二值因变量回归模型589kb.ppt

8.2 二值因变量模型估计 8.2.2 用EViews7.2估计二值因变量模型 例子8.1 银行贷款违约概率 8.2 二值因变量模型估计 8.2.2 用EViews7.2估计二值因变量模型 例子8.1 银行贷款违约概率 第一部分显示回归信息：采用二值因变量模型，选择Probit模型，并采用Newton-Raphson算法，15次迭代后收敛，用Hubert/White方法估计方差协方差矩阵 第二部分是参数估计，意义与一般参数估计一样 最下面一部分中McFadden R-squared和LR statistic给出前面的统计量。Log likelihood和Restr. log likelihood给出不受限和受限的对数似然值。 8.2 二值因变量模型估计 8.2.2 用EViews7.2估计二值因变量模型 例子8.2 已婚妇女的劳动力市场参与 重要概念 1. 因变量取1和0时，需要用二值因变量模型。二值因变量模型可以从效用理论得到解释，用不可观测因变量 和可观测因变量 之间的关系建立模型，并用极大似然方法进行估计。二值因变量模型也称为限值因变量模型。 2. 二值因变量模型中的连接函数 ， 是不可观测变量 回归模型误差项的分布函数，需要满足关于0的对称性。当 取作标准正态分布函数 和逻辑分布的分布函数 时，对应的二值因变量模型分别称为probit模型和logit模型。 3. 二值因变量模型采用极大似然估计方法进行估计，并采用数值方法计算对数似然函数的最大值点和最大值。采用EViews估计模型时，可以选择不同的数值方法。二值因变量的拟合效果用McFadden 和似然比统计量 来衡量。 重要概念 4. 在某些情况下，估计二值因变量模型的样本数据会出现完全分离的情况。造成完全分离的原因之一是因变量取1（或者0）的值太少，另一个原因是自变量太多或者选取不合适。出现完全分离时，模型无法估计或者估计结果不可信。去掉一些样本使因变量取1和0的样本数相当，能够消除完全分离。有时，去掉一些自变量也能有效消除完全分离。 5. 二值因变量模型是非线性模型，参数的含义不同于线性回归模型，在对估计结果的意义进行分析时需要格外注意。对同一问题既可以用probit模型进行分析，也可以用logit模型进行分析，大多数情况下两种模型所得结果一致。logit模型具有的优点使其在应用中采用的更多一些。 第8章 二值因变量回归模型 二值因变量回归模型 8.1 二值因变量模型 8.1.1 效用理论和指标模型 8.1.2 probit模型和logit模型 8.2 二值因变量模型估计 8.2.1 二值因变量模型极大似然估计 8.2.2 用EViews7.2估计二值因变量模型 重要概念 8.1 二值因变量模型 8.1.1 效用理论和指标模型 8.1.2 probit模型和logit模型  8.1 二值因变量模型 8.1.1 效用理论和指标模型 因变量只取0和1的模型称为二值因变量（binary dependent variable）模型。模型因变量没有明显的数量特征，往往对应研究对象的不同属性，属于分类变量。 例：女性决定投入劳动力市场还是做家务的影响因素、投资人决定是风险投资还是无风险投资的决定因素、哪些财务指标决定着上市公司财务状况（正常或恶化）、股票涨跌的影响因素。  8.1 二值因变量模型 8.1.1 效用理论和指标模型 以投资决策为例， 表示购买股票， 表示银行存款 表示投资股票的收益， 表示投资风险 需要研究的是 的变化如何影响投资决策变化，即投资倾向（或者意愿）的变化。 可观测，但观测不到投资者投资意愿的变化，只会观测到 或者 。  8.1 二值因变量模型 8.1.1 效用理论和指标模型 以投资决策为例， 表示购买股票， 表示银行存款 表示投资股票的收益， 表示投资风险 设 表示投资者的效用函数，不可观测，其与自变量关系式： 假定 大于临界值 时，投资者购买股票，则  8.1 二值因变量模型 8.1.1 效用理论和指标模型 设 的分布函数为 ，并且满足 称为连接函数（link function），线性函数 称为指标