离散因变量和受限因变量模型.ppt

与二元选择模型类似，设有一个潜在变量yi*，是不可观测的，可观测的是yi，设yi有0，1，2，…，M等M+1个取值。（）其中：ui*是独立同分布的随机变量，yi可以通过yi*按下式得到设ui*的分布函数为F(x)，可以得到如下的概率01（）02和二元选择模型一样，根据分布函数F(x)的不同可以有3种常见的模型：Probit模型、Logit模型和Extremevalue模型。仍然采用极大似然方法估计参数，需要指出的是，M个临界值c1,c2,…,cM事先也是不确定的，所以也作为参数和回归系数一起估计。03例7.2排序模型的实例在调查执政者的支持率的民意测验中，由于执政者执行了对某一收入阶层有利的政策而使得不同收入的人对其支持不同，所以收入成为决定人们是否支持的因素。通过调查取得了市民收入(INC)与支持与否(Y)的数据，其中如果选民支持则Yi取0，中立取1，不支持取2。我们选取24个样本进行排序选择模型分析。模型的估计与二元选择模型类似，从主菜单中选择Objects/NewObject，并从该菜单中选择Equation选项。从EquationSpecification对话框，选择估计方法ORDERED,标准估计对话框将会改变以匹配这种设定。在EquationSpecification区域，键入排序因变量的名字，其后列出回归项。排序估计也只支持列表形式的设定，不用输入一个明确的方程。然后选择Normal，Logist，ExtremeValue三种误差分布中的一种，单击OK按钮即可。对话框如图7.4所示。0102图7.4排序模型的输入对话框例7.2估计结果如下：有两点需要指出：首先，EViews不能把常数项和临界值区分开，因此在变量列表中设定的常数项会被忽略，即有无常数项都是等价的。其次，EViews要求因变量是整数，否则将会出现错误信息，并且估计将会停止。然而，由于我们能够在表达式中使用@round、@floor或@ceil函数自动将一个非整数序列转化成整数序列，因此这并不是一个很严格的限制。01估计收敛后，EViews将会在方程窗口显示估计结果。表头包含通常的标题信息，包括假定的误差分布、估计样本、迭代和收敛信息、y的排序选择值的个数和计算系数协方差矩阵的方法。在标题信息之下是系数估计和渐近的标准误差、相应的z-统计量及概率值。然后，还给出了临界值LIMIT_1:C(2)，LIMIT_2:C(3)的估计及相应的统计量。02MakeOrderedLimitVector产生一个临界值向量c，此向量被命名为LIMITS01，如果该名称已被使用，则命名为LIMITS02，以此类推。01MakeOrderedLimitCovarianceMatrix产生临界值向量c的估计值的协方差矩阵。命名为VLIMITS01，如果该名称已被使用，则命名为VLIMITS02，以此类推。022.常用的两个过程预测因为排序选择模型的因变量代表种类或等级数据，所以不能从估计排序模型中直接预测。选择Procs/MakeModel，打开一个包含方程系统的没有标题的模型窗口，单击模型窗口方程栏的Solve按钮。例7.2因变量y的拟合线性指标序列被命名为i_Y_0，拟和值落在第一类中的拟合概率被命名为Y_0_0的序列，落在第二类中的拟合概率命名为Y_1_0的序列中，落在第三类中的拟合概率命名为Y_2_0的序列中，等等。注意对每一个观察值，落在每个种类中的拟合概率相加值为1。表7.7中Y_0_0，Y_1_0，Y_2_0分别是支持、中立、不支持的概率，Y，INC是实际样本。产生残差序列01选择Proc/MakeResidualSeries产生广义残差序列，输入一个名字或用默认的名字，然后单击OK按钮。一个排序模型的广义残差由下式给出：02(7.5.2)03其中：c0=-?，cM+1=?。047.3受限因变量模型现实的经济生活中，有时会遇到这样的问题，因变量是连续的，但是受到某种限制，也就是说所得到的因变量的观测值来源于总体的一个受限制的子集，并不能完全反映总体的实际特征，那么通过这样的样本观测值来推断总体的特征就需要建立受限因变量模型(limiteddependentvariablemodels)。本节研究两类受限因变量模型，即审查回归模型(censoredregressionmodels)和截断回归模型(truncatedregressionmodels)。7.3.1审查回归模型模型的形式考虑下面的潜在因变量回归模型(7.3.1)其中：?