第八讲 离散因变量模型(LPM,Probit,Logit).
第八章 离散因变量模型
第八章离散因变量模型离散（分类）因变量模型（Models with Discrete /Categorical Dependent Variables）分为二元选择模型（Binary Choice Models）和多类别选择（反应）模型（Multicategory Choice /Polytomous Response Models）。
在多类别选择模型中，根据因变量的反应类别（response category）是否排序，又分为无序选择模型（Multinominal Choice Models）和有序选择模型（Ordered Choice Models）（也称有序因变量模型Ordered Dependent Variable Models、有序类别模型Ordered Category Models等）一、二元选择模型设因变量1、线性概率模型（LPM模型）如果采用线性模型，给定，设某事件发生的概率为P i，则有所以称之为线性概率模型。
不足之处：1、不能满足对自变量的任意取值都有。
2、3、所以线性概率模型不是标准线性模型。
给定，为使，可对建立某个分布函数，使的取值在（0，1）。
2、Logit模型（Dichotomous/ Binary Logit Model）Logit模型是离散（分类）因变量模型的常用形式，它采用的是逻辑概率分布函数（Cumulative Logistic Probability Function）（e为自然对数的底），逻辑曲线如图4-1所示。
其中，二元Logit模型是掌握多类别Logit模型的基础。
图4-1 逻辑曲线（Logit Curve）以二元选择问题为例，设因变量有0和1两个选择，由自变量来决定选择的结果。
为了使二元选择问题的研究成为可能，首先建立随机效用模型：令表示个体i选择=1的效用，表示个体i选择=0的效用，显然当时，选择结果为1，反之为0。
将两个效用相减，即得随机效用模型：，记为（4-1）当时，，则个体i选择=1的概率为：若的概率分布为Logistic分布，则有即（4-2）式（4-2）即为最常用的二元选择模型——Logit模型。
logit 和probit模型的系数解释 -回复
logit 和probit模型的系数解释-回复Logit和Probit模型是常用的二元选择模型，用于分析二元变量的选择行为。
它们通常用于解释个体在做出选择时的决策，可以帮助我们理解各种影响因素对选择行为的影响。
在这篇文章中，我将逐步回答有关Logit和Probit模型的系数解释的问题，介绍这两个模型的基本原理、模型形式、系数解释和使用注意事项，以及如何解读模型中的系数。
首先，让我们从基本原理开始，了解Logit和Probit模型的背后逻辑。
Logit 和Probit模型都属于广义线性模型（Generalized Linear Models），它们基于一个相似的假设：选择行为是一个概率事件，可以由一组解释变量进行解释。
这些解释变量可以是个体特征（如年龄、性别、教育水平等），也可以是一些特定的因素（如收入水平、市场利率等）。
模型的目的是通过对这些解释变量的分析，预测和解释个体做出选择的概率。
接下来，让我们详细了解Logit和Probit模型的模型形式。
Logit模型使用的是逻辑函数（Logistic Function），而Probit模型使用的是标准正态分布的累积分布函数。
具体来说，Logit模型的形式为：p(y=1 x) = F(xβ) = 1 / (1 + e^(-xβ))其中，p(y=1 x)表示个体在给定解释变量x的情况下选择y=1的概率，F(x β)表示Logistic函数，x是解释变量的值，β是模型的系数。
相比之下，Probit模型的形式稍有不同：p(y=1 x) = Φ(xβ)其中，Φ(xβ)表示标准正态分布的累积分布函数，其他符号的含义与Logit 模型相同。
两个模型的模型形式不同，但它们都具有类似的特点：在x 趋近于正无穷时，概率趋近于1，而在x 趋近于负无穷时，概率趋近于0。
这种形式可以帮助我们理解个体选择行为的变化趋势。
现在让我们转向系数解释的问题。
模型的系数代表着解释变量对选择行为的影响程度。
probit模型与logit模型
probit模型与lo git模型2013-03-30 16:10:17probit模型是一种广义的线性模型。
服从正态分布。
最简单的pr obit模型就是指被解释变量Y是一个0,1变量，事件发生地概率是依赖于解释变量，即P（Y=1）=f(X)，也就是说,Y=1的概率是一个关于X的函数，其中f(.)服从标准正态分布。
若f（.)是累积分布函数，则其为Log istic模型Logit模型（Logitmodel，也译作“评定模型”，“分类评定模型”，又作Logi sticregres sion，“逻辑回归”）是离散选择法模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、市场营销等统计实证分析的常用方法。
逻辑分布（Logist ic distri butio n）公式P(Y=1│X=x)=exp(x’β)/1+exp(x’β)其中参数β常用极大似然估计。
Logit模型是最早的离散选择模型，也是目前应用最广的模型。
Logit模型是Luc e（1959）根据IIA特性首次导出的；Marsch ark（1960）证明了Log it模型与最大效用理论的一致性；Marley （1965）研究了模型的形式和效用非确定项的分布之间的关系，证明了极值分布可以推导出Logi t 形式的模型；McFadd en（1974）反过来证明了具有Log it形式的模型效用非确定项一定服从极值分布。
此后Logi t模型在心理学、社会学、经济学及交通领域得到了广泛的应用，并衍生发展出了其他离散选择模型，形成了完整的离散选择模型体系，如Probi t模型、NL模型（Nest Logitmodel）、MixedLogit模型等。
模型假设个人n对选择枝j的效用由效用确定项和随机项两部分构成：Logit模型的应用广泛性的原因主要是因为其概率表达式的显性特点，模型的求解速度快，应用方便。
第八讲 离散因变量模型(LPM,Probit,Logit)
= F ( X i B) [1 − F ( X i B)]
∂E ( yi X i ) ∂F ( X i B ) ∂P r= = = 斜率： 斜率： ∂x j ∂x j ∂x j dF ( X i B ) ∂ ( X i B ) = = f ( X i B)β j d ( X iB) ∂x j
分布函数F的选取 （四） 分布函数 的选取
选取分布函数F的原则： 选取分布函数 的原则： 的原则
0 ≤ F ( X i B) ≤ 1
X iB → +∞
F ( X i B) → 1
X i B → −∞
F是单调函数 是单调函数
F ( X i B) → 0
按照上述原则F取作累计分布函数。 按照上述原则 取作累计分布函数。 取作累计分布函数 下面介绍三种不同分布函数下的计量模型： 下面介绍三种不同分布函数下的计量模型： LPM, Probit, Logit
注：括号里是p值。 括号里是 值
p ln( ) = −242.4576 + 0.6771Score − 0.4766 D1 1− p
(0.052) (0.052) (0.873) 值进行判断， （4）检验：可以直接根据括弧里的 p 值进行判断，也可以 ）检验： 利用正态分布表查临界值进行检验。 利用正态分布表查临界值进行检验。
E ( yi X i )
P( yi = 0 X i ) = 1 − pi
= 1* P( yi = 1 X i ) + 0 * P( yi = 0 X i ) = 1 ∗ pi + 0 ∗ (1 − pi ) = pi
yi = E ( yi X i ) + ε i = pi + ε i = X i B + ε i
离散选择模型
Yi 0 1GPAi 2 INCOMEi ui
其中：
1 Yi 0
第i个学生拿到学士学位后三年内去读研 该生三年内未去读研
GPA=第i个学生本科平均成绩 INCOME=第i个学生家庭年收入（单位：千美元）
设回归结果如下（所有系数值均在10%水平统计上显著）：
ˆ Yi 0.7 0.4GPAi 0.002 INCOMEi
yi 0 yi 1
函数可以简化为：
L (1 F ( X ))1 yi F ( X ) yi
yi 1
对方程左右取对数我们便得到：
ln L [ yi ln F ( X ) (1 yi ) ln(1 F ( X ))]
i 1
n
似然函数为
fi ln L n yi fi [ (1 yi ) ]xi 0 Fi 1 Fi i 1
Pr ob(Y 1 X ) X F ( X ) f ( X ) X
因此我们在遇到二元响应模型时，估计出参数我们不能盲目的 将其解释为：解释变量变动一个单位，相对应的因变量变化参 数个单位。
为了解决偏效应的问题我们引入调整因子的概念。 在上式中的 f ( X ) 我们 便称为比例因子或调整因子，它与全部 的解释变量有关，为了方便起见，我们要找一个适用于模型所有 斜率的调整因子。有两种方法可以解决： （1）用解释变量的观测值计算偏效应的表达式，调整因子为：
四、二元选择模型的估计
1.除了LPM模型以外，二元选择模型的估计都是以极大似然法为基础 的 。由前面的讨论我们知道：
P(Y 1 X ) F ( X )
由此我们可以得到模型的似然函数为：
P(Y1 y1 ,Yn yn X ) (1 F ( X )) F ( X )
离散因变量模型
0.4
0.2
0.0 X
-0.2 280 300 320 340 360 380 400 420
第10章 离散因变量模型
ቤተ መጻሕፍቲ ባይዱ
对 yi = + xi + ui 取期望，
E(yi) = + xi
(2)
下面研究 yi 的分布。因为 yi 只能取两个值，0 和 1，所以 yi 服从两点分布。 把 yi 的分布记为，
1.0
CNORM
CLOGISTIC
（依据(4)式）
= (1- - xi) ( + xi) = (1 - pi) pi = pi - pi2, （抛物线，依据(4)式）
上两式说明，误差项的期望为零，方差具有异方差。当 pi 接近 0 或 1 时，ui 具有较
小的方差，当 pi 接近 0.5 时，ui 具有最大方差（如图）。所以线性概率模型（1）回
10.1 线性概率模型 线性概率模型的形式如下，
yi = + xi + ui
(1)
其中 ui 为随机误差项，xi 为定量解释变量。yi 为二元选择变量。如利息税、 机动车的费改税（燃油税）问题等。设
1, 若 是 第 一 种 选 择 yi 0, 若 是 第 二 种 选 择
1.2 Y
1.0
0.8
归系数的 OLS 估计量具有无偏性和一致性，但不具有有效性。
y
0.25 0.2
1.4 Y
1.2
1.0
0.8
0.15
0.6
0.1
0.4
0.05
x
0.2 0.4 0.6 0.8
1
Var(ui2) = pi - pi2当pi = 0.5时最大
第八章 离散因变量模型
第八章离散因变量模型离散（分类）因变量模型（Models with Discrete /Categorical Dependent Variables）分为二元选择模型（Binary Choice Models）和多类别选择（反应）模型（Multicategory Choice /Polytomous Response Models）。
在多类别选择模型中，根据因变量的反应类别（response category）是否排序，又分为无序选择模型（Multinominal Choice Models）和有序选择模型（Ordered Choice Models）（也称有序因变量模型Ordered Dependent Variable Models、有序类别模型Ordered Category Models等）一、二元选择模型设因变量1、线性概率模型（LPM模型）如果采用线性模型，给定，设某事件发生的概率为P i，则有所以称之为线性概率模型。
不足之处：1、不能满足对自变量的任意取值都有。
2、3、所以线性概率模型不是标准线性模型。
给定，为使，可对建立某个分布函数，使的取值在（0，1）。
2、Logit模型（Dichotomous/ Binary Logit Model）Logit模型是离散（分类）因变量模型的常用形式，它采用的是逻辑概率分布函数（Cumulative Logistic Probability Function）（e为自然对数的底），逻辑曲线如图4-1所示。
其中，二元Logit模型是掌握多类别Logit模型的基础。
图4-1 逻辑曲线（Logit Curve）以二元选择问题为例，设因变量有0和1两个选择，由自变量来决定选择的结果。
为了使二元选择问题的研究成为可能，首先建立随机效用模型：令表示个体i选择=1的效用，表示个体i选择=0的效用，显然当时，选择结果为1，反之为0。
将两个效用相减，即得随机效用模型：，记为（4-1）当时，，则个体i选择=1的概率为：若的概率分布为Logistic分布，则有即（4-2）式（4-2）即为最常用的二元选择模型——Logit模型。
离散因变量模型课件
离散因变量模型可以处理分类数据，如性别、婚姻状况、学历等；可以分析不 同类别之间的比较和关系；通常采用概率论和统计学方法进行建模和分析。
离散因变量模型的应用场景
市场分析
用于分析市场细分、消费者行 为、品牌选择等，如消费者偏 好分析、市场占有率预测等。
人口学研究
用于分析人口统计数据，如婚 姻状况、生育率、教育程度等 ，可以揭示人口变化趋势和影 响因素。
自变量选择
根据研究目的和理论，选 择与因变量相关的自变量 ，可以是连续或离散变量 。
数据收集和处理
数据来源
确定数据来源，如调查、 数据库等。
数据清洗
对数据进行预处理，如缺 失值填充、异常值处理等 。
数据转换
对数据进行必要的转换， 以满足模型要求。
模型选择与拟合
模型选择
根据研究目的和数据特点，选择合适 的离散因变量模型，如Logit模型、 Probit模型等。
案例三：信用评分模型
总结词
信用评分模型是离散因变量模型在金融领域的典型应用，用于评估个人或企业的信用风 险。
详细描述
信用评分模型是一种常见的离散因变量模型应用，用于评估个人或企业的信用风险。通 过收集个人或企业的信用记录、历史表现和其他相关信息，可以建立信用评分模型，对 个人或企业的信用等级进行评估。这种模型可以帮助金融机构更准确地评估贷款申请人
社会学研究
用于分析社会现象和人类行为 ，如犯罪率、社会阶层、文化 差异等，可以揭示社会规律和 影响因素。
生物学研究
用于分析生物分类、物种分布 、生态平衡等，如物种多样性
分析、生态平衡评估等。
离散因变量模型与其他模型的比较
与连续因变量模型比较
离散因变量模型处理的是分类数据，而连续因变量模型处理 的是连续数据；离散因变量模型通常采用概率论和统计学方 法进行建模和分析，而连续因变量模型可以采用回归分析、 时间序列分析等方法。
- 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)。
2、对Logit模型系数的解释：
p odds ln( ) L ln(odds) 1 p odds j x j x j x j x j
如果选择 F ( X i B) X i B
yi X i B i
yi E( yi X i ) i
E( yi X i ) E( X i B i ) X i B
P( yi 1 X i ) pi
E ( yi X i )
P( yi 0 X i ) 1 pi
1* P( yi 1 X i ) 0* P( yi 0 X i ) 1 pi 0 (1 pi ) pi
yi E ( yi X i ) i pi i X i B i
xj
对响应概率(p)的偏效应： j LPM的估计方法：OLS
2 2
F ( X i B) 1 F ( X i B)
E ( yi X i ) P F ( X i B) r 斜率： x j x j x j dF ( X i B) ( X i B) f ( X i B) j d ( X i B) x j
（四） 分布函数F的选取
一、 二元选择模型
二元选择模型的理论模型 二元选择模型经济计量的一般模型 线性概率模型（LPM) Logit 模型 Probit 模型Βιβλιοθήκη （一） 二元选择模型的理论模型
选择理论：效用是不可观测的，只能观测到选择行为
U i1 X i 1 i1
第i个个体选择1的效用
U i0 X i 0 i0 第i个个体不选择1（选择0）的效用
'
eZ ∵ ( Z ) 1 eZ pi ln( ) XiB 1 pi
得到：
pi ( X i B) e Xi B 1 pi 1 ( X i B)
yi 取1或0
取值范围
Li X i B i
pi 0,1
pi 其中 Li ln 1 pi
机会比率odds
第九章 离散因变量模型
实际经济分析当中的离散变量问题 对于单个方案的取舍购买决策、职业的选择、贷 款决策； 对于两个方案的选择。例如，两种出行方式的选 择，两种商品的选择。由决策者的属性和备选方 案的属性共同决定。 农业经济分析当中的离散因变量问题 农民技术采用、农村选举等等
内容
二元选择模型的三类模型介绍 二元选择模型的估计: 二元选择模型的检验： 二元选择模型的应用
U i1 U i0 X i (1 0 ) (i1 i0 )
y Xi
* i
i
yi 1( yi 0) y 0( y i 0) i
选择1
不选择1 （选择0）
（二） 二元选择的经济计量一般模型
P ( yi 1 X i ) P ( yi* 0) P ( i* Xi ) 1 P ( i* Xi ) 1 F ( X i ) F ( X i )
选取分布函数F的原则：
0 F ( X i B) 1
X i B
F ( X i B) 1
X i B
F是单调函数
F ( X i B) 0
按照上述原则F取作累计分布函数。 下面介绍三种不同分布函数下的计量模型： LPM, Probit, Logit
1、 线性概率模型（LPM)
E( yi X i ) 1 P 0 (1 P) F (Xi )
F ( t ) 1 F (t )
Y E (Y X )
总体回归模型
Y F ( XB)
样本回归模 型 F(X y
i
i
B) i (i 1, 2......n)
（三） 二元选择模型随机误差项及斜率
Li ,
P为y取1时的概率
（3） Logit 模型的边际分析 1、自变量的变化对响应概率（p）的影响：
dp e f (Z ) dZ (1 e Z )2
Z
p d ln( ) dZ 1 p j dx j dx j
p dp Z eZ f (Z ) j j （z）(1-(z)) j Z 2 x j dZ x j (1 e )
线性概率模型存在的问题及适用性
随机误差项是异方差：Var ( i ) pi (1 pi )
办法：可用WLS估计。 拟合值可能不在0－1之间，有可能大于1或小于0: 办法：强令预测值相应等于0或1 进行约束估计。
1
y
* i
y
0
i
Xi B 1 0 Xi B 1 Xi B 0
具有以上分布函数的二元选择模型称为Logit模型。
（2） Logit 模型的设定 Z e yi F ( X i B) i F (Z ) ( Z ) Z
1 e
模型 yi ( X i B) i 线性化 pi ( X i B)
eZ f (Z ) F (Z ) ( Z )(1 ( Z )) Z 2 (1 e )
对于回归模型： yi F ( X i B) i
E(i ) 1 F ( X i B) F ( X i B) F ( X i B) 1 F ( X i B) 0
Var ( i ) E ( i2 ) 1 F ( X i B) F ( X i B) F ( X i B) 1 F ( X i B)
LPM在实际的回归当中应用很少，用于理论模型的比较。
2、 Logit 模型
（1） Logit 模型的分布函数 如果选择
1 0.8 0.6 0.4 0.2 0 0 5 10 15 20 25 30
eZ 1 1 F (Z ) 1 1 eZ 1 eZ 1 e Z
Logistic分布函数