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。
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={
1−Xiβ,当Yi=1,其概率为Xiβ−Xiβ,当Yi=0,其概率为1−Xiβ
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
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
