受限因变量模型.pptVIP

多元选择模型基本概念*对于多元选择模型，可以根据因变量的性质分为有序和无序两种类型。无序模型：因变量Y表示观察对象的类型归属，例如：例1：上班的交通工具有走路、自行车、公共汽车、出租车、自有汽车等。例2：结构调整中农民主产品的选择，如蔬菜、果树、动物养殖、水产养殖等。0102多元选择模型基本概念*有序模型：观察到的因变量Y表示出按数值大小(ordered)或重要性(ranked)排序的分类结果：例1：教育水平分文盲、小学、初中、高中、大学、研究生等例2：农民就业分纯农业、兼业、非农业等例3：收入水平分级例4：考试成绩分优秀、良好、及格和不及格等无序多元选择模型*215对于无序的选择模型，其行为选择假定出于优化一个随机效用函数。考虑第i个消费者面临j种选择，假定选择j的效用为：就误差分布形式做出假定后得到可以估计的模型。4考虑效用比较的概率函数3如果消费者选择了j，那么我们假定其获得的效用高于其他选择。无序多元选择模型*考虑有三种选择的Logit模型01即每个方程都假定，任两个选择机会比对数是特征X的线性函数。02由于所有概率之和等于1，因而机会比相互依赖，上述限制使需要估计的参数由6个减少到4个。03无序多元选择模型*产生系数限制的原因：这意味着以下限制条件：即只需要估计系统中的两个方程便可以得到所有参数。030102无序多元选择模型*如果样本属于重复试验，那么可以计算出与每个组相联系的概率rij/ni，然后计算出机会比的对数，与X做回归。式中rij表示组i中选择J的次数占该组观察对象总数ni的比例如果没有足够多的重复，则需要利用最大似然法进行估计。12有序因变量模型基本概念*同二元选择模型一样，我们可以考虑隐变量y*的值取决于一组自变量X，即：观察到的Y由Y*决定，其规则是：需要注意的是，反映类型差别的数字大小是任意的，但必须保证当。030201有序因变量模型基本概念*观察到每个Y的概率为：式中F为误差项的累积分布函数。有序因变量模型基本概念*分类界限?和参数β均通过求以下的似然函数最大值的方式估计得出：01式中函数I(.)是一个指标函数，当括号中的逻辑关系为真时等于1，反之等于0。02为了保证概率为正值，所有的?必须满足?1?2…?M。03有序的Probit模型下的概率*00.10.20.30.4Y=0Y=1Y=2Y=3Y=4如同其他概率模型一样，有序因变量模型估计系数的直接用途一般并不大，受到关注的有：有序因变量模型估计结果的解释*模型拟合模型对行为的推断能力自变量的边际效果X变化对概率推断的影响*对于此类模型，X变化的边际效果不同于所得到的估计系数。01考虑一个只有三种选择的简化情况，此时模型只有一个临界参数(假定?1=0)。02相应的三个概率为：03X变化对概率推断的影响*与三个概率相对应的自变量的边际效果为：当X增加而参数?和?保持不变时，这相当于将分布曲线向右移动。最小和最大段的边际影响方向可以根据估计参数的符号确定，但中间段的影响方向取决于两项的综合结果。020103X变化对概率推断的影响*00.10.20.30.4012X的边际效果为正或负取决于参数?的符号和概率分布的变化。用EVIEWS估计有序因变量模型*在有序因变量模型中，因变量的值仅仅反映排序，因而对其数值及间隔并无特殊要求。例：序列(1,2,3,4)等同于序列(1,10,30,100)因变量必须是整数，可以利用EVIEWS的函数功能做转换(@Round,@Floor,@Ceil)估计该方程时的步骤为：选择Quick→Estimateequation在随后出现的对话窗口中，先选择模型设定窗口，给出因变量和自变量（不需要常数项）。用EVIEWS估计有序因变量模型*确定估计模型所使用的样本区间按OK后EVIEWS利用迭代求解法得出估计结果，包括各自变量的参数及相应的统计值，各临界点?和其统计值，其他统计检验指标等。若模型收敛，那么报告的内容具有意义。从三种估计方法(Probit,Logit,Extremevalue)中选择一种01由于EVIEWS有估计参数数量限制，因而因变量的取值不能太多（使用大样本时需要特别注意）。若某一类别中的观察值过少，此时会造成识别困难。在可能的情况下，应考虑将其合并到其他类别。需要注意的问题有：02第三节删改与截取模型*删改数据或截取数据受限因变量模型（TOBIT模型）案例分析模型估计中的