动态 Probit 模型及 Stata 实现

 

作者：万源星 (浙江工商大学财务与会计学院)
邮箱：[email protected]

连享会 - 与君分享 lianxh.cn

 

本篇推文介绍动态面板 Porbit 模型 (Dynamic Probit Model) 的背景、模型及 Stata 应用。

1. 背景简介

动态面板数据的一般形式为：

$$y_{it}={\alpha }_i+\varphi y_{it-1}+\beta x_{it}+{\epsilon }_{it}$$

模型将 $y_{it-1}$ (可以推广到多阶滞后项) 作为解释变量，体现了被解释变量动态变化特征的模型。然而，$y_{it-1}$ 与随机干扰项 ${\epsilon }_{it}$ 具有很强的相关性，这违背了解释变量与随机干扰项不相关的基本假设，即存在内生性问题。基于此，Arellano and Bond (1991) 提出了一阶差分广义矩 (First-difference GMM) 估计法，先通过一阶差分消除个体效应，再用被解释变量的水平值作为工具变量，降低了模型的内生性。Arellano and Bover (1995) 、Blundell and Bond (1998) 在此基础上进一步提出了系统广义矩 (System GMM) ，将被解释变量的差分值作为工具变量，减少了一阶差分广义矩估计法的偏误。

然而，Probit、Logit 等非线性模型的被解释变量是二元变量 (Binary) 或取值有限的离散变量 (Dichotomous) ，模型用极大似然法进行估计，一阶差分广义矩估计法和系统广义矩估计法难以适用。由此，本文引入动态面板 Porbit 模型 (Dynamic Probit Model) ，下文重点介绍模型的推导过程和 Stata 应用。

2. 动态 Probit 模型简介

2.1 模型设定

假设研究个体行为 (比如上市公司研发) $y_{it}$，即个体 $i$ 在第 $t$ 年是否执行该行为，它与上一年该行为 $y_{it-1}$，以及各种决定因素相关，那么动态面板 Probit 模型可以设定为：

$$y_{it}^{\ast }=c_i+\beta y_{it-1}+\rho x_{it}+\gamma z_{it}+{\epsilon }_{it}\text{\hspace{1em}(1)}$$

其中，$y_{it}^{\ast }$ 和 $y_{it}$ 的关系为：$y_{it}^{\ast }$ 大于临界值 0 时，$y_{it}=1$，小于等于 0 时，$y_{it}=0$；$c_i$ 是不可观测的个体效应；$x_{it}$、$z_{it}$ 为解释变量，前者随时间变化而发生改变，后者则不具备动态变化特征；${\epsilon }_{it}$ 是随机干扰项，这里假设 $x_{it}$、$z_{it}$ 与 ${\epsilon }_{it}$ 不相关，即严格外生性。

同时，根据 Wooldridge (2005)、Skrondal and Rabe-Hesketh (2014)、Grotti and Cutuli (2018) 的概念及模型，为了消除不可消除的个体效应，$c_i$ 的表达式为：

$$c_{it}={\alpha }_0+{\alpha }_1{y}_{i0}+{\alpha }_2{\overline{x}}_i+{\alpha }_3{x}_{i0}+a_i\text{\hspace{1em}(2)}$$

其中，$y_{i0}$、 x i 0 x_{i0} x