1 / 31

Qualitative Response Model

Qualitative Response Model. 被説明変数がダミー変数の回帰. 例） MROZ.RAW 女性労働 inlf 女性が外で働いていれば 1 ，そうでなければ 0 inlf=f( 家計所得，教育年数，年齢，子育て費用） 推定方法 線型確率モデル (linear probability model) プロビットモデル　 probit model ロジットモデル　 logit model. 線型確率モデル. 非説明変数 y は 1 または 0 の 値をとるダミー変数 線型モデルをそのまま当てはめる. y. 1. 当てはめられた直線.

louisa
Download Presentation

Qualitative Response Model

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Qualitative Response Model

  2. 被説明変数がダミー変数の回帰 • 例）MROZ.RAW • 女性労働 • inlf 女性が外で働いていれば1，そうでなければ0 • inlf=f(家計所得，教育年数，年齢，子育て費用） • 推定方法 • 線型確率モデル(linear probability model) • プロビットモデル　probit model • ロジットモデル　logit model

  3. 線型確率モデル 非説明変数 y は1または0の値をとるダミー変数 線型モデルをそのまま当てはめる y 1 当てはめられた直線 yの予測値（当てはめられた直線）は，説明変数が特定の値をとるときに，yが1となる確率を表すと解釈することができる 係数bはxの増加がyが1となる確率をどのくらい増加させるかを表す 0 x

  4. 線型確率モデルの問題点 • yの予測値が0と1の間に収まらない • Pr(y=1|x)のもっと良い定式化は? • Pr(y=1|x)=F(b’x) • F( ) に確率分布関数を当てはめるとこの問題は回避できる • 分散不均一性の問題

  5. 分布関数の当てはめ

  6. probit model, logit model 次のようなモデルを想定　F( )は確率分布関数 Probit model  標準正規分布 Logit model logisitic分布 ただし，y*=b’x+u

  7. 係数の意味probit model, logit model f( )は確率密度関数, y*=b’x+u probit modelやlogit modelでの係数の解釈 yの期待値に与える影響を正確に求めるためには，f(y*)の計算が必要 x1,x2,..,xkの水準に依存 （他の説明変数がとる値によっても異なる）

  8. Probit model, logit modelの考え方 ここでyは観察される変数であるが，y*は観察不可能な変数であるとする。また，誤差項はある確率分布にしたがう。 例）　女性の労働参加を決定するある観察不可能な変数がある（y*）。 観察不可能な変数y*は，説明変数xの線型関数+誤差項で決定される。 y*がある閾値(critical value)を超えると女性は労働に参加する(y=1)。 しかし，y*が閾値を越えなければ女性は労働に参加しない(y=0)

  9. Probit model, logit modelの考え方(続き） 最後の等式は，確率密度関数がx=0に関して対称的な場合に成立 標準正規分布, ロジスティック分布では成立

  10. 線形確率モデル

  11. probit, logitモデルの推定 menu から Quick  Estimate equation を選択して，次の画面のEstimation settings　で method にBINARY を選択する。 specificationに Binary estimation method というoptionが表れるので，Probitまたは　Logitを選択する

  12. probit model の推計結果 Dependent Variable: INLF Method: ML - Binary Probit (Quadratic hill climbing) Variable Coefficient Std. Error z-Statistic Prob.   ------------------------------------------------------------------------ C 0.270077 0.508593 0.531027 0.5954 NWIFEINC -0.012024 0.004840 -2.484327 0.0130 EDUC 0.130905 0.025254 5.183485 0.0000 EXPER 0.123348 0.018716 6.590348 0.0000 EXPERSQ -0.001887 0.000600 -3.145205 0.0017 AGE -0.052853 0.008477 -6.234656 0.0000 KIDSLT6 -0.868329 0.118522 -7.326288 0.0000 KIDSGE6 0.036005 0.043477 0.828142 0.4076 ----------------------------------------------------------------------- McFadden R-squared 0.220581     Mean dependent var 0.568393 S.D. dependent var 0.495630     S.E. of regression 0.425945 Akaike info criterion 1.087124     Sum squared resid135.1646 Schwarz criterion 1.136251     Log likelihood -401.3022 Hannan-Quinn criter. 1.106050     Deviance 802.6044 Restr. deviance 1029.746     Restr. log likelihood -514.8732 LR statistic 227.1420     Avg. log likelihood -0.532938 Prob(LR statistic) 0.000000 Obs with Dep=0 325      Total obs 753 Obs with Dep=1 428

  13. 推計結果の比較

  14. 最尤法による推定 尤度関数 likelihood function probit model, logit model　：F()を特定化し，最尤法でパラメータを決める

  15. 係数の意味　: marginal effectprobit model, logit model f( )は確率密度関数, y*=b’x+u logit modelの場合 probit modelの場合　 f(y*)=f(y*)　標準正規分布の密度関数

  16. 係数の意味：marginal effect (2) probit model, logit model の係数の比は，marginal effect の相対的な比率を表す

  17. marginal effectの求め方　　 probit分析の結果を開いたまま， View/ Representation とたどり， そこの結果を張り付けると便利 Eviewsのコマンドウィンドウで次のようにタイプ 説明 直前の回帰の係数@coefsをprob_bというベクトルに代入 説明変数が平均値をとる場合のy*を計算し，yhatというスカラー変数に代入 Yhatの値での標準正規分布の密度関数の値を計算し，それをdnorm_yというスカラー変数に代入 Marginal effectsの結果を代入するベクトルをdydxとする（要素数は8個） 各要素に，それぞれの説明変数の限界効果を代入 この例では，expersqというexperの平方の項があるため，dydx(4)の計算は他とは異なっている vector prob_b = @coefs scalar yhat = prob_b(1)* 1 + prob_b(2) *@mean(nwifeinc) + prob_b(3)* @mean(educ) + prob_b(4)* @mean(exper) + prob_b(5) * ( @mean(exper ) )^2 + prob_b(6) * @mean(age) + prob_b(7) *@mean(kidslt6) + prob_b(8) * @mean(kidsge6) scalar dnorm_y = @dnorm(yhat) vector (8) dydx dydx(2) = dnorm_y * prob_b(2) dydx(3) = dnorm_y * prob_b(3) dydx(4) = dnorm_y * ( prob_b(4) + 2 * prob_b(5) * @mean(exper) ) dydx(6) = dnorm_y * prob_b(6) dydx(7) = dnorm_y * prob_b(7) dydx(8) = dnorm_y * prob_b(8)

  18. marginal effect の求め方　Excelを用いた方法 説明変数の平均値をここにコピーする marginal effects 係数の値 この列はB列とC列の掛け算 上のセルの合計 関数を使ってy*における密度関数の値を得る

  19. 問題(1) • MROZ.RAWのデータを用い，女性の労働参加を，線型確率モデルとlogit model, probit model で推計し，係数を解釈せよ。 • 被説明変数：　inlf　労働力であれば1 • 説明変数： nwifeinc( non wife income), educ(教育年数），exper(実際に働いた年数），expersq=exper^2, age（年齢），kidslt6（6歳未満の子供の数）, kidsge6（6-18歳の子供の数）

  20. Tobit model • 耐久財の購入量(y)の決定 • 購入しない人(y=0)が存在 • y>0 と y=0 のみが観察される • この場合も次のようなモデルを考える • y* 観察不可能な変数で，耐久財の購入量(y)を決定する潜在変数

  21. Tobit model の当てはめ y OLSの当てはめ x y*とxの関係 Tobit model

  22. Tobit modelの応用 • 女性の労働供給 • MROZ.RAW • 労働参加していない女性が一定割合存在 • 耐久財の購入 • 低賃金労働者の労働供給 • 生活保護の受給との関係で

  23. Tobit model の解釈

  24. Tobit model の解釈(2) ここで，z~N(0,1)のとき，次の式が成り立つことを用いている inverse Mills ratio y>0の条件付きの期待値は，xbよりも大きくなることが重要

  25. Tobit modelの解釈 (3) yの unconditional expected value 説明変数xが与えられた場合のｙの期待値 y>0の条件付き期待値は前頁

  26. Tobitモデルの解釈(4) 結果だけまとめておく

  27. Tobitの推定方法 誤差項の分布を選択（Tobitは正規分布） menuで　Quick  Estimate equation Estimation settingsのmethodで　CENSORED - .. を選択する 打ち切りの位置を指定する。0以外の値も，右側の指定もできる。

  28. E-ViewsでのTobit modelの推定 sの推計値

  29. Tobit model とOLSの比較 E-Viewsでの出力 Tobitの場合，xjの1単位の増加yの期待値に与える影響をみるためには，x’b/s を計算し，標準正規分布関数からその涙液分布を計算する必要あり。単純に比較できない

  30. 問題(2) • MROZ.RAW • 女性の労働時間の回帰分析 • 40%強が労働時間0 • 被説明変数：hours • 説明変数：nwifeinc, educ, exper, exper^2, age, kidslt6,kidsge6 • OLSとTobit model で推計し，結果を解釈せよ

More Related