《第七章 二元离散选择模型.doc》由会员分享，可在线阅读，更多相关《第七章 二元离散选择模型.doc（10页珍藏版）》请在三一文库上搜索。
1、1. 在一次选举中，由于候选人对高收入者有力，所以收入成为每个投票者表示同意或者反对的最主要影响因素。以投票者的态度（y）作为被解释变量，以投票者的月收入（x）作为解释变量建立模型，同意者其观测值为1，反对者其观测值为0，样本数据见表7.1。原始模型为：。利用Probit二元离散选择模型估计参数。表8.1 样本观测值序号XY序号XY序号XY110001111000212100122000121200022220013300013130012323001440001414000242400155000151500125250016600016160002626001770001717001272
2、700188000181800028280019900019190012929001101000020200013030001估计过程如下：输入变量名，选择Probit参数估计。得到如下输出结果：但是作为估计对象的不是原是模型，而是如下结果：可以得到不通X值下的Y选择1的概率。例如，当X=600时，查标准正态分布表，对应于2.9137的累积正态分布为0.9982；于是，Y的预测值YF=1-0.9982=0.0018，即对应于该个人，投赞成票的概率为0.0018。2. 某商业银行从历史贷款客户中随机抽取78个样本，根据涉及的指标体系分别计算它们的“商业信用支持度”（XY）和“市场竞争地位等级”（
3、SC），对它们贷款的结果（JG）采用二元离散变量，1表示贷款成功，0表示贷款失败。样本观测值见表8.2。目的是研究JG与XY、SC之间的关系，并为正确贷款决策提供支持。表8.2 样本观测值JGXYSCJGFJGXYSCJGFJGXYSCJGF0125-2001500-20054-100599-2009600142210100-201-80104200.02090160-200375-2011821046-20042-16.50E-1308016.40E-12080-2015211-5010133-200172-200326200350-101-80102611012300.9979089-20
4、1-2-10.9999060-200128-20014-23.90E-07070-10160112200.99911-8010150-100113100400-201542114210.998707200028-2015720.99990120-1012500.990601460014010.999812300.99791150113510.999911401026-24.40E-1612611049-10089-20115-10.4472014-10.54981511069-1006102.10E-121-9-1101071014021141112911030-20054-201211011
5、2-101321113710.9999078-2005401.40E-07053-1010010131-200194000131-2011501估计过程如下：输入变量名，选择Logit参数估计。得到如下输出结果：用回归方程表示如下：该方程表示，当XY和SC已知时，带入当成，可以计算贷款成功的概率JGF。3. 某研究所1999年50名硕士考生的入学考试总分数（SCORE）及录取情况见表5。考生考试总分数用SCORE表示，Y为录取状态，D1为表示应届生与往届生的虚拟变量。表5 50名硕士考生的入学考试总分数（SCORE）及录取状况数据表序数YSCORED1序数YSCORED111401126034
6、712140102703471313921280344141387029033915138413003380613790310338171378032033618137803303340913761340332110137103503321111362036033211213621370331113136113803301140359139032811503581400328116135614103281170356142032111803551430321119035414403181200354045031802103531460316122035004703080230349048030
7、812403490490304025034815003031定义如下：， 加入D1变量的目的是想考察考生为应届生或往届生是否也对录取产生影响。考生录取状态（Y）与考试总分数（SCORE）的散点图如下图所示：由于变量Y只有两种状态，所以应该建立二元选择模型过程如下：选择BINARY（二元）估计方法，选择logit 模型得到如下输出结果：由D1的相伴概率可以看出，D1的参数没有显著性，说明考生的应届、非应届特征对录取与否无显著性影响。从模型中剔除D1，重新估计。结果如下：对比上述两个结果的赤池信息准则和施瓦茨准则也可以发现，应该剔除D1。最终的回归方程可以表示如下：方程的预测值如下表，由yf表示S
8、COREYYFSCOREYYFSCOREYYF1401111935400.0003463733106.57E-092401112035400.0003463833003.33E-093392112135304.50E-053932808.55E-104387112235001.51E-064032808.55E-105384112334907.64E-074132808.55E-10637910.9999992434907.64E-074232107.36E-12737810.9999982534801.96E-074332107.36E-12837810.9999982634705.04E-
9、084431809.58E-13937610.9999922734701.30E-084531809.58E-131037110.999762834401.30E-084631602.46E-131136210.9021682933901.30E-084730801.11E-151236210.9021683033806.57E-094830801.11E-151336110.8237723133803.33E-094930401.11E-161435900.545683233608.55E-1050303001535800.3784313333408.55E-101635610.1352763433208.55E-101735600.1352763533207.36E-121835500.0734723633207.36E-12