截面与面板数据分析 · 经济学专业本科生课程

二元因变量

Binary Dependent Variables · LPM / Probit / Logit · Chapter 4

X(如 P/I 比) Pr(Y=1) 1 LPM:会冲出 [0,1] Probit/Logit:始终在 [0,1]

因变量只有 0/1 时,"概率"才是合适的预测对象

Agenda

本课地图

01

定性二元因变量

0/1 编码;均值 = 比例 = 概率

P3
02

线性概率模型(LPM)

房贷例子;系数即概率变化;两个硬伤

P4–5
03

Probit / Logit 与系数解释

CDF 转换压回 [0,1];概率角度与胜率(odds)角度

P6–7
04

极大似然与其他有限因变量

为什么 OLS 不行;MLE 的思想与性质;censored/truncated/count/ordered/multinomial

P8–10
一、定性二元变量

0/1 编码:均值就是概率

哪些问题是二元的

  • 大学生毕业后是否就业 就业=1
  • 银行是否拒绝贷款申请 拒绝=1
  • 是否在某城市修高铁站 修建=1
  • 是否征收房地产税 征收=1

为什么用 1 和 0:一个班级例子

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。

二、线性概率模型
课堂互动

线性概率模型:把 0/1 直接回归,会出什么事

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。

02.2

LPM 预测概率 = 0.101 S 形曲线(示意)= —

—

二、线性概率模型

LPM 的账:优点与硬伤

优点

  • 易于计算和理解
  • 推断方法与多元回归完全一致(t、F、CI)
  • 系数直接读作概率变化,沟通成本低

缺点

  • 假设 X 变一单位引起的概率变化恒定,现实往往不是
  • 预测概率可能 < 0 或 > 1
  • 误差项必然异方差(二元 Y 的方差随 p 变)

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。

三、Probit与Logit

把线性指标压回 [0,1]:CDF 转换

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)。

Probit

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。

三、Probit与Logit

Logit 系数的两种读法

① 概率角度

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)。

② 胜率(odds)角度

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。

四、极大似然
课堂互动

极大似然:选那个"最能让数据出现"的参数

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。

四、极大似然

MLE 的性质:推断照旧

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。

五、其他有限因变量

其他有限因变量模型:按数据形状选工具

Censored(删失)

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。

Truncated(截断)

中介记录里的购房花费:未购房者整条记录缺失,不是记 0。

Count(计数)

某消费者一周在某餐馆就餐次数:非负整数 0,1,2,…(Poisson 类)。

Ordered(有序)

打分 A–E、信用评级 AAA/AA/A/B:有顺序但间隔无意义。

Discrete choice(多选一)

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。

小结
随堂练习

小结与随堂练习

这节课讲了什么

1 编码

0/1 使均值=比例=概率;回归即在建模条件概率

2 LPM

直接 OLS;系数=概率变化;硬伤是越界与恒定边际效应

3 Probit/Logit

CDF 压回 [0,1];系数需换算成边际效应或 odds ratio

4 MLE

最大化"数据出现的可能性";一致+渐近正态,推断同 OLS

✎ 判断与设计

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):

+ ① 用 LPM 时,补贴金额很大处可能出现什么问题?
提示:预测概率可能 >1;且恒定边际效应不合直觉
+ ② 改用 Logit 后,β 能直接读作概率变化吗?
提示:不能;需在某 X 处算边际效应,或用 e^β 读 odds ratio
+ ③ 若样本只包含已购车家庭的花费,属于哪类模型?
提示:truncated(未购者整条缺失);若含未购者记 0 则 censored
思政点睛

先看清数据的形状,
再选方法的形状

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。