Модели множественного выбора, когда имеется не две, а несколько альтернатив, можно строить и изучать, обобщая подходы и методы, используемые для моделей бинарного выбора. [c.329]
Нетрудно видеть, что при т = 2 модель (12.15) — это обычная /0< г -модель бинарного выбора (12.3). Модель (12.13) при т = 2 тоже сводится к обычной /онезависимых переменных рассматривать ж42 — xti. [c.333]
Решение участвовать — не участвовать описывается обычной моделью бинарного выбора [c.343]
Рассмотрим модель бинарного выбора P(yt = 1) = F(a + (3dt), где d — фиктивная переменная (принимающая значения 0 или 1). Ниже представлены результаты 100 наблюдений [c.350]
Модель бинарного выбора описывается стандартным образом [c.353]
Модели бинарного выбора с панельными данными [c.386]
В этом разделе мы кратко рассмотрим модели с панельными данными, в которых зависимая переменная является бинарной, т. е. принимающей значения 0 или 1. Модель бинарного выбора в случае панельных может быть описана аналогично тому, как это делается для пространственных данных (см. (12.4) и (12.5)) [c.386]
Рассмотрим теперь модели со случайным эффектом. Если в уравнении (13.47) обозначить иц = г + ц, то внешне модель (13.47), (13.48) будет выглядеть так же, как модель бинарного выбора для пространственных данных (12.4), (12.5). Однако есть существенное отличие в данном случае ошибки иц, t = 1,..., Т, а следовательно, и наблюдения уи, t = 1,..., Т, уже не являются независимыми по t для каждого объекта г (между объектами эти ошибки, конечно же, независимы). Это означает, что распределение /(г/гъ УгТ хц,..., Xtf, /3) не распадается в произведение одномерных распределений, а следовательно, и функция правдоподобия для этой модели не представима в виде произведения одномерных распределений, как это было для моделей бинарного выбора с пространственными данными. В общем случае построение функции правдоподобия требует вычисления многомерных интегралов, что делает практически нереализуемым метод максимального правдоподобия. [c.388]
Использование метода максимального правдоподобия для оценивания моделей бинарного выбора [c.18]
Итак, пусть наша задача состоит в оценивании параметров модели бинарного выбора [c.18]
Показатели качества моделей бинарного выбора, критерии согласия с имеющимися данными, сравнение альтернативных моделей [c.24]
В рамках этого подхода среди множества других были предложены следующие показатели качества моделей бинарного выбора [c.27]
Если речь идет о сравнении нескольких альтернативных моделей бинарного выбора с разным количеством объясняющих переменных, то, как и в случае обычных линейных моделей, сравнивать качество [c.30]
В заключение рассмотрим пример подбора модели бинарного выбора с несколькими объясняющими переменными. В этом примере мы имеем дело со следующими финансовыми показателями 66 фирм на конец одного и того же года оборотный капитал - [c.32]
Этот график по форме разительно отличается от тех, с которыми приходится сталкиваться при анализе обычных моделей регрессии с непрерывной объясняемой переменной. И это вовсе не должно нас удивлять, если вспомнить свойства случайных ошибок в моделях бинарного выбора при заданных значениях объясняющих переменных случайная величина ei может принимать в i -м наблюдении только два значения. Соответственно, привычный графический анализ остатков не дает здесь полезной информации, и более полезным является непосредственное использование подходящих статистических критериев. [c.39]
Поскольку мы используем для оценивания модели бинарного выбора метод максимального правдоподобия, естественным представляется сравнение максимумов функций правдоподобия, получаемых при оценивании модели с выполненными стандартными предположениями и при оценивании модели, в которой эти предположения не выполняются. При этом предполагается, что эти две модели - гнездовые, т.е. первая вложена во вторую, так что вторая модель является более сложной, а первая является частным случаем второй модели. [c.39]
Модели бинарного выбора [c.313]
Модель бинарного выбора обычно связывается с наличием [c.316]
Перейдем теперь к панельным данным. И здесь модель бинарного выбора обычно связывается с наличием некоторой ненаблюдаемой (латентной) переменной y t и наблюдаемой индикаторной переменной yit такой, что [c.316]
Модели бинарного и множественного выбора 321 [c.321]
В каждом узле, применяя технику оценивания для бинарных моделей, можно оценить условную вероятность выбора соответствующей альтернативы. Безусловная вероятность вычисляется по формуле умножения вероятностей. Так, например, [c.330]
Бинарного выбора модель для панельных данных, 316 логит-модель с фиксированными эффектами, 319 пробит-модель со случайными эффектами, 323 Бройша-Пагана критерий [c.374]
Для наглядности будем изучать модели бинарного выбора на примере покупки семьей автомобиля. Обозначая, как и раньше, зависимую переменную у, будем считать, что у = 1, если в течение исследуемого периода времени семья купила автомобиль, и у = О в противном случае. Ясно, что на решение о покупке автомобиля влияют самые различные факторы доход семьи, количество ее членов, их возраст, место проживания семьи и т. п. Набор этих характеристик можно представить вектором х = (xi,..., a f ) (независимые переменные). Сохраняя основные идеи регрессионного подхода, будем предполагать, что на решение семьи влияют также неучтенные случайные факторы (ошибки). Выдвигая различные предположения о характере зависимости у от х, будем получать разные модели. Здесь мы рассмотрим три модели линейную модель вероятности и так называемые probit- и logit-ыодели. [c.321]
В п. 4.4 мы рассмотрели проблемы исключения существенных и включения несущественных переменных для линейных регрессионных моделей. Можно поставить аналогичный вопрос какое влияние оказывает пропуск существенных переменных в уравнении (12.4) на оценивание модели бинарного выбора (12.3) Исчерпывающий ответ на него выходит за рамки нашей книги. Отметим лишь, что в данном случае, даже если исключенные существенные переменные ортогональны включенным, оценки параметров будут, в отличие от линейной схемы, смещенными и несостоятельными (подробнее см. (Greene, 1997) и (Johnston and DiNardo, 1997)). [c.329]
Расходы на отдых и модели с усеченными переменными. Не все семьи расходуют деньги на отдых. В нашем случае иЗ = 0 для 22.5% наблюдений. В этом разделе мы рассмотрим модели бинарного выбора для ответа на вопрос, тратит какие-нибудь средства на отдых или нет, игнорируя информацию о размерах этих затрат. Мы рассмотрим также iobit-модель, в которой явно учитывается смешанный дискретно-непрерывный тип переменной иЗ. [c.353]
Изучение новейшего инструментария эконометрики показало, что более совершенными методами построения кризис-прогнозных моделей являются нелинейные модели бинарного выбора (логит-регрессия, пробит-регрессия и др.), которые учитывают качественное различие явлений. Качество может быть выражено специальными показателями, например, финансово устойчивые предприятия можно обозначить числом 0, а несостоятельные или обанкротившиеся предприятия — 1. [c.631]
Оценивание вектора 2 производится в рамках пробит-модели бинарного выбора. При этом получаем оцененные значения А[=А Х2[в2) (первый шаг процедуры Хекмана). Эти оцененные значения используются затем на втором шаге процедуры вместо / . [c.91]
Наличие протяженных наблюдений позволяет, в принципе, включать в модель элементы динамики. Мы, однако, уже говорили о проблемах с оцениванием динамических моделей бинарного выбора, в частности, с включением в правую часть запаздывающих значений объясняемой переменной. В данном анализе предполагается устойчивость индивидуальных откликов во времени, и она как раз учитывается введением в модель индивидуальных эффектов. Для проверки этого свойства в модель помимо переменной UNEMPDUR включается также переменная PREVDUR, указывающая на суммарную продолжительность периодов безработицы за 10 лет, предшествующих анализируемому периоду. [c.327]