【计量经济学导论】14. 定性响应回归模型

定性响应回归模型

线性概率模型

线性概率模型的模型设定

当我们在用多元线性回归模型去解释一个二值结果时，该模型就成为线性概率模型。为什么是线性概率，我们在后面的分析中便可以看到。

对于线性概率模型，其模型设定为：
$$Y={\beta }_0+{\beta }_1{X}_1+\cdots +{\beta }_k{X}_k+u,$$

其中因变量 $Y$ 是一个定性响应变量：
$$Y=\{\begin{array}{l}0\\ 1\end{array}.$$

进行参数估计的时候，我们仍然采取OLS的思想，直接进行回归。我们也可以将模型写成数学期望的模式，这一点对于我们的分析很重要：
$$\mathrm{E}(Y|X)={\beta }_0+{\beta }_1{X}_1+{\beta }_2{X}_2+\cdots +{\beta }_k{X}_k=\mathbf{X}\mathbf{\beta }.$$
为了分析方便，下面简单考虑一元线性概率模型：
$$Y={\beta }_0+{\beta }_1{X}_1+u,$$
由于 $Y$ 具有二元离散分布，我们可以得到 $\mathrm{E}(Y|X_1)$ 的含义是：
$$\mathrm{E}(Y|X_1)=1\times P(Y=1|X_1)+0\times P(Y=0|X_1)=P(Y=1|X_1).$$

$$P(Y=1|X_1)={\beta }_0+{\beta }_1{X}_1.$$

我们称 $P(Y=1|X)$ 为响应概率（response probability）。因为这个响应概率是参数 $\beta$ 的线性函数，因此这种带有二值因变量的多元线性回归模型被称为线性概率模型。

此外，我们可以通过求导得到 LPM 的边际效应：
$$\frac{\partial P(Y=1|X_1)}{\partial X_1}={\beta }_1.$$

其含义为：在保持其他因素不变的情况下，${\beta }_1$ 度量了因 $X_1$ 的变化导致的成功概率的变化。

线性概率模型的缺点

(1) 取值界限问题

在 OLS 估计下，响应概率的预测值表达式为：
$$P(\widehat{Y_i=1}|X_i)={\hat{\beta }}_0+{\hat{\beta }}_1{X}_i,$$

随着 $X_i$ 的变化，响应概率的预测值有可能超出 $\left[0,1\right]$ ，即无法保证 $0\le P(Y=1|X)\le 1$ 。

(2) 异方差问题

定义响应概率为 $p(X)\triangleq \mathrm{E}(Y|X)=P(Y=1|X)$ ，可以看出响应概率是解释变量 $X$ 的函数。接下来我们求随机干扰项的条件方差：

先求 $Y$ 的二阶矩：
$$\mathrm{E}(Y^2|X)=1\times P(Y^2=1|X)+0\times P(Y^2=0|X)=P(Y=1|X)=\mathrm{E}(Y|X),$$

进而求 $u$ 的条件方差：
$$\mathrm{V}\mathrm{a}\mathrm{r}(u|X)=\mathrm{V}\mathrm{a}\mathrm{r}(Y|X)=\mathrm{E}(Y^2|X)-[\mathrm{E}(Y|X$$