第六章离散因变量和受限因变量模型.pptVIP

* 例7.4 计数模型的实例 本例研究轮船发生事故的次数与轮船的特征属性、运行时间之间的关系。因变量 y 表示平均每月轮船发生事故数。解释变量是轮船特征属性，包括轮船类型、建造时间、使用时期等。轮船类型有5种，分别用x1～x5表示，4个建造时间，分别用y1～y4表示， z1 , z2表示两个使用时期，da表示运行时间。 本例数据符合计数模型的条件，故采用泊松模型建模。注意到定性数据较多，为防止多重共线性，在引进虚拟变量时，需要人为地去掉一个。例如，轮船类型有5种x1～x5，则去掉x1，而在模型中只用其余4个变量x2～x5，同样4个建造时间y1～y4，在模型中只用其余3个变量y2～y4，两个使用时期在模型中只用z2。模型如下： （7.4.10） * 7.5.4 估计计数模型 1. 模型的估计 估计一个计数模型，打开Equation对话框，然后在估计方法中选择COUNT作为估计方法。EViews显示计数模型估计对话框(图7.6)。 图7.6 计数模型的估计对话框 * 在上面的编辑区域，列出被解释变量和解释变量。必须通过列表形式指定计数模型。模型的形式如方程（7.5.4）所示： (7.5.4) 在Options标签中，可以根据需要改变缺省估计的运算法则、收敛准则、初始值和计算系数协方差的方法。 * EViews提供的5种计数模型的估计方法： Poisson[ML and QML]； Negative binomial[ML]； Exponential[QML]； Normal/NLS[QML]； Negative binomial[QML]。 从上面的5种计数模型中选择一种，并且对于Negative binomial[QML]模型需要指定一个值作为固定的方差参数。前4种方法对应4种因变量的分布，分别为泊松分布、负二项分布、指数分布和正态分布。 * 例7.4的估计结果如下： * 写成方程如下： z =(-6.41) (-1.29) (-2.26) (-0.46) (1.13) (4.31) (4.28) (1.5) (3.13) (8.87) 轮船类型对事故发生有影响，如类型是x5的系数是正的，会使事故发生的可能增加；建造时间y2～y4的系数基本是递减的，表明建造时间越长，则发生事故的可能越大；使用时期z2也对事故发生产生很大影响，使用时间越长，则发生事故的可能越大；运行时间ln (da) 的系数是0.9，表明运行时间每增加1%，则发生事故数量会增加0.9%，因此对发生事故有显著的影响。 * 2. 模型的预测与产生残差 选择Forecast可以预测因变量 ? 和线性指标(xb)，b是参数? 的估计值，二者的关系为 ? = exp(xb)。选择Proc\Make Residual Series，可以产生计数模型的3种类型残差，残差类型参照表7.6。 * 图4 排序模型的输入对话框 * 例2估计结果如下： * 显示的估计结果中， 表头包含通常的标题信息，包括假定的误差分布、估计样本、迭代和收敛信息、y的排序选择值的个数和计算系数协方差矩阵的方法。 在标题信息之下是系数估计和渐近的标准误差、相应的z-统计量及概率值。 然后，还给出了临界值LIMIT_1:C(2)，LIMIT_2:C(3)的估计及相应的统计量。 随着收入水平的提高，不支持的概率越大。而且，y*c1， 即：0.0087x8.0931, = x930时，选民取支持态度；y*c2，即：0.0087x11.5978, = x1330时，选民取不支持态度；而收入在930——1330只见的选民取中立态度。 * 2. 模型分析 （1）View\Dependent Variable Frequencies 产生y的频率和累计频率表。 （2）View\Prediction Evaluation 生成期望-预测表。 * * 3. 预测 因为排序选择模型的因变量代表种类或等级，所以不能用估计的模型直接预测，需要通过创建模型的方式进行预测。 选择Procs