9第八章虛擬變量回歸模型(參考版)
2025-03-10 14:47本頁面
【正文】 習(xí)題 第八章結(jié)束了！ 演講完畢，謝謝觀看！ 。 （ 2）群組數(shù)據(jù)（整理匯總數(shù)據(jù)） 家庭收入 （千美元） X 群組內(nèi) 家庭總數(shù) 群組內(nèi) 購房家庭數(shù) 購房概率 權(quán)重 機(jī)會比率 對數(shù) 6 40 8 8 50 12 10 60 18 ? ? iiinpN18? 40??p 1 l n 61 ?????????由此，可用 OLS估計回歸參數(shù)。 其實，如果我們從 “ 最大似然 ” 的英文 Maximum Likelihood來看，原始含義就是 “ 看起來最像 ” 。但是，如果我們從統(tǒng)計概率上來判斷，看上去最像是甲箱，而不是乙箱。隨機(jī)地從某箱中抽取一球，發(fā)現(xiàn)是白球。它是建立在最大似然原理基礎(chǔ)上的一種統(tǒng)計方法。 將非線性轉(zhuǎn)化為線性 l n( ) l n1 ??? izi iip eZp ，稱為 機(jī)會比率的對數(shù) ， ln( )1 iipp?機(jī)會比率對數(shù) 是解釋變量 X 的線性函數(shù)。 線性概率模型與非線性概率模型的特征比較 1 LPM (a) 線性概率模型 ?YX1 CDF pX(b) 非線性概率模型 2. Logit 模型 LPM模型： Logit模型： （非線性） 12( 1 | )ii iip E Y X X??? ??? 12()1(11 | ) ii i i XpY eEX ?????? ? ?如果 ? ??iX 0p ?i 1i10 5 5 101X p 使用Mathematica軟件描出曲線圖。為了消除異方差，采用WLS（加權(quán)最小二乘法）。 在大樣本條件下，都沒有影響。 Y 就是虛擬被解釋變量，其取值為 Y=1 （購買） ； Y=0 （不買） 1. 線性概率模型（ LPM， Linear Probability Model ） 12i i iY X u??? ? ?回歸模型： 12( | )i i iE Y X X????回歸方程： 12( | )i i iE Y X X????回歸方程： 虛擬被解釋變量的條件均值的意義 設(shè)被解釋變量的屬性（購房）發(fā)生概率為 ipiY概 率01 ip?1ip ( ) 0 1 ) 1（? ? ? ? ? ?i i i iE Y p p p12(() |)iii iiE Y X pE Y X??? ? ? ?所以，虛擬被解釋變量的條件均值即購房概率，它是收入的線性函數(shù)。 （虛擬變量數(shù) = 屬性數(shù) – 1 ） 2 季度虛擬變量的賦值規(guī)則： D1= 1 （第 1季度） 0 （其他季度） D2= 1 （第 2季度） 0 （其他季度） D3= 1 （第 3季度） 0 （其他季度） 3 季度虛擬變量的賦值操作命令： series D1 D1=seas(1)
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1