笔记:二元Probit与Logit模型

本文详细介绍了二元离散选择模型的建立,重点关注了二元Probit和Logit模型。通过概率分布的选择,Probit模型基于标准正态分布,而Logit模型基于逻辑分布。对于不可重复观测和可重复观测的情况,文章讨论了模型参数的估计方法,包括使用迭代法和广义最小二乘法。
摘要由CSDN通过智能技术生成

二元离散选择模型的建立

建立模型: Y i = X i β + μ i Y_i=X_i\beta+\mu_i Yi=Xiβ+μi
二元选择下, Y i = 0 , 1 Y_i=0,1 Yi=0,1 E ( μ i {\rm E}(\mu_i E(μi)=0,所以 E ( Y i {\rm E}(Y_i E(Yi)= X i β X_i \beta Xiβ
易知 E ( Y i ) = P ( Y i = 1 ) = X i β {\rm E}(Y_i)=P(Y_i=1)=X_i\beta E(Yi)=P(Yi=1)=Xiβ
P ( Y i = 1 ) P(Y_i=1) P(Yi=1)要求[0,1]范围,而 X i β X_i\beta Xiβ却没有这个限制,所以产生了矛盾。另外,
μ i = { 1 − X i β , 当 Y i = 1 , 其 概 率 为 X i β − X i β , 当 Y i = 0 , 其 概 率 为 1 − X i β \mu_i=\begin{cases} 1-X_i\beta, \quad {\rm当}Y_i=1,其概率为X_i\beta\\-X_i\beta,\qquad 当Y_i=0,其概率为1-X_i\beta \end{cases} μi={ 1Xiβ,Yi=1,XiβXiβ,Yi=0,1Xiβ
为了使模型可以估计,建立
Y i ∗ = X i β + μ i ∗ ( 1 ) Y_i^*=X_i\beta+\mu_i^*\quad(1) Yi=Xiβ+μ

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值