第15章定性响应回归模型.ppt

若L，即 logit，是正的，这意味着当回归元的值增加时，回归子等于1的机会增加。若L为负，随着X的值增加，回归子等于1的机会减小。 (15.5.6)中给出的 logit 模型的解释如下： 斜率β2度量了随着X每单位变化的L的变化，也就是说，它说明了随着收入变化一个单位，比如1000美元，拥有住房的对数-机会比率是怎样变化的 截距β1是收入为零时拥有住房的对数-机会比率的值。 关于泊松回归模型拟合函数的解释 孙老师，您好！ ?关于您今天课上提出的为什么要用exp{β0+β1X1+β2X2+...}来拟合E(Yi)的问题，我查了一些资料，发现Jeffrey M. Wooldridge在他写的《Introductory EconometricsA Modern Approach》（中国人民大学出版社编译）中给出了这样的解释： ?“计数变量可以取非负整数值{0,1,2,...} 因而我们需要拟合的变量Yi是不能取负值的。倘若我们采取一般的线性拟合方式，则在参数估计出来以后有可能带入一个Xi后就会得到一个负的Yi, 因此线性模型不能对所有解释变量值提供最好的拟合。（同理，对数模型也不能满足E（Yi）总为正）。由于exp（·）即指数函数是永远非负的，因此这样构建拟合函数能够保证Y的预测值也总为正。” ? 所以说用指数函数来拟合其实也是一个人为的设定，目的就是为了消除模型设定当中的局限性（计数变量的非负性限定），并且指数函数模型中的参数也能够很容易地解释其经济意义。 以上就是我找到的解释，不知道是否全面。 ? 08经济徐雯 伍德里奇说“像托宾结果一样，因为计数变量取值有0，所以我们不能对它（E(y))取对数。一个有价值的方法是，将期望值模型化为一个指数函数：E(y)=exp(β1+β2X2+β3X3+···+βkXk)”这样就确保了y的预测值总为正。 对于这一问题，我个人认为老师您“悬赏”的那个式子是经验的总结得到的，应该不是由泊松分布的公式推导出的，因为那些X2，X3等解释变量是外生的，那些解释变量与均值u的关系并不内定于任何一个数理概念或公式中，换句话说均值u=E(y）=exp(·）这一表达式是完全独立于整个数学已有公式体系的，是无法由现有数学公式推出的，所以我认为这一表达式是经验积累得到的。可能是人们经过多年积累，发现用e的指数形式表示有许多好处，所以就以此构建表达式。 经济系，管艺文，081180026 非群组或个体数据的 probit 模型 方法：MLE Eviews 的结果在P613，表15.13 自己动手试试看 区别： 第一，几何图形上的区别： P614，Figure 15.6 第二，估计系数：不具有直接的可比性 §15.10 logit 模型和 probit 模型的比较 雨宫（Amemiya）建议： 不含截距项时  含截距项时 tobit 模型是 probit 模型的一个扩展，它最先由诺贝尔经济学家詹姆斯·托宾提出。 我们继续讨论住房所有权的例子。 在 probit 模型中，我们所关心的是拥有一间房屋的概率，它是一些解释变量的函数。 §15.11 Tobit 模型 在 tobit 模型中，我们的兴趣是弄清一个家庭在房屋上的花费，这与社会经济变量有关。 现在我们面临着一个困境： 如果消费者不买房，显然，我们没有这一类消费者在房屋上的花费的数据； 只有当消费者真正购买了一所房子，我们才有此类数据。 因此，消费者被分为两个组： 一组由n1个消费者组成，我们有关于他们的回归元（即，收入、债券利息率、家庭中的人数）和回归子（即，在购房上花费的费用数据）的信息。 另一组由n2个消费者组成，关于他们我们只有回归元的信息而无回归子的信息。 一个回归子信息只对某些观测可得（对其他观测的回归子的信息不可得）的样本叫做截距样本（censored sample）。 因此，tobit 模型也被认为是截取回归模型。一些作者把这样的模型称为限值因变量模型（limited dependent variable regression model）。 我们可以把 tobit 模型表达为： 如果 RHS 0