ch14限值因变量模型

第14章

限值因变量模型2二值因变量（binarydependent）模型其中,p企业出口的概率，概率函数为：3线性概率模型（Linearprobabilitymodel）在经典的线性回归模型中，可以将被解释变量分成固定和随机部分，即，则LPM可以表示为：LPM的缺点4异方差性预测值（）有可能小于０或大于１线性关系Probit模型5Probit模型6Probit模型7如何解释回归系数？可以用边际分析方法(marginaleffects)来解释：Probit模型8预测值：Probit模型——极大似然估计9上述方程称为似然函数（likelihoodfunction）上述方程称为对数似然函数（log-likelihoodfunction）边际分析的进一步解释10平均边际效应（averagemarginaleffect,AME）Logit模型11对数密度函数（logisticdensityfunction）：累积密度函数：Logit模型：Logisticcumulativedistributionfunction12假设检验方法13LR：似然比检验：LM：拉格朗日检验：Multinomiallogit当个体面临的选择是多值的，而不仅仅是二值的，这时可以用多项选择模型（multinomialchoice）.多项选择模型包括：multinomiallogit、conditionallogit和multinomialprobit14假设个体可以选择J=3个互相排拆的选择。与logit和probit模型一样，可以用第i个个体选择j选项的概率为p，则p可以用下式表示：15第i个个体选择j的概率为：几率比其中，”j=1”所对应的选择被称为“参照组（basecategory）”假设“选择１”或者“选择j”（j≠1）必然发生（二者必居其一），则在此条件下，“选择j”发生的条件概率为：16上式与logit模型具有完全相同的形式。且几率比（oddsratio）为对数几率比（log-oddsratio）为IdentificationproblemandindividualspecificIdentificationproblem：为了使个体选择各个选项的概率加总为１，这里我们设定individualspecific：multilogit模型中不同的个体都有一个相同的解释变量，而不是个体不同的选择（alternatives），这样的变量称为individualspecific。为了区别个体不同的选择，我们给每个个体一个不同的参数。17多项选择模型的“无关选择的独立性”“无关选择的独立性”（independenceofirrelevantchoices）：如果将多项选择模型中的任何两个选择单独挑出来，都是一个logit模型，这个假定被称为“无关选择的独立性”。18Multilogit模型的极大似然估计19估计参数分析20当得到参数估计值后，就可以进行预测，例如：也可以进行边际分析，即当其他因素保持不变时：Conditionallogit（条件logit模型）假设个体面对三（Ｊ＝３）个不同的软饮料的选择，分别是Pepsi、7-up和Coke，设是个体i选择三种软饮料的虚拟变量，个体i面对品牌j的价格是，不同的个体具有不同的价格，这样的变量称为individual-andalternative-specific。这样的模型需要用conditionallogit.21条件logit模型22回归结果分析23排序模型2425排序logit模型26计数模型2728负二项回归29零膨胀回归30断尾回归（truncationregression）3132断尾回归（t