1、關(guān)于二元選擇模型第一張，PPT共三十三頁，創(chuàng)作于2022年6月二元選擇模型 Binary Choice Model一、二元離散選擇模型的經(jīng)濟背景 二、二元離散選擇模型 三、二元Probit離散選擇模型及其參數(shù)估計 四、二元Logit離散選擇模型及其參數(shù)估計 五、二元離散選擇模型的檢驗 第二張，PPT共三十三頁，創(chuàng)作于2022年6月說明在經(jīng)典計量經(jīng)濟學(xué)模型中，被解釋變量通常被假定為連續(xù)變量。 離散被解釋變量數(shù)據(jù)計量經(jīng)濟學(xué)模型（Models with Discrete Dependent Variables）和離散選擇模型(DCM, Discrete Choice Model)。二元選擇模型(Bi

2、nary Choice Model)和多元選擇模型(Multiple Choice Model)。本節(jié)只介紹二元選擇模型。第三張，PPT共三十三頁，創(chuàng)作于2022年6月離散選擇模型起源于Fechner于1860年進行的動物條件二元反射研究。1962年，Warner首次將它應(yīng)用于經(jīng)濟研究領(lǐng)域，用以研究公共交通工具和私人交通工具的選擇問題。70、80年代，離散選擇模型被普遍應(yīng)用于經(jīng)濟布局、企業(yè)定點、交通問題、就業(yè)問題、購買決策等經(jīng)濟決策領(lǐng)域的研究。模型的估計方法主要發(fā)展于80年代初期。第四張，PPT共三十三頁，創(chuàng)作于2022年6月1、邏輯分布的概率分布函數(shù) 第五張，PPT共三十三頁，創(chuàng)作于2022

3、年6月1、原始模型對于二元選擇問題，可以建立如下計量經(jīng)濟學(xué)模型。其中Y為觀測值為1和0的決策被解釋變量；X為解釋變量，包括選擇對象所具有的屬性和選擇主體所具有的屬性。 左右端矛盾第六張，PPT共三十三頁，創(chuàng)作于2022年6月由于存在這兩方面的問題，所以原始模型不能作為實際研究二元選擇問題的模型。需要將原始模型變換為效用模型。這是離散選擇模型的關(guān)鍵。 具有異方差性 第七張，PPT共三十三頁，創(chuàng)作于2022年6月2、效用模型 作為研究對象的二元選擇模型第i個個體 選擇1的效用第i個個體 選擇0的效用第八張，PPT共三十三頁，創(chuàng)作于2022年6月注意，在模型中，效用是不可觀測的，人們能夠得到的觀測值

4、仍然是選擇結(jié)果，即1和0。很顯然，如果不可觀測的U1U0，即對應(yīng)于觀測值為1，因為該個體選擇公共交通工具的效用大于選擇私人交通工具的效用，他當(dāng)然要選擇公共交通工具；相反，如果不可觀測的U1U0，即對應(yīng)于觀測值為0，因為該個體選擇公共交通工具的效用小于選擇私人交通工具的效用，他當(dāng)然要選擇私人交通工具。第九張，PPT共三十三頁，創(chuàng)作于2022年6月最大似然估計欲使得效用模型可以估計，就必須為隨機誤差項選擇一種特定的概率分布。兩種最常用的分布是標(biāo)準(zhǔn)正態(tài)分布和邏輯（logistic）分布，于是形成了兩種最常用的二元選擇模型Probit模型和Logit模型。最大似然函數(shù)及其估計過程如下：第十張，PPT共

5、三十三頁，創(chuàng)作于2022年6月邏輯分布的對稱性似然函數(shù)第十一張，PPT共三十三頁，創(chuàng)作于2022年6月 在樣本數(shù)據(jù)的支持下，如果知道概率分布函數(shù)和概率密度函數(shù)，求解該方程組，可以得到模型參數(shù)估計量。 1階極值條件第十二張，PPT共三十三頁，創(chuàng)作于2022年6月四、二元Logit離散選擇模型及其參數(shù)估計第十三張，PPT共三十三頁，創(chuàng)作于2022年6月1、邏輯分布的概率分布函數(shù) 第十四張，PPT共三十三頁，創(chuàng)作于2022年6月Brsch-Supan于1987年指出: 如果選擇是按照效用最大化而進行的，具有極限值的邏輯分布是較好的選擇，這種情況下的二元選擇模型應(yīng)該采用Logit模型。 第十五張，PP

6、T共三十三頁，創(chuàng)作于2022年6月例 貸款決策模型分析與建模：某商業(yè)銀行從歷史貸款客戶中隨機抽取78個樣本，根據(jù)設(shè)計的指標(biāo)體系分別計算它們的“商業(yè)信用支持度”（CC，XY）和“市場競爭地位等級”（CM，SC），對它們貸款的結(jié)果（JG）采用二元離散變量，1表示貸款成功，0表示貸款失敗。目的是研究JG與CC、CM之間的關(guān)系，并為正確貸款決策提供支持。第十六張，PPT共三十三頁，創(chuàng)作于2022年6月樣本觀測值CC=XYCM=SC第十七張，PPT共三十三頁，創(chuàng)作于2022年6月數(shù)據(jù)的錄入第十八張，PPT共三十三頁，創(chuàng)作于2022年6月QUICKEstimate Equation第十九張，PPT共三十三

7、頁，創(chuàng)作于2022年6月第二十張，PPT共三十三頁，創(chuàng)作于2022年6月第二十一張，PPT共三十三頁，創(chuàng)作于2022年6月McFadden R-squared0.966793S.D. dependent var 0.495064Akaike info criterion 0.121882Schwarz criterion 0.212525Hannan-Quinn criter. 0.158168LR statistic 102.0977Prob(LR statistic) 0.000000第二十二張，PPT共三十三頁，創(chuàng)作于2022年6月Akaike info criterion 0.1218

8、82Schwarz criterion 0.212525Hannan-Quinn criter. 0.158168第二十三張，PPT共三十三頁，創(chuàng)作于2022年6月信息準(zhǔn)則越小越好：被估計的參數(shù)個數(shù)k越小，SC越??；L越大，SC越小。具體可參見：數(shù)據(jù)分析與EViewS應(yīng)用，易丹輝主編，2008年第一版，中國人民大學(xué)出版社。第35頁及第12章及相關(guān)章節(jié)。第二十四張，PPT共三十三頁，創(chuàng)作于2022年6月Mean dependent var0.410256S.E. of regression 0.089416Sum squared resid0.599643Log likelihood -1.75

9、3403Restr. log likelihood-52.80224Avg. log likelihood -0.022480第二十五張，PPT共三十三頁，創(chuàng)作于2022年6月第二十六張，PPT共三十三頁，創(chuàng)作于2022年6月LR statistic 102.0977Prob(LR statistic) 0.000000第二十七張，PPT共三十三頁，創(chuàng)作于2022年6月第二十八張，PPT共三十三頁，創(chuàng)作于2022年6月第二十九張，PPT共三十三頁，創(chuàng)作于2022年6月該方程表示，當(dāng)CC和CM已知時，代入方程，可以計算貸款成功的概率JGF。例如，將表中第19個樣本觀測值CC=15、CM=1代入方程右邊，計算括號內(nèi)的值為0.1326552；查標(biāo)準(zhǔn)正態(tài)分布表，對應(yīng)于0.1326552的累積正態(tài)分布為0.5517；于是，JG的預(yù)測值JGF=10.5517=0.4483，即對應(yīng)于該客戶，貸款成功的概率為0.4483。第三十張，PPT共三十三頁，創(chuàng)作于2022年6月0.9999991.0000000.4472330.000000第三十一張，PPT共