chap11受限被解释变量ppt课件

1、主要内容断尾回归模型截取回归模型样本选择模型实验实验11-1：断尾回归模型：断尾回归模型实验根本原理实验根本原理实验内容及数据来源实验内容及数据来源本书附带光盘本书附带光盘data文件夹下的文件夹下的“laborsupply.dta任务文件给出了任务文件给出了1975年妇女劳动供应的一些数据，主年妇女劳动供应的一些数据，主要变量有：要变量有：lfp=各妇女在各妇女在1975年能否任务该变量取年能否任务该变量取1表示该妇女在表示该妇女在1975年有任务，年有任务，whrs=妇女的任务时妇女的任务时间，间，kl6=年龄小于年龄小于6岁的孩子个数，岁的孩子个数，k618=年龄在年龄在6岁岁到到18岁

2、之间的孩子个数，岁之间的孩子个数，wa=妇女的年龄，妇女的年龄，we=妇女妇女的受教育年限。很显然，当某妇女在的受教育年限。很显然，当某妇女在1975年没有任务年没有任务时，我们察看到的该妇女的任务时间为时，我们察看到的该妇女的任务时间为0。利用这些数据，我们要研讨各个要素对妇女劳动时间利用这些数据，我们要研讨各个要素对妇女劳动时间的影响，并讲解断尾回归模型的拟合与预测。的影响，并讲解断尾回归模型的拟合与预测。实验操作指点实验操作指点1 利用普通最小二乘法进展回归利用普通最小二乘法进展回归我们首先利用这些数据进展普通最小二乘回归。键入我们首先利用这些数据进展普通最小二乘回归。键入以下命令：以下

3、命令：regress whrs kl6 k618 wa we if whrs 0其中，被解释变量为其中，被解释变量为whrs，解释变量为，解释变量为kl6、k618、wa和和we，条件语句，条件语句if阐明，我们对妇女任务时间大于阐明，我们对妇女任务时间大于0的数据进展回归。的数据进展回归。这里，我们主要是为了和后面断尾回归的结果进展比这里，我们主要是为了和后面断尾回归的结果进展比较。较。2 断尾回归的操作断尾回归的操作断尾回归的根本命令为：断尾回归的根本命令为：truncreg depvar indepvar if in weight ,options其中，其中，truncreg代表代表“断

4、尾回归的根本命令语句，断尾回归的根本命令语句，depvar代表被解释变量的称号，代表被解释变量的称号，indepvar代表解释代表解释变量的称号，变量的称号，if代表条件语句，代表条件语句，in代表范围语句，代表范围语句，weight代表权重语句，代表权重语句，options代表其他选项。表代表其他选项。表11.2显示了各显示了各options选项及其含义。选项及其含义。对于“laborsupply.dta的数据而言，1975年没有任务的妇女的劳动时间都被设定为0，现实上也就是其详细劳动时间的数据没有被统计到，这样，我们可以进展一个左端断尾的回归，命令如下：truncreg whrs kl6

5、k618 wa we, ll(0)这里，选项ll(0)设定左端断尾的下限为0。3 断尾回归的预测断尾回归的预测下面，我们结合本例对选项进展详细的阐明。1.拟合的规范误stdp也被称作standard error of the fitted value，可以将其看做观测值处于均值程度下的规范误。预测的规范误stdf也被称作the standard error of the future or forecast value，指的是每个观测值的点预测的规范误。根据两种规范误的计算公式可知，stdf预测的规范误总是比stdp预测的要大。我们对上面的断尾回归进展默许预测以及stdp和stdf的预测，采用

6、如下命令：predict ypredict p, stdppredict f, stdflist whrs y p f in 1/10其中，第一步为默许预测，并将预测值命名为y；第二步预测的是拟合的规范误，并将预测值命名为p；第三步预测的是预测的规范误，并将其命名为f；最后一步列出原序列值whrs和各预测值的前10个观测值。实验实验11-2：截取回归模型：截取回归模型实验根本原理实验根本原理实验内容及数据来源实验内容及数据来源我们要研讨汽车分量对每加仑耗油下行驶的路程的影我们要研讨汽车分量对每加仑耗油下行驶的路程的影响，运用本书附带光盘的响，运用本书附带光盘的data文件夹下的文件夹下的“us

7、aauto.dta任务文件。主要变量有：任务文件。主要变量有：mpg=每加每加仑汽油所行驶的英里数，仑汽油所行驶的英里数，weight=汽车的分量等。汽车的分量等。利用利用“usaauto.dta的数据，我们会讲解截取回归的数据，我们会讲解截取回归的操作及预测。的操作及预测。需求阐明的是，这个数据本身不是截取数据，但为了需求阐明的是，这个数据本身不是截取数据，但为了展现展现tobit回归的相关操作，我们会对数据进展处置，回归的相关操作，我们会对数据进展处置，然后讲解相关命令的操作。然后讲解相关命令的操作。实验操作指点实验操作指点1 普通最小二乘回归普通最小二乘回归为了与数据处置后的为了与数据处

8、置后的tobit回归进展比较，我们这里先回归进展比较，我们这里先进展进展OLS回归。回归。键入命令：键入命令：generate wgt=weight/1000regress mpg wgt其中，第一步为生成一个新变量其中，第一步为生成一个新变量wgt，其值为变量，其值为变量weight的的1/1000。第二步为。第二步为mpg对对wgt的回归。的回归。2 截取回归的操作截取回归的操作截取回归的根本命令为：截取回归的根本命令为：tobit depvar indepvar if in weight, ll(#) ul(#) options其中，其中，tobit代表代表“截取回归的根本命令语句，截取

9、回归的根本命令语句，depvar代表被解释变量的称号，代表被解释变量的称号，indepvar代表解释代表解释变量的称号，变量的称号，if代表条件语句，代表条件语句，in代表范围语句，代表范围语句，weight代表权重语句，代表权重语句，options代表其他选项。可用代表其他选项。可用的的options选项包括选项包括offset()、vce()、level()等，其含等，其含义和断尾回归处一样。此外，义和断尾回归处一样。此外，ll表示左截取点，表示左截取点，ul表表示右截取点，这两个选项至少需求设定一个，可以同示右截取点，这两个选项至少需求设定一个，可以同时设定。对于时设定。对于ll和和ul

10、选项，可以设定截取点的值，也选项，可以设定截取点的值，也可以不设定。当只键入可以不设定。当只键入ll或或ul选项而不设定截取点的选项而不设定截取点的值时，值时，tobit命令会自动设定被解释变量的最小值为左命令会自动设定被解释变量的最小值为左截取点当截取点当ll选项被设定时，被解释变量的最大值选项被设定时，被解释变量的最大值为右截取点当为右截取点当ul选项被设定时。选项被设定时。下面，我们经过例子来加深对命令的了解。在“usaauto.dta任务文件中，变量mpg的最小值为12，最大值为41。假定我们的数据为截取数据，当mpg的真实值小于或等于20时，我们只知道其不超越20，而不知道详细的取值

11、。我们先对数据进展变换，运用命令：replace mpg=20 if mpg=20即，将小于或等于20的mpg值设为20。然后，我们进展tobit回归：tobit mpg wgt, ll 这里，要留意选项是两个小写的字母el，而不是数字1。现实上，我们没有必要先运用replace命令，直接运用选项ll(20)就可以得到图11.5的结果。前面之所以要对数据进展变换，主要是为了提示读者，tobit命令是用于截取数据的。在实践的研讨中，假设数据类型非截取，直接运用regress就可以了；只需在数据为截取数据时，才有必要运用tobit。3 tobit回归的预测回归的预测实验实验11-3：样本选择模型：

12、样本选择模型实验根本原理实验根本原理实验内容及数据来源实验内容及数据来源样本选择模型的一个经典例子是妇女工资的决议。假样本选择模型的一个经典例子是妇女工资的决议。假定工资收入与教育、年龄等相关，但只需妇女选择任定工资收入与教育、年龄等相关，但只需妇女选择任务时我们才干察看到其工资收入。假设妇女是随机决务时我们才干察看到其工资收入。假设妇女是随机决议能否任务，那么就没有样本选择的问题。但现实上，议能否任务，那么就没有样本选择的问题。但现实上，决议能否任务的选择并不是随机的。只需当雇主提供决议能否任务的选择并不是随机的。只需当雇主提供的工资高于妇女的保管工资的工资高于妇女的保管工资reservat

13、ion wage时，时，该妇女才会决议去任务。该妇女才会决议去任务。当存在样本选择问题时，我们需求找到至少一个这样当存在样本选择问题时，我们需求找到至少一个这样的变量，它能影响被解释变量能否被观测到，却对观的变量，它能影响被解释变量能否被观测到，却对观测到的因变量没有影响。在妇女工资问题中，家中儿测到的因变量没有影响。在妇女工资问题中，家中儿童数量就是一个适宜的选择。显然，家中儿童数量可童数量就是一个适宜的选择。显然，家中儿童数量可以影响妇女的保管工资，从而影响其能否任务；但对以影响妇女的保管工资，从而影响其能否任务；但对于任务中的妇女，家中儿童数量并不会影响雇主提供于任务中的妇女，家中儿童数

14、量并不会影响雇主提供的工资。的工资。我们利用本书附带光盘data文件夹下的“fwage.dta任务文件，来进展妇女工资决议模型的研讨。主要变量包括：wage=妇女的工资收入，education=教育程度，age=年龄，married=能否结婚，children=家中儿童数量，county=居住地。利用这些数据，我们会讲解样本选择问题的heckman回归的操作以及相关的预测。实验操作指点实验操作指点1 heckman回归的操作回归的操作下面，我们利用“fwage.dta的数据进展样本选择模型的回归分析。我们以为，妇女的工资是教育程度和年龄的函数，而妇女能否选择任务的影响要素是其保管工资受婚姻情况

15、、家中儿童数量影响以及雇主提供的工资受教育程度和年龄的影响。1根本的heckman回归我们首先运用默许的极大似然函数法进展估计。命令为：heckman wage educ age, select(married children educ age)这里，被解释变量为wage，解释变量为educ和age。选项select()阐明，选择方程的解释变量为married、children、educ和age。2两步法的heckman回归当数据集比较大时，极大似然估计非常耗时，两步法就提供了一种很好的替代。键入命令：heckman wage educ age, select(married childre

16、n educ age) twostep mills(m)其中，选项twostep阐明运用两步法的heckman回归。选项mills()会生成一个新变量，计算出各样本的逆米尔斯比率，即样本不被选择的能够性。我们这里给该变量命名为m。此外，需求阐明的一点是，选项nshazard(newvar)具有和选项mills(newvar)完全一样的作用。3稳健的heckman回归我们可以运用vce(robust)获得稳健规范差，或利用vce(cluster varname)获得聚类稳健规范差。例如，我们以为工资的方差能够随居住地county的不同而不同，可以键入命令：heckman wage educ ag

17、e, select(married children educ age) vce(cluster county)这里，选项vce(cluster county)设定了规范差按变量county聚类。4设定选择方程的因变量我们可以对选择方程设定因变量。键入命令：gen dwage=(wage.)heckman wage educ age, select(dwage = married children educ age)这里，第一句命令表示产生变量dwage，当wage.时，dwage=1；当wage为缺失值时，dwage=0。第二句命令中，select()选项设定了dwage为选择方程的因变量。

18、2 heckman回归的预测回归的预测对对heckman回归进展预测的根本命令为：回归进展预测的根本命令为：predict type newvar if in , statistic nooffset其中，其中，predict代表预测的根本命令语句，代表预测的根本命令语句，newvar代表生代表生成的新变量的称号，成的新变量的称号，type代表新变量的类型，代表新变量的类型，if代表条件代表条件语句，语句，in代表范围语句，代表范围语句，statistic代表进展预测的统计量。代表进展预测的统计量。可用的可用的statistic选项包括表选项包括表11.3中断尾回归预测的一切选项中断尾回归预测

19、的一切选项以及表以及表11.6的选项。的选项。对于妇女工资决议的模型，默许的预测将给出各妇女的工资的线性预测值。假设我们想知道参与任务的妇女的期望工资，我们可以利用ycond选项。quietly heckman wage educ age, select(married children educ age)predict yc, ycondsummarize wage yc if wage!= .其中，第一步为进展heckman回归，且命令quietly阐明不显示该回归的结果；第二步是对参与任务的妇女的期望工资的预测，且将新变量命名为yc；第三步获得wage非缺失值的观测值的wage和yc的描画统计量。假设我们想知道一切妇女的期望工资，可以经过yexpected选项实现。这时，经过样本选择方程决议该妇女预期能否参与任务，假设预期不参与，那么其期望工资为0。predict ye, yexpectedgen wage1=wagereplace wage1=0 if wage1= .sum ye wage1 其中，第一步是对一切妇女期望工资进展预