二元线性模型.pptVIP

第八节 二元选择模型 * 在一次选举中，由于某议案对高收入者有利，所以收入成为影响投票者态度的最主要因素。以投票者的月收入作为解释变量x，以投票者的态度作为被解释变量y，同意者y取1，反对者y取0。 建立一般的线性模型显然是不合适的: Y只能取0或1，找不到合适的系数使之完全拟合，方程右端的计算结果也可能超出(0,1)区间。 一个新的思路：收入x影响的是选民作出同意（或反对）决定的概率。不妨假设，x与P(Y=1)之间存在函数关系，即: X，y的关系为： 若能找到此函数关系，就可以根据收入x得到某选民同意此提案的概率，进而确定其态度，即y值。 也可以将样本数据代入函数，确定每一个x对应的y值，从而检验模型的优劣。 此类模型称为二元（离散）选择模型。 函数 的特殊性在于，其函数值应介于0-1之间，显然，这是一个分布函数。我们的工作转化为：找到合适的分布函数建立模型。 常用的模型有Probit模型（使用标准正态分布）和Logit模型（使用逻辑（Logistic）分布）。 Logit模型的形式（以一元回归为例）： 一、Logit模型估计 Robust(鲁棒)Covariance为稳健标准误，选择GLM（广义线性模型）可以修正和减弱异方差对方差计算的干扰 麦克法登似然比指数:拟合优度指标 Z统计量:系数显著性检验指标 Z统计量相伴概率 LR统计量:整体显著性检验指标 LR统计量相伴概率 方程为： 二、Logit模型的分析 将样本数据中的x代入方程： 即可得到残差表中的拟合值(Fitted)。 1. 残差分析 2. 拟合优度检验 Eviews提供了 Hosmer-Lemeshow（HL）检验和Andrews检验，检验思路是将数据分组比较实际值和拟合值的差异大小。零假设为：拟合完全充分。 两个检验的结果可能不同，可以参考其他检验结果或实际情况进行选择。 *