10.4 Probit
Why do company go public
其它会计变量
• 作者发现新上市的公司面临的税务压力会
持续增强，因为上市后公司会比以前多支
付2%的税款，并且上市后的会计信息透明
度高，防止公司避税，这增加了上市的成
本。
借贷成本
• （Basile，1988）上市公司的优势在于利用证劵 市场降低信贷成本或银行会给上市公司优惠。这 种效应在上市当年和随后三年在经济上和统计上 都是显著的，但其后就减弱了 。 • 这种效应似乎完全集中在独立公司，对于子公司 不能认为借贷成本在上市后有变化
上市的收益
克服借贷限制 上市的最大的一个优势可能是，能够选 择从银行融资。因此高杠杆高投资的公司更 可能上市。IPO后可以降低杠杆，高投资。 增加了与银行的议价能力 上市后有更多的融资渠道，因此增加了 企业与银行的议价能力。
• 流动性与多元化 股票交易过程中会获得流动性收益，规 模大的公司交易量大收益多，而小公司交易 量小，收益少。越小的公司越不可能上市。 IPO后会分散股权。 多元化投资，可以分散风险。风险高的 企业越可能上市。IPO后控股股东减少股份， 降低了自身风险。
本文作者从两个方面来推断上市决策的影响因素 ：
• • 公司上市前的特征 公司上市后的投资与财务决策
两个原因：
• 有些变量的重要性只能通过事后的数据来评估，比如，
控股股东的处置意图几乎不可能从事前的信息判断。
• 发行的效果不可能完全预测，只有事后的信息才能揭示 出来。
四、公司上市前的特征
在文章的第三部分，作者分析了上市前的决定因素。
作者通过考察公司所有权结构和控股股东
的变化来进一步说明公司上市的动机。 研究结果表明，控股股东似乎没有通过上市分散 他们的持股。这似乎排除了多元化的危机。但是，控 股股东持股风险的降低可能仍然是上市的一个重要决
第十章定性选择模型(计量经济学,潘省初)
1 F[(0 j Xij )] j 1
其中F是u的累积散布函数。 假设u的散布是对称的，那么1 F (z) F (z) ，我 们可以将上式写成
k
Pi F (0 j X ij ) j 1
(10.9)
我们可写出似然函数：
L Pi (1 Pi ) Yi 1 Yi 0
(10.10)
假设只要两个选择，我们可用0和1 区分表示它们， 如乘公交为0，自驾车为1，这样的模型称为二元选择 模型〔binary choice Models〕，多于两个选择〔如下 班方式加上一种骑自行车〕的定性选择模型称为多项 选择模型〔Multinomial choice models〕。
第一节 线性概率模型
概率=F(Z)
1
Probit模型
线性概率模型
0
Z
图10-1 线性概率模型和Probit模型
虽然Probit模型实践是非线性的，但它可以以一 种相似于其他经济模型的方式写出。首先，我们需求 将等式〔10.12〕稍微改写一下，它代表由累积正态 概率函数执行的变换：
第二节 Probit模型和Logit模型
一．Probit和Logit方法概要
估量二元选择模型的另一类方法假定回归模
Yi* 0 k j X ij 型 u为i
(10.7)
j 1
Yi*
这里 不可观测，通常称为潜变量〔latent variYaible〕10 。若我其Y们i*它能0观测到（的10是.8）虚拟变量：
AGE的斜率估量值也在1%的水平上清楚。在支出和 性别不变的状况下，年龄添加1岁，选择候选人甲的概 率添加0.016。MALE的斜率系数统计上不清楚，因此 没有证听说明样本中男人和女人的选票不同。
我们可以得出如下结论：年轻一些、富有一些的选
EPS操作手册
EPS PanSystem V3.0a使用指南Version 3.0aMarch 2002爱丁堡石油服务有限公司(C) Copyright EPS LtdALL RIGHTS RESERVED中文手册出版说明文版的翻译工作是爱丁堡石油服务有限公司授权由中油股份西南油田分公司勘探开发研究院汪福勇、胡勇先生完成的。
有EPS北京办公室何祥初先生和北京Lanston石油燃气设备有限公司叶荣先生审定。
由于时间紧促，水平有限，难免有错误和不妥之处，仅请各位用户指正。
EPS公司北京代表处目录EPS PanSystem User Guide第一章PANSYSTEM 简介 (1)基础部分（Basics Section）第二章文件菜单（File Menu Options） (39)第三章编辑菜单（EDIT Menu Options） (46)第四章报告菜单（REPORT Menu Options） (57)数据准备部分（Dataprep Section）第五章配置菜单（CONFIG Menu Options） (58)第六章数据准备（Gauge Data Preparation） (67)第七章井及油藏特性描述- 解析（Well and Reservoir Description）.117第八章井及油藏特性描述- 数字（Well and Reservoir Description）.168第九章潮汐校正（The Tidal Filter） (201)分析部分（Analysis Section）第十章试井分析（Analysis） (208)第十一章模拟（Simulate） (252)第十二章数字模拟（Numerical Simulate） (274)第十三章产能分析（Deliverability） (311)先进模拟（Advanced Simulation）第十四章Advanced Simulation (339)其它有用的信息（Other Useful Information）第十五章A 公式（Equation） (362)第十五章B 公式（Equation） (403)第十六章文件结构（File Structures） (431)范例（Worked Examples）第十七章测试数据准备（Dataprep - Gauge Data） (439)第十八章人工数据输入（Manual Data Entry） (449)第十九章气井中途测试和产能分析（Gas Well DST and Deliverability Analysis） (463)第二十章报告（Reporting） (476)第二十一章试井设计（Test Design） (482)第二十二章参考文献（References） (492)前言PanSystem 的研发和所有权为:爱丁堡石油服务有限责任公司,Research Park,Riccarton,EDINBURGH EH14 4APScotland, UK.PanSystem (C) Copyright EPS Ltd. 1994 to 2002. PanMesh (C) Copyright EPS Ltd and Kepler Engineering 1998 to 2002. All rights reserved. Portions of PanMesh are copyright of Criterion Software Ltd (UK) 1993 - 1996 and their Licensors.本手册和软件必须由爱丁堡石油服务有限责任公司和软件所有者授权才能使用，否则既是非法的。
spss回归分析
第八章回归分析回归分析是处理两个及两个以上变量间线性依存关系的统计方法。
在医学领域中，此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量有关系，人的体表面积与身高、体重有关系；等等。
回归分析就是用于说明这种依存变化的数学关系。
第一节Linear过程8.1.1 主要功能调用此过程可完成二元或多元的线性回归分析。
在多元线性回归分析中，用户还可根据需要，选用不同筛选自变量的方法（如：逐步法、向前法、向后法，等）。
8.1.2 实例操作［例8.1］某医师测得10名3岁儿童的身高（cm）、体重（kg）和体表面积（cm2）资料如下。
试用多元回归方法确定以身高、体重为自变量，体表面积为应变量的回归方程。
8.1.2.1 数据准备激活数据管理窗口，定义变量名：体表面积为Y，保留3位小数；身高、体重分别为X1、X2，1位小数。
输入原始数据，结果如图8.1所示。
图8.1 原始数据的输入8.1.2.2 统计分析激活Statistics菜单选Regression中的Linear...项，弹出Linear Regression对话框（如图8.2示）。
从对话框左侧的变量列表中选y，点击 钮使之进入Dependent框，选x1、x2，点击 钮使之进入Indepentdent(s)框；在Method处下拉菜单，共有5个选项：Enter（全部入选法）、Stepwise（逐步法）、Remove（强制剔除法）、Backward（向后法）、Forward（向前法）。
本例选用Enter法。
点击OK钮即完成分析。
图8.2 线性回归分析对话框用户还可点击Statistics...钮选择是否作变量的描述性统计、回归方程应变量的可信区间估计等分析；点击Plots...钮选择是否作变量分布图（本例要求对标准化Y预测值作变量分布图）；点击Save...钮选择对回归分析的有关结果是否作保存（本例要求对根据所确定的回归方程求得的未校正Y预测值和标准化Y预测值作保存）；点击Options...钮选择变量入选与剔除的α、β值和缺失值的处理方法。
Stata统计分析与应用(第3版)
11 11 时间序列分析
11 时间序列分析
11.1 基本时间序列模型 的估计
11.3 VAR与VEC的估计及 解释
11.5 Stata操作习题
11.2 ARIMA模型的估计、单 位根与协整
11.4 ARCH与GARCH的 估计及解释
11 时间序列分析
2.8.1 encode 和decode命令
2.8.2 real函 数
2.8 数值和字符串的转换
2 数据管理
2.9.1 生成 虚拟变量
1
2.9.2 生成 分类变量
2
2.9 生成分类变量和虚拟变量
2 数据管理
2.10.1 数据的横 向合并
2.10.3 数据的交 叉合并
2.10.2 数据的纵 向合并
11 时间 序列分析
11.4 ARCH与GARCH 的估计及解释
A
11.4.1 ARCH模型
C
11.4.2 GARCH模型
11.4.3 ARCH模型 的Stata实现
B
12 12 聚类分析
12 聚类分析
12.1 聚类分析的 基本思想与理论
12.1.1 聚类分析的基本 思想
12.1.2 聚类分析的相似 性测度
03
8.4.3 使用test命
令——进行读者指
定的检验
02
8.4.2 使用 predict命令——
计算拟合值和残差
01
8.4.1 使用regress 命令——因变量对自
变量的回归
9 非经典假设、线性方程组、
09 面板数据估计的Stata实现
9 非经典假设、线性方程组、 面板数据估计的Stata实现
回归分析例题
10.4.2 银行是否批准抵押贷款申请? 有一对夫妇用所拥有的一套面积为1800 平方尺、每年房屋税为1500美元且配有游泳 池的住房 ,向杰弗逊山谷银行提出抵押19万 美元的申请 ,该银行搜集的房屋销售资料如 下 ,试以此判断该银行能否接受这对夫妇的 申请?
居住面积 15 (百平方尺) 房屋税 (百元)
1331.9
1160 1535 1961.8 2009.3 1721.9 1298 1100 1039 1200
5.6
8.5 7.7 7 6 6 7.2 7.6 9.2 8.8
9.4
9.4 7.2 6.6 7.6 10.6 14.9 16.6 17.5 16
4.1
3.4 4.2 4.5 3.9 4.4 3.9 3.1 0.6 1.5
表10.4.37 电话线缆年销售量资料
time
1 2 3 4 5 6
Y
5873 7852 8189 7497 8534 8688
X1
1051.8 1078.8 1075.3 1107.5 1171.1 1235
X2
1053.6 1486.7 1434.8 2035.6 2360.8 2043.9
X3
现分析GAP、PSI、TUCH对LG的影响。
10.4.5 家庭摄录机需求分析 当因变量具有相反的两种属性分类（如买 与不买，合格与不合格）或者因变量被分成几 组在不同竞争压力下产生不同的反应效果，以 上所有情况有一共同要求就是必须掌握全部观 察数及竞争压力的反应效果数据总数，这时可 用Analyze中的Probit回归过程进行分析。 Probit模型方程如下：Φ -1（Pi）=B。+BiXi 其中： Φ -1（Pi）是分布密度函数的反函数。 Pi为概率， b。常数项，bi偏回归系数，xi是 响应变量。
农户信贷配给及影响因素的实证分析
农户信贷配给及影响因素的实证分析王雪琳;肖雪萍【摘要】利用天水地区600户农村家庭的抽样调查数据,从实证角度考察了我国农村正式金融机构对贫困地区农户的信贷配给行为.计量结果表明,60.7％的农户受到了数量信贷配给、风险和交易成本配给；教育年限、固定资产、非农收入对其信贷配给在统计上有显著的负向影响.本文结论有助于有针对性地提出缓解贫困地区农户正规信贷约束的政策建议.【期刊名称】《天水师范学院学报》【年(卷),期】2012(032)005【总页数】4页(P49-52)【关键词】贫困;农户;信贷配给;天水市【作者】王雪琳;肖雪萍【作者单位】天水师范学院经济与社会管理学院,甘肃天水741001;天水师范学院经济与社会管理学院,甘肃天水741001【正文语种】中文【中图分类】F327欠发达国家一般存在较高程度的金融压抑和金融约束，特别在当前以财富为基础的有限责任信贷体系会使低收入群体受到信贷约束而不能实现有效规模的资本投入，从而陷入贫困陷阱的恶性循环.同样的，中国农户普遍面临比较严峻的信贷配给问题，据银监会统计显示，截至2007年，获得贷款支持的农户数达到7817万户，占全国农户总数的32.8%，但在有真正贷款需求的农户中，仍有近40%农户的贷款需求无法满足.[1]大量调查研究也显示，中国农户所受到的信贷约束比上述数据反映的还要严重，受到正规信贷约束的农户超过60%；[2]李锐、李宁辉对中国10个省850户农户的经验研究显示，从正规渠道获得借款的农户只占总数的34.16%；[3]朱守银对安徽调查研究显示，1999年和2000年，中国农村信用社对农民的借贷资金供给量占农户借贷资金需求量的10%左右，等等.[3]基于上述文献分析，本文的主要目的是考察天水贫困地区（主要指国家或省级贫困县）农户所面临的正规金融机构的信贷配给，从信贷供给和需求两个角度解释农户正规信贷需求得不到满足的机制原因，由此来思考当前以扩大供给为特征的农村金融改革是否能够有效激活农村的经济活力.1 相关概念界定及文献回顾对信贷配给的一般定义是：由于贷款者运用信贷标准配给信贷资金，部分借款人即使愿意支付现行利率，但仍不能按照这种利率获得贷款.目前，已有一些学者对农户信贷配给进行了深入的研究：Baltensperger首次强调了信贷合约的非价格条件对界定信贷配给概念的重要性，并提出了信贷配给的定义；González-Vega给出了从信贷合约条件出发讨论信贷配给的分析框架；Bouncher提出了风险配给和交易配给两个重要的信贷配给概念.[4]刘西川等从侧重点不同上区分了信贷配给和信贷约束，并从信贷需求出发，重视信贷配给不同方式的考察.[5]基于上述文献回顾，本文在重新明确信贷配给概念的基础上，在甘肃省天水地区选取张家川县、清水县、麦积区（均为国家级贫困县）600个农户调查样本，并借鉴Boucher提出的6种信贷配给类型——借贷型价格配给、未借贷型价格配给、完全数量配给、部分数量配给、风险配、交易成本配给——进行分类，以提高样本的可识别程度及分类的完备度.表1 信贷配给分类配给分类信贷申请情况机制原因借贷型价格配给未借贷型价格配给完全数量配给部分数量配给风险配给交易成本配给是否是是否否信贷得到情况全额得到－没有得到部分得到－－申请并全额得到贷款不感兴趣；利率太高信贷单位未通过贷款申请信贷单位只发放部分额度贷款担心失去抵押物品贷款交易成本过高2 样本来源及描述2.1 样本数据及来源本文选取的样本地区为3个国家级贫困县区——张家川县、清水县、麦积区.截至2010年，该3县区农业户占总户数平均比重为68.42%；数据均采集于甘肃省经济信息网.同时，该3县区不同乡镇之间差距较大，就单纯人均可支配收入而言，最高水平可达8360元，而平均水平为1823元.可见，该3县区不同地区间经济活动及经济发展水平差异较大，可以选取具有典型代表性的村级样本，在每个村级样本中，随机选取30-50户农户调查，共发放问卷600份，收回586份，其中有效问卷560份.2.2 样本描述首先，按贷款的申请及取得情况分类（表2）.表2 样本农户贷款获得情况分布是否合计是否得到贷款是否申请贷款是否存在超额信贷需求农户（户）188 124 10比重（%）33.57 22.14 1.79农户（户）372 436 550比重（%）66.43 77.86 98.21农户（户）560 560 560比重（%）100 100 100可见，仅从贷款的申请及取得情况很难考察信贷配给情况，其原因在于，是否得到贷款，是否申请贷款与是否存在超额信贷需求三者之间不存在简单的一一对应关系.[5]由此可知，对样本农户再进行完备分类是必要的.依据Boucher的6种信贷配给分类，结合刘西川的研究经验，[5]将560份样本依据收入级别进行细分.表3 样本农户按收入水平分级的信贷情况分布（单位：户，%）收入分组低收入户数比重中等偏下户数比重中等收入户数比重中等偏上户数高收入户数比重部分数量配给完全数量配给风险配给交易成本配给借贷型价格配给未借贷型价格配给合计2824 2 2 3 6 8 3 6 0 6 3 6 6 4 0 112 25 1.8 1.8 32.1 7.2 32.1 100%112 24.1 0 5.4 2.1 5.4 35.7 100%26 0 12 30 14 30 112 23.2 0 10.7 26.8 12.5 26.8 100%24 0 16 28 18 26 112 24.1 0 14.3 25 16.1 23.2 100%44 0 10 18 12 28 112比重合计户数比重39.3 0 8.9 16.1 10.7 25 100%146 2 46 148 58 160 560 26.0 0.4 8.2 26.4 10.4 28.6 100%从表3可以看出：一方面，在价格信贷配给分布上，借贷型价格配给农户的百分比为10.36%，未借贷型价格配给农户的百分比为28.57%，共计达到样本总数的38.93%，充分说明以贷款利率为导向的价格机制在农户贷款行为中起着重要作用.另一方面，在非价格信贷配给分布上，部分数量配给、完全数量配给、风险配给、交易成本配给的农户数分别为146户、2户、46户、148户共计342户，占样本农户总数的61.07%.可见，样本中受正规信贷约束的农户达六成之多.在正常信贷需求受到约束的342户样本农户中，有148户受到数量配给，而受到完全数量配给的仅有2户，这与农村市场贷款门槛较低，农户贷款相对容易，但数额偏小的经验观察相吻合.并且，高收入组农户对贷款额度较低的反应更为强烈.表3第3行显示，样本农户中受到风险配给的户数为46户，并且，中等收入组、中高收入组、高收入组所占比重均大于低收入组和中低收入组农户，可见农户贷款行为中需提供足额抵押的合约条件更多的制约了较富裕农户的贷款行为，抵押物的正向选择效应明显.从第4行可以看出，受到交易成本配给的农户达148户，占受约束农户总数的43.27%，并且随着农户收入的提高，所占比重呈下降趋势，也就是说，低收入农户相比较富裕农户，更不愿为贷款支付额外的交易成本.同时，也可以看出，在现实农户印象中存在的包括请客送礼在内的租金类交易成本给正规信贷市场带来的巨大损害.3 模型及实证分析3.1 研究方法及模型选择本文是使用Probit模型来估计影响农户是否受到信贷配给的因素.首先，需要确定农户是否受到信贷配给.当农户所需要的借款数额少于从正规和非正规金融市场所获取的借款数额时，就说农户受到了信贷配给（本文仅关注正规金融机构信贷市场）.当农户i受到信贷配给时，令其超越信贷需求的状况由隐含变量B*表示，B*是非可观测变量，反映借款者需要更多的贷款或者想借贷却无法贷到款.非观测变量B*可以表示为（1）式中，Ld(K ，M，εd )代表农户的名义贷款需求量，Ls(K ，M，εs) 代表金融机构的信贷供给量.K代表农户拥有的资本，M代表农户的禀赋特征，ε为不可观测的潜在特征.由于B*不可直接观测到，因此，可以将信贷配给定义为一个虚拟变量：当B*＞0（受到信贷配给）时，B i＝1；B*≤0（未受到信贷配给）时，Bi＝0.本文关心的是农户的特征中哪些因素影响出现B*＞0的概率.定义Zi代表解释变量，包含农户拥有的资本和资源禀赋特征，例如资产状况及受教育年限、耕地面积、收入支出情况等.如果以Bi观测B*，假定B*是农户拥有的资本和资源禀赋特征的函数，则有：（2）式中，λ是估计系数，μ是随机误差项.由（2）式可以得到：Prob(B* ＞0)=Prob(λZi+μ)=Prob(μ ＞-λZi)=1-φ(-λZi)（3）（3）式可以采用Probit模型来估计，假定μ服从标准正态分布.则（3）式最大似然估计函数为：（4）式中，φ是估计λZi是标准正态分布概率密度函数.3.2 模型变量描述在调查过程中，设定了户主年龄、户主受教育年限、耕地面积、劳动力比率、固定资产额、总收入、农业生产收入、教育费用支出、医疗卫生支出9个连续变量以及家中是否有关系成员1个虚拟变量作为样本农户的观测变量，其描述性统计分析见表4.表4 样本变量统计性描述注：户主受教育年限：小学＝6年、初中＝9年，高中＝12年，大学及以上学历＝16年；劳动力比率等于家庭劳动力数除以家庭总人口数；非农收入包括非农工资收入或经商收入、租金收入等；技能包括开车、缝纫、烹饪、木匠、行医、瓦匠等受到信贷配给农户均值标准差未受到信贷配给农户均值标准差总样本农户均值户主年龄（岁）户主受教育年限（年）耕地面积（亩）劳动力比率家庭固定资产额（元）非农收入（元）教育支出（元）医疗卫生支出（元）44.83 8.52 11.44 0.51 8434.38 5852.08 1157.14 2198.75 12.83 3.47 6.590.23 10172.87 7707.36 3002.60 2787.50 47.93 9.42 11.67 0.52 11922.33 8620.39 1787.18 3281.07 12.18 4.27 6.89 0.21 20497.46 12248.48 4247.36 5964.71标准差45.92 8.83 11.52 0.51 9652.20 6818.64 1377.12 2576.1012.67 3.79 6.69 0.22 14689.13 9611.92 3493.76 4202.18家中技能成员（有＝1，无＝0）是否了解贷款程序（了解＝1，不了解＝0）0.07 0.19 0.26 0.39 0.12 0.62 0.32 0.49 0.09 0.34 0.28 0.47从表4中可以发现，农户的资产越多，受到的数量配给的概率越低，这与Boucher（2002）的研究相吻合，同时，拥有更多非农收入的农户，具有更强烈的信贷需求，并会相对容易的得到贷款.接下来，知道正规信贷机构贷款条件和申请程序的农户，与不知道贷款条件和申请程序的农户相比，受到配给的概率越小.这说明，了解贷款政策、与其打过交道，在很大程度上可以降低农户因缺乏信息而导致的受到风险或交易成本配给的概率，这也从另一个侧面说明了加强供求双方了解的重要性，以及正规信贷机构在农村市场普及信贷知识的迫切性.3.3 计量分析首先，本文假定如下：农户拥有的资本越多，受到信贷配给的概率越小，具体来讲，由于农户的社会资本量、固定资产、金融资产越多，其可被用作抵押、担保的资产就越多，在中国当前的农村金融市场中，这样的农户受到信贷配给的可能性越小；非农收入越多的农户受到信贷配给的可能性越小；农户的禀赋特征中，户主受教育年限越长，受到信贷配给的概率越小；户主年龄、耕地面积、劳动力比率等对信贷配给的概率影响不确定，取决于它们对信贷需求和信贷供给影响的差额；子女教育支出和医疗卫生支出是目前贫困地区农户的最主要支出，这些大额支出，必然会减少农户用于生产性投向的资金，因此会增加农户受到信贷配给的概率.接着，本文对（3）式采用Probit模型来估计，表5列出了Eviews6.0的模型估计结果.模型整体拟合效果较好，似然比统计量在99%的显著性水平上通过检验.模型的估计结果中，多数变量的作用方向符合前文假定，可以看到,固定资产、非农收入对其受到信贷配给的概率有统计上显著的负向影响，均在10%的水平上显著，这与资产越多，受到配给的可能性越小的经验观察相吻合.户主受教育年限越高，受到信贷配给的概率就越小，并在1%的水平上显著.同时，户主年龄、耕地面积、劳动力比率的增大大多会降低其受到信贷配给的概率，尽管在统计上并不显著.在贫困地区农户中，医疗卫生支出对其受到信贷配给会产生统计上显著的正向影响，并在10%的水平上显著，在义务教育普及的今天，医疗费用无疑成为每个农户家庭的大额支出，“因病致穷”现象比比皆是，对资金的超额需求降低了其将贷款投向生产性活动的可能，从而增大了其受到信贷配给的概率.同样，子女的教育支出也对农户的信贷配给产生正向影响，尽管在统计上并不显著.表5 模型估计结果注：在解释变量的解释中，受到信贷配给＝1，未受到信贷配给＝2；*代表在10%的水平上显著，**代表在5%的水平上显著，***代表在1%的显著性水平上显著.常数项户主年龄户主受教育年限耕地面积劳动力比率Log Likelihood －181.4521似然比估计量 18.7789***观测值样本数未收到信贷配给196个，受到信贷配给364个估计系数1.5121－0.0094－0.0118**－0.0006－0.4907标准误差0.4295 0.0063 0.0244 0.0118 0.3552固定资产非农收入医疗卫生支出教育支出估计系数－0.0099*－0.0156*0.0352*0.0206标准误差0.0057 0.0087 0.0205 0.02514 结论本文发现，在天水贫困地区农户的正规信贷活动中，受到交易成本配给的样本农户最多，表明农村信用社在产权明晰改革、信贷员培训及制度约束、信贷基础知识的宣讲上，依旧任重道远.其次，相当多的农户受到部分数量配给，这反映出农村金融机构贷款授信额度低，政策灵活性欠缺，这是农村信贷市场失灵的必然结果，也与农村信用社在农村正规信贷市场“一家独大”的垄断现状不无关系.再者，部分农户受到风险配给，反映出贫困地区金融保险市场的缺失，同时也凸显了国家需进一步完善教育、医疗、社会保障和劳动力市场的必要性——一个市场的不完善会通过“溢出效应”导致另一个市场的失灵——这些配套改革对增强天水贫困地区农户尤其是贫困农户的就业能力和投资能力尤为关键.结合前文思路，从供需角度我们再来分析农户被排除在正规信贷市场主要的三种配给方式：第一，对于交易成本配给，在深化金融改革过程中，由于农信社自身组织和制度的不完善，贫困地区农户信息取得成本过高，农户为了贷款而不得不请客送礼串门，而对于贫困地区农户而言，这笔费用成本过高，而且会担心中介无人而吃“闭门羹”，从而导致了交易成本配给的产生；第二，对于数量配给，其中有很大一部分农户是因为主观认为贷款申请被拒绝的可能性很大，而放弃贷款请求，对自己实施了自我配给；第三，对于风险配给，在金融改革后，农信社出于自身利润的考虑而过分强调贷款抵押，竭力将风险通过抵押物而转移给农户的做法，将很多担心还款困难的农户排除在了正规信贷市场之外，而使其原本的正常信贷需求被抹杀.我们再次结合计量分析结果，发现天水贫困地区农户特别是中低收入农户，面临相当严重的交易成本配给和风险配给，而且这些农户的禀赋特征基本类似——农业收入是家庭收入的主要来源，劳动力少，外出务工和技能人员缺乏，抚养负担重，对农信社有关情况了解很少.这也说明，更深层次的细化收入分组和细化配给类型的分类，对于准确识别和估计农户信贷配给情况是必要的，也是以后继续深入研究的地方.考虑到天水贫困地区农户的现实情况，本文结论及政策启示如下：4.1 减少当地政府的行政干预，促进竞争环境的发育，可以促使农信社在产权、制度和公司治理结构上进行完善；在制度上，需要加强对农信社主任和信贷员的有效监督，将其评价考核体系科学化.4.2 严格关注农信社的成本约束与贷款市场定价之间的相关性，关注农信社取得的垄断利益通过有利于内部人控制的成本费用“隧道”向内部人转移的“隧道行为”.4.3 坚持利率自由化改革，正规的利率市场价格水平才能够弥补农户贷款中信息、风险导致的高成本，激活农信社贷款动力.当然，由于农业的比较收益偏低，适度的农业生产贷款补贴和优惠是需要的.4.4 作为当地政府和金融服务部门，应当针对贫困地区农户在产品服务设计和风险管理上积极创新，如完备的信用评价体系，自愿互助担保的农贷保障机制，抵押物替代方式等方面，减少贫困农户受到风险配给概率.4.5 引导地方性金融企业农村化，开拓信托、保险、证券等现代金融产品的农村市场，缓解政策性金融机构在农村信贷市场上的供需矛盾.4.6 完善贫困地区财政补贴机制，运用财政货币政策建立合理农贷资金配套机制，安排专门用于农业项目的资金和农业发展基金.银监会有关负责人强调，“十二五”期间，全国农村信用社的改革发展要按照党的十七届五中全会关于“深化农村信用社改革，鼓励有条件的地区以县为单位建立社区银行，发展农村小型金融组织和小额信贷，健全农业保险制度，改善农村金融服务”要求.只有金融深化的农村市场并配以完备的政策保障，才能真正意义上提高天水贫困地区农户收入水平，为缓解贫困和收入差距过大做出更大贡献.【相关文献】[1]焦瑾璞.构建多层次农村金融系统[J].中证网讯.2006,(3).[2]朱喜,李子奈.我国农村正式金融机构对农户的信贷配给——个联立离散选择模型的实证分析[J].数量经济技术研究,2006,(3).[3]田俊丽.中国农村金融体系重构——缓解农村信贷配给[M].云南:西南财经大学出版社,2007.[4]BARHAM,B.L;BOUCHER,S.and CARTER,M.R.Credit Constraints,Credit Unions and Small-scale Producers in Guatemala,World Development,VOL.24,(5).[5]刘西川,程恩江.贫困地区农户的正规信贷约束：基于配给机制的经验考察[J].中国农村经济,2009,(6).。
秩和比法
8.2 秩和比法秩和比法是我国统计学家田凤调教授于1988年提出的一种新的综合评价方法，它是利用秩和比RSR （Rank-sum ratio ）进行统计分析的一种方法，该法在医疗卫生等领域的多指标综合评价、统计预测预报、统计质量控制等方面已得到广泛的应用。
秩和比是一个内涵较为丰富的综合性指标，它是指行（或列）秩次的平均值，是一个非参数统计量，具有0～1连续变量的特征，近年来秩和比统计方法不断完善和充实。
8.2.1 分析原理及步骤1、分析原理秩和比是一种将多项指标综合成一个具有0~1连续变量特征的统计量，也可看成0~100的计分。
多用于现成统计资料的再分析。
不论所分析的问题是什么，计算的RSR 越大越好。
为此，在编秩时要区分高优指标和低优指标，有时还要引进不分高低的情况。
例如，评价预期寿命、受检率、合格率等可视为高优指标；发病率、病死率、超标率为低优指标。
在疗效评价中，不变率、微效率等可看作不分高低的指标。
指标值相同时应编以平均秩次。
秩和比综合评价法基本原理是在一个n 行m 列矩阵中，通过秩转换，获得无量纲统计量RSR ；在此基础上，运用参数统计分析的概念与方法，研究RSR 的分布；以RSR 值对评价对象的优劣直接排序或分档排序，从而对评价对象作出综合评价。
2、分析步骤① 编秩： 将n 个评价对象的m 个评价指标列成n 行m 列的原始数据表。
编出每个指标各评价对象的秩，其中高优指标从小到大编秩，低优指标从大到小编秩，同一指标数据相同者编平均秩。
② 计算秩和比（RSR ）：根据公式∑=⨯=mj iji n m R RSR 1计算，式中i=1，2，…，n ； ijR为第i 行第j 列元素的秩，最小RSR=1/n ，最大RSR=1。
当各评价指标的权重不同时，计算加权秩和比（WRSR ），其计算公式为∑=⋅=mj ij j i R w n wRSR 11，Wj 为第j 个评价指标的权重，∑Wj=1。
通过秩和比（RSR ）值的大小，就可对评价对象进行综合排序，这种利用RSR 综合指标进行排序的方法称为直接排序。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
,0
P 1
，系统默认的截断值为0.5，
点击OK后就可以生成对应的期望-预测表。对于上面的 例10-3，如果取默认的截断值为0.5，得到的期望-预测
图，如图10-8所示。
图10-8 Probit模型的拟合优度检验
（3）模型的经济意义分析
由图10-8可以看出，归入第1组的观测数据共14个，
其中分组正确的有12个，分组不正确的有2个；归入第
2组的观测数据共14个，其中分组正确的有11个，分组
不正确的有3个。因变量 Y 取0的观测值共有15个，本来 都应该归入第1组，但实际只有12个观测值被归为第1组， 模型分组恰当率为80%；因变量 Y 取1的观测值共有13个， 本来都应该归入第2组，但实际只有11个观测值被归为 第2组，模型分组恰当率为84.627%；综合第1、第2组的 分组结果，模型最终分组恰当率为82.14%。
§10.4
二元Probit离散选择模型 及其参数估计
单一解释变量 X 、多变量 X i 的Probit过程的具体 形式分别为
P ( Y i 1 X i ) ( 0 1 X i )
0 1 X i
( Z )dt
(10.4.1)
P (Yi 1 X i ) ( 0 1 X 1i 2 X 21 i k X ki )
总体而言，模型的拟合优度很好，这可能是初始
模型设定合理，对因变量可能造成重要影响的模型都
考虑到了，虚拟变量以乘法形式引入也可能是原因
之一。
Y
序号 15 16 17 18 19 20 21 22 23 24 25 26 27 28
性别 1 1 1 1 1 1 1 1 1 1 1 1 1 1
年龄 （岁） 20 25 27 28 30 32 33 33 38 41 45 48 52 56
月收入 （千元） 4.00 4.20 4.30 4.50 3.95 4.00 4.80 4.00 4.20 4.50 4.80 4.00 4.50 4.80
取，即要求样本分布与总体分布具有同一性。对 N 个 样本数据 (Y i , X i ) ，模型(10.4.1)的对数似然函数为:
ln[ L ( 0 , 1 )]
[Y
i 1
N
i
ln ( 0 1 X i ) (1 Yi ) ln( 1 ( 0 1 X i ))]
SEX 是月收入（千元）；
1 表示男性， SEX 0
表示女性。调查对象为某大都市的工薪族群体，数据表 见表10-4，请建立因变量 Y 与自变量之间的Probit回归。
表10-4 公共交通的社会调查数据
序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 性别 0 0 0 0 0 0 0 0 0 0 0 0 0 1 年龄 （岁） 18 21 23 23 28 31 36 42 46 48 55 56 58 18 月收入 （千元） 3.85 4.20 3.85 3.95 4.20 3.85 4.50 4.00 3.95 4.20 4.80 5.10 4.80 3.85
模型参数的极大似然估计就是选择使对数函数达到
最大时的
0 , 1
的值。
例10-3 因变量 Y
在一次关于公共交通的社会调查中，一个
Y 表示主要乘坐公共汽车上下班， 0
调查项目为“是乘坐公共汽车上班，还是自己开车上班”。
1
表示主要
自己开车上下班。自变量 AGE 是年龄，作为连续变量；
INCOME
Y
0 0 1 1 1 0 1 1 1 0 1 1 1 0
0 0 0 0 1 0 0 0 0 0 1 0 1 1
（1）Eviews下的模型估计
在Eviews中建立工作文件并输入数据后，在主菜单 中选择 Quick/Estimate Equation打开的方程定义窗口 并选择Binary（二元选择模型）估计方法；
Estimation Method中的Probit模型估计方法，即系统的 默认方法，见图10-6。
图10-6 Probit模型估计界面
点击OK键后，系统立即输出Probit模型估计结果。
将模型设定为不同函数形式，并经过反复试验，我 们发现，虚拟变量性别不但影响模型的截距（以加法形 式被引入方程），还影响模型的系数（以加法形式被 引入方程），最终结果如图10-7所示。
在窗口的方程定义栏（Equation Specification） 中输入二分类变量 Y ，常数项 C ，以及解释变量，即输入
Y C SEX AGE INCOME
。
根据所选择的分布函数不同，二元选择模型有不同的 类型，如标准正态分布（Probit模型）， Logistic分布 （Logit 模型），等等。在窗口中部，我们选择Binary
图10-7 Probit模型估计结果
根据图10-7的Probit模型估计结果，模型的具体形式 为：
P (Y 1 X ) ( 23 . 708 0 . 7088 SEX 1.4050 AGE 6.0417 INCOME 0.1820 SEX * INCOME )
（2）模型的拟合优度检验（如图10-8） 在模型估计输出界面窗口，选择View/Expectation Prediction Table后，打开一个对话框，在对话框中输 入一个截断值
0 1 X 1 i 2 X 21 i k X ki
( Z )dt
(10.4.2)
其中， ( Z ), ( Z ) 分别为标准正态分布的分布函采用极大似然估计法，
因此在构建Probit过程时要求样本采取随机抽取方式抽