虚拟被解释变量

probit模型估计结果：
Y = -143.32 + 0.40 X – 0.25 D1 z p -2.0529 2.0522 -0.1504 0.0401 0.0401 0.8805
2 RMcF = 0.8968
LR = 68.2056
p=0.0000
从回归结果看，D1的参数没有显著性（z检验通不过），这说
Pi E (Y 11X i )
1 1 e
( 243.74 0.68 X i )
（1）估计probit模型 点击【Quick】-【Estimate Equation】,在文本框中输入 “Y C X D1”，在对话框下半部分的“Estimation settings”栏 的“Method”下拉列表中选择“BINARY-Binary choice ( logit, probit, extreme value )” ，在“Binary estimation method”中选择“Probit”，点击“OK”，出现如下回归结果。
• 为分析家庭收入与汽车拥有的关系，在某市居民 中随即抽取了4Leabharlann Baidu个家庭，这40个家庭的年收入X （万元）、汽车拥有Y（Y取0表示该户家庭未拥有 汽车，Y取1表示该户家庭已拥有汽车）的数据见 表作业数据二。 • 1、分别建立家庭年收入X与汽车拥有Y之间的 Logit模型和Probit模型，写出实验步骤。 • 2、分别对Logit模型和Probit模型的参数显著性、 拟合优度及总体显著性进行检验。（给定显著性 水平0.05） • 3. Logit模型模型中Pi的表达式为什么？当X=25时 ，拥有汽车的概率是多少？
（2）输入数据 Data Y X D1
2 参数估计 （1）估计logit模型 点击【Quick】-【Estimate Equation】,在文本框中输入 “Y C X D1”，在对话框下半部分的“Estimation settings”栏 的“Method”下拉列表中选择“BINARY-Binary choice ( logit, probit, extreme value )” ，在“Binary estimation method”中选择“Logit”，点击“OK”，出现如下回归结果。
明考生的应届、非应届特征对录取与否无显著影响。于是，从
模型中剔除D1，重新估计，输出结果如下。
probit模型估计结果：
Y = -144.46 + 0.40 X
z p
-2.0578 2.0535 0.0396 0.0400
2 RMcF = 0.8965
LR = 68.1832
p=0.0000
作业二
明考生的应届、非应届特征对录取与否无显著影响。于是，从
模型中剔除D1，重新估计，输出结果如下。
logit模型估计结果：
Y = -243.74 + 0.68 X z p -1.9413 1.9385 0.0522
2 McF
0.0526
R
= 0.8950 p=0.0000
LR = 68.0719
根据这一估计结果，可知logit模型估计结果的相应表达式为：
实验2 logit模型与probit模型
实例：给出某大学1999年85名硕士研究生入学考试分数 及录取情况的数据。其中，考生考试总分数用X表示，Y
为录取状态，D1为表示应届生与往届生的虚拟变量。定
义如下：
Y
1, 录取 0, 未录取
D1
1, 应届生 0, 非应届生
Y为虚拟被解释变量，D1为虚拟解释变量，加入D1变量 的目的是想考查考生为应届生或非应届生是否也对录取 产生影响。
logit模型估计结果：
Y = -242.46 + 0.68 X – 0.48 D1 z p -1.9472 1.9454 -0.1597 0.0515 0.0517 0.8731
2 RMcF = 0.8954
LR = 68.0976
p=0.0000
从回归结果看，D1的参数没有显著性（z检验通不过），这说
试建立二元离散logit模型与probit模型。
1 模型设定
（1）创建工作文件 启动Eviews，在主菜单依次点击【File】-【New】-【Workfile】 ，在弹出的“Workfile Range”对话框中选择 “Unstructured/Undated”（不规则或非时间序列数据），在 “Date range”里面输入“85”，点击OK。