效的模型检验方法。 概率阈值 朴素选择：p=0.5 (1、0的样本相当时） 先验选择：p=（选1的样本数/全部样本）（全样本时） 最优阈值：犯第一类错误(弃真)最小原则 例8.1.1 朴素选择，即以0.5为阈值：除了2个样本外，所有样本都通过了回代检验。 先验选择，即以选择1的样本的比例0.41为阈值：除了1个样本外，所有样本都通过了回代检验。 实例—财务欺诈识别模型 我国上市公司财务欺诈识别模型 样本：年度报告审计意见为“无法发表意见”或者“证监会立案调查”等公司属于财务欺诈样本；年度报告审计意见为“标准无保留意见”和财务报表满足“利润×现金流量＞0”的公司属于配对样本。 解释变量：开始选择11个财务指标；通过T检验，确定6个指标：资产负债率、资产毛利率、资产周转率、营运资金比率、应收账款周转率、经营活动现金流量/资产额。 样本：财务欺诈公司30，非财务欺诈公司30 采用犯第一类错误最小原则确定最优阈值为0.68 欺诈样本中，p0.68，26个，占86.7% 非欺诈样本中，p0.68，25个，占83.3% 实例—上市公司并购 被解释变量：当年发生并购行为为1，反之为0。 解释变量：净利润率、……，全流通虚变量。 试图研究全流通都并购的影响。 样本：1994-2008上市公司，并购样本731，非并购样本9835。 采用先验原则，P=5% 模拟结果： 并购样本中：p5%占53% 非并购样本中：p5%占72% §8.2 选择性样本模型 Selective Samples Model 一、经济生活中的选择性样本问题 二、“截断”问题的计量经济学模型 三、“归并”问题的计量经济学模型 The Bank of Sweden Prize in Economic Sciences in Memory of Alfred Nobel 2000 for his development of theory and methods for analyzing selective samples” James J Heckman USA “Shadow Prices, Mar