截面与面板数据分析 · 经济学专业本科生课程
Binary Dependent Variables · LPM / Probit / Logit · Chapter 4
因变量只有 0/1 时,"概率"才是合适的预测对象
0/1 编码;均值 = 比例 = 概率
房贷例子;系数即概率变化;两个硬伤
CDF 转换压回 [0,1];概率角度与胜率(odds)角度
为什么 OLS 不行;MLE 的思想与性质;censored/truncated/count/ordered/multinomial
100 人里 90 人就业(=1)、10 人不就业(=0)。把 100 个取值加起来是 90,除以 100 得 0.9。于是样本均值 = 就业比例 = 个人就业的概率:E(Y=1) = Prob(Y=1) = 0.9。
推论 对二元 Y,回归拟合的"条件均值" E(Y|X) 就是条件概率 Pr(Y=1|X)。所以二元因变量回归,本质上是在建模概率。
房贷例子(教材):deny 对 P/I 回归得 Pr̂ = −0.080 + 0.604·(P/I)。拖动 P/I,看 LPM 的预测概率与一条 S 形曲线(示意)的差别。
LPM 预测概率 = 0.101 S 形曲线(示意)= —
—
实践取舍 若只关心 X 在样本中间范围的平均边际效应,LPM 常常够 用且透明;若关心极端取值处的预测概率,或 p 接近 0/1,应改用 Probit/Logit。
p =11 + e−(β₀+β₁X)
用 logistic 分布的 CDF 做转换;线性指标 z = β₀+β₁X 可以取任意实数,p 始终落在 (0,1)。
p = Φ(β₀ + β₁X)
用标准正态分布的 CDF Φ 做转换。形状与 Logit 非常接近,实践中结论通常几乎相同。
共同思想 先算一个线性指标 z = β₀ + β₁X(可正可负无界),再用一个 S 形累积分布函数把 z 映射成概率。于是预测概率永不越界,且边际效应随 X 变化。
代价:系数 β 不再等于"X 变一单位概率变多少"。要得到边际效应,需在某个 X 处对 CDF 求导,或计算两个 X 处的预测概率之差。
直接算预测概率:固定其他变量,把 X 从 a 变到 b,看 p 的变化。这是最直观、也最推荐报告的方式(在样本均值处或代表性个体处)。
odds = p/(1−p)。Logit 中 ln(odds) = β₀+β₁X,于是 eβ₁ 是胜率比(odds ratio):X 增 1 单位,odds 乘以 eβ₁。医学与流行病学常用这种读法。
例:β₁ = 0.7 → e0.7 ≈ 2.01,即 X 增 1 单位,"发生 vs 不发生"的胜率翻倍。但概率从多少变到多少,还取决于起点 p。
小实验:观测到 10 个二元结果,其中 7 个 1、3 个 0。拖动候选 p,看这组数据出现的可能性(似然)多大。
似然 L(p) = p7(1−p)3 = — 对数似然 = —
—
推广 Probit/Logit 中每个观测的"出现概率"是 Φ(zi) 或 logistic(zi)(y=1)或其补(y=0);n 个独立观测的似然是它们的乘积,取对数变求和,最大化即得 MLE。
一致 + 大样本正态 在相应假设下,MLE 是一致的,且在大样本下服从正态分布。
推断与 OLS 同套 单个系数用 t 统计量;多个系数联合假设用 F 统计量;95% 置信区间仍是估计值 ± 1.96 × 标准误。学过的推断工具全部可复用。
对比非线性最小二乘 也可以对 Probit 最小化预测误差平方和(非线性 LS),但它不具有效性:存在方差更小的估计量。所以实践中用 MLE 而非非线性 LS。
所有人购房花费:买房者是连续值,没买房记 0。值存在但被"压"在 0。
中介记录里的购房花费:未购房者整条记录缺失,不是记 0。
某消费者一周在某餐馆就餐次数:非负整数 0,1,2,…(Poisson 类)。
打分 A–E、信用评级 AAA/AA/A/B:有顺序但间隔无意义。
出行方式选汽车/火车/飞机:多于两类的无序选择 → multinomial logit 类。
共同点 因变量的取值范围受限 → 条件均值非线性 → 都需要 MLE 类方法;选模型先看数据形状,而不是先挑方法。
这节课讲了什么
0/1 使均值=比例=概率;回归即在建模条件概率
直接 OLS;系数=概率变化;硬伤是越界与恒定边际效应
CDF 压回 [0,1];系数需换算成边际效应或 odds ratio
最大化"数据出现的可能性";一致+渐近正态,推断同 OLS
情境:研究"家庭是否购买新能源车"(是=1)。
请回答(点一下看提示):
是 0/1、是计数、是有序等级、还是被删失截断,
数据的形状决定模型的形状。
拿连续变量的直觉硬套离散数据,是实证里常见的错配。
经世济民,学以致用。
课后思考:教材留的三个问题——LPM 与 Logit/Probit 的异同、各自适用场景、能否用 OLS 估 Logit——请各用三句话作答。