二元离散选择模型ppt课件

1、二元离散选择模型 1962年，年，Warner首次将它应用于经济研究领域，首次将它应用于经济研究领域，用以研究公共交通工具和私人交通工具的选择问用以研究公共交通工具和私人交通工具的选择问题。题。 70、80年代，离散选择模型被普遍应用于经济布年代，离散选择模型被普遍应用于经济布局、企业定点、交通问题、就业问题、购买决策局、企业定点、交通问题、就业问题、购买决策等经济决策领域的研究。等经济决策领域的研究。 从从1987年出版的专著年出版的专著0) D=1， 否则D=0 （Z0, x=0,1,) x1,x2,xn)是从总体X中抽取的一个样本的观测值，试求参数的极大似然估计. 解参数解参数的似然函数

2、为的似然函数为 两边取对数: 式对求导,并令其为0,即 从而得 即样本均值是参数的极大似然估计.估计方法极大似然法(MLE).,(0)()(1)()()(log)(1log()1 ()(log)(log)(),(|1111局凹函数且迭代收敛保证了极大似然函数全线性假设自变量没有多重共阵二阶导数矩阵为负定矩iNiiiiiiNiiiiNiiiiiiXXfXFXFXFYLXFYXFYLXFXGXYPProbit model估计系数的含义:.,)()|1()()|1(;.10将会变化多少个单位会导致事件发生的概率单位平均意义上每提高一个指的是取样本均值一般影响边际的对响应概率估计连续型自变量XXXXX

3、YPXYPXXjjj.; 0,.) 1(.1;. 21111011110变量代入其平均值一般都是对大致连续的则取为二值变量如果变化导致的预测响应概率的增加到从估计离散型自变量mmmmmmmmmmmmmcXcXXGcXXGccXX例1数据：美国数据：美国1988年的年的CPS数据数据2模型：估计成为工会成员的可能性，模型模型：估计成为工会成员的可能性，模型形式如下：形式如下：参加工会的概率参加工会的概率=F(潜在经验潜在经验potexp、经验、经验的平方项的平方项potexp2、受教育年限、受教育年限grade、婚、婚否否married、工会化程度、工会化程度high)； 解释变量：解释变量：P

4、otexp=年龄年龄-受教育年限受教育年限-5； grade=完成的受教育年限；完成的受教育年限； married：1表示婚，表示婚，0未婚；未婚； high：1表示高度工会化的行业，否则为表示高度工会化的行业，否则为0。估计的结果估计的结果unionCoef.Std. Err.zPz95% Conf. Intervalpotexp.0835091.01560875.350.000.0529166.1141016potexp2-.0015308.0003179-4.820.000-.0021538-.0009078grade-.042078.0189089-2.230.026-.0791388

5、-.0050171married.0622516.11258360.550.580-.1584083.2829115high.5612953.0996625.630.000.3659613.7566292_cons-1.468412.2958112-4.960.000-2.048192-.8886332probit union potexp potexp2 grade married highdprobit union potexp potexp2 grade married high给出了给出了0 xg如果要求偏效应还需要对其乘以估计的系数beta；union dF/dx Std. Err.

6、 z Pz x-bar 95%C.I. potexp .0226964 .0041529 5.35 0.000 18.884 .014557.030836potexp2 -.000416 .000085 -4.82 0.000 519.882 -.000583 -.00025grade -.0114361 .0051379 -2.23 0.026 13.014 -.021506-.001366married* .0167881 .0301137 0.55 0.580 .641 -.042234.07581high* .1470987 .02470055.63 0.000 .568 .09868

7、7.195511obs. P .216pred. P .1904762 (at x-bar)union dF/dx Std. Err. z Pz x-bar 95%C.I. potexp .0226964 .0041529 5.35 0.000 18.884 .014557.030836potexp2 -.000416 .000085 -4.82 0.000 519.882 -.000583 -.00025grade -.0114361 .0051379 -2.23 0.026 13.014 -.021506-.001366married* .0167881 .0301137 0.55 0.5

8、80 .641 -.042234.07581high* .1470987 .02470055.63 0.000 .568 .098687.195511obs. P .216pred. P .1904762 (at x-bar)如果存在异方差，可采用稳健估计，在上面命令后面加上如果存在异方差，可采用稳健估计，在上面命令后面加上robust。例：持有付息资产的决策 美国仅有59%的家庭除了雇主掌控的养老金和个人退休金账户，未持有任何付息金融资产。 为什么呢？只要持有付息资产的净收益大于零，个人会愿意持有付息资产。持有H=1，否则H=0. INF为个人金融总资产的对数P是虚拟变量，表示是否拥有公司退

9、休金i是虚拟变量，表示到最近金融机构的距离变量系数标准误Z统计量概率inf0.630.023227.440.000PiLR统计量Porb(LR) _cons . .0 06 65 54 40 02 24 4 . .1 12 20 00 06 67 71 1 0 0. .5 54 4 0 0. .5 58 86 6 - -. .1 16 69 99 92 24 49 9 . .3 30 00 07 72 29 97 7 gdprate 1 1. .5 57 71 13 34 46 6 4 4. .2 21 12 28 85 54 4 0 0. .3 37 7 0 0. .7 70 09 9 -

10、-6 6. .6 68 85 56 69 96 6 9 9. .8 82 28 83 38 88 8 area . .6 61 11 12 25 53 31 1 . .1 11 15 50 02 26 65 5 5 5. .3 31 1 0 0. .0 00 00 0 . .3 38 85 58 80 05 52 2 . .8 83 36 67 70 00 09 9 type - -. .0 04 49 91 13 33 38 8 . .0 09 90 05 55 51 16 6 - -0 0. .5 54 4 0 0. .5 58 87 7 - -. .2 22 26 66 61 11 17

11、 7 . .1 12 28 83 34 44 42 2 capital - -6 6. .7 78 8e e- -1 12 2 2 2. .4 48 8e e- -1 12 2 - -2 2. .7 73 3 0 0. .0 00 06 6 - -1 1. .1 16 6e e- -1 11 1 - -1 1. .9 91 1e e- -1 12 2 effect Coef. Std. Err. z P|z| 95% Conf. Interval Log likelihood = - -5 52 21 1. .2 21 17 76 68 8 Pseudo R2 = 0 0. .0 03 32

12、22 2 Prob chi2 = 0 0. .0 00 00 00 0 LR chi2(4 4) = 3 34 4. .7 73 3Probit regression Number of obs = 8 86 61 1Iteration 6: log likelihood = - -5 52 21 1. .2 21 17 76 68 8Iteration 5: log likelihood = - -5 52 21 1. .2 21 17 76 68 8Iteration 4: log likelihood = - -5 52 21 1. .2 21 17 77 73 3Iteration 3

13、: log likelihood = - -5 52 21 1. .2 21 18 89 9Iteration 2: log likelihood = - -5 52 21 1. .2 22 27 79 93 3Iteration 1: log likelihood = - -5 52 21 1. .2 29 94 42 29 9Iteration 0: log likelihood = - -5 53 38 8. .5 58 82 27 7. probit effect capital type area gdprate 房地产政策的影响效应？. z and P|z| correspond

14、to the test of the underlying coefficient being 0(*) dF/dx is for discrete change of dummy variable from 0 to 1 pred. P . .6 68 86 62 23 33 38 8 (at x-bar) obs. P . .6 68 81 17 76 65 54 4 gdprate . .5 55 57 72 26 63 36 6 1 1. .4 49 92 24 47 71 1 0 0. .3 37 7 0 0. .7 70 09 9 . .0 00 03 30 09 9 - -2 2

15、. .3 36 67 79 93 3 3 3. .4 48 82 24 45 5 area* . .2 23 30 05 54 46 63 3 . .0 04 44 44 48 81 13 3 5 5. .3 31 1 0 0. .0 00 00 0 . .8 81 19 99 97 77 7 . .1 14 43 33 36 65 5 . .3 31 17 77 72 28 8 type - -. .0 01 17 74 42 24 48 8 . .0 03 32 21 11 17 73 3 - -0 0. .5 54 4 0 0. .5 58 87 7 . .5 51 13 33 35 5

16、7 7 - -. .0 08 80 03 37 74 4 . .0 04 45 55 52 24 4 capital - -2 2. .4 40 0e e- -1 12 2 8 8. .8 81 1e e- -1 13 3 - -2 2. .7 73 3 0 0. .0 00 06 6 9 9. .0 0e e+ +0 09 9 - -4 4. .1 1e e- -1 12 2 - -6 6. .8 8e e- -1 13 3 effect dF/dx Std. Err. z P|z| x-bar 95% C.I. Log likelihood = - -5 52 21 1. .2 21 17

17、 76 68 8 Pseudo R2 = 0 0. .0 03 32 22 2 Prob chi2 = 0 0. .0 00 00 00 0 LR chi2(4 4) = 3 34 4. .7 73 3Probit regression, reporting marginal effects Number of obs = 8 86 61 1Iteration 6: log likelihood = - -5 52 21 1. .2 21 17 76 68 8Iteration 5: log likelihood = - -5 52 21 1. .2 21 17 76 68 8Iteratio

18、n 4: log likelihood = - -5 52 21 1. .2 21 17 77 73 3Iteration 3: log likelihood = - -5 52 21 1. .2 21 18 89 9Iteration 2: log likelihood = - -5 52 21 1. .2 22 27 79 93 3Iteration 1: log likelihood = - -5 52 21 1. .2 29 94 42 29 9Iteration 0: log likelihood = - -5 53 38 8. .5 58 82 27 7. dprobit effect capital type area gdprate国民健康保险实验 个人是否选择医疗服务的个人是否选择医疗服务的Probit模型模型 分析了许多人有保险但却未使用医疗服分析了许多人有保险但却未使用医疗服务务 医疗支出不等于零的情况下，有住院支出医疗支出不