Bài giảng Thống kê và phân tích dữ liệu: Biến phụ thuộc định tính

Bài giảng Thống kê và phân tích dữ liệu: Biến phụ thuộc định tính, được biên soạn gồm các nội dung chính sau: Các tình huống ứng dụng; Mô hình hàm xác suất tuyến tính; Mô hình hàm phân phối tích lũy; Ứng dụng trên Eviews. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Bài giảng Thống kê và phân tích dữ liệu: Biến phụ thuộc định tính BIẾN PHỤ THUỘC ĐỊNH TÍNH 1 NỘI DUNG • Các tình huống ứng dụng • Dạng hàm: • Mô hình hàm xác suất tuyến tính (Linear Probability Model – LPM) • Mô hình hàm phân phối tích lũy (Cumulative Distribution Function – CDF) • Hàm Logit • Hàm Probit • Ứng dụng trên Eviews 2 Các tình huống • Cải thiện / không cải thiện năng lực • Sở hữu nhà / không sở hữu nhà • Nghèo / không nghèo • Thành công / không thành công của một chính sách mới • Tham gia đầu tư / không tham gia đầu tư • … 3 Mô hình LPM • Yi = 1 → có mua nhà • Yi = 0 → không có mua nhà • Xi : Thu nhập của gia đình Yi Xi 1 20000 0 5000 0 4000 1 18000 - - - - 4 Mô hình LPM Yi 1 0 Xi X1 X2 X3 5 Mô hình LPM • Dùng phương pháp OLS ta có: Yi = 1 +  2 X i +  i  i = Yi − 1 −  2 X i • Pr ( Yi = 1 | Xi ) = Pi % • Pr ( Yi = 0 | Xi ) = ( 1 - Pi ) % • E[Yi ] = Pi = b1 + b2 Xi = Xác suất để có nhà 6 Các vấn đề của mô hình LPM • Không thỏa mãn điều kiện 0 =< Pi =< 1 • R2 không còn đo lường tốt độ thích hợp của dữ liệu • Tác động biên của mô hình thay đổi đều • Var(ei) thay đổi • ei không tuân theo phân phối chuẩn 7 Mô hình hàm phân phối tích lũy CDF 8 Mô hình hàm Logit 9 Mô hình hàm Logit 1 1 Pi = F ( Z i ) = F (  +  X ) = − Zi = 1 2 i 1+ e 1 + e −(  +  1 2Xi ) Zi  e  Pi = 1+ e i Z  Pi  = e Zi 1  1 − Pi 1 − Pi =  1+ e i Z  10 Mô hình hàm Logit Z Pi  i  ln =  +  X +  X + ...+  X 1 − Pi 1 2 2i 3 3i k ki Tác động biên Pˆi = Pˆi (1 − Pˆi )  i X i Dấu của tác động biên phụ thuộc vào dấu của i Pi (1 − Pi )  0 11 Mô hình hàm Logit Độ lớn của tác động biên: Ở giá trị Xi ta có Pi = P0. Khi Xi tăng lên Xi +1 thì Pi = P1 = ? O0 = P0 =e (1 +  2 X 2i + 3 X 3i + ...+  k X ki ) 1 − P0 O1 = P1  +  X +  X + ...+  k (X ki +1) = e 1 2 2i 3 3i 1 − P1 P O1 = 1 = O0e  O0e  k k P1 = 1 − P1 1+ O0e  k 12 Mô hình hàm Logit 13 Mô hình hàm Logit k P0 = 10% P0 = 20% P0 = 90% P1 P1 P1 2 15% 3 5% Khi X2 tăng 1 đơn vị thì Pi tăng (15% - 10%) = 5% k 10% 14 Mô hình hàm Logit Đánh giá ý nghĩa thống kê của mô hình OLS Maximum Likelihood H0:  k = 0 Tstatistic Zstatistic H1: k khác 0 P- value P- value Đo độ thích hợp R2adjusted R2Fadden mô hình H0: 2 = 3= …= k = 0 Fstatistic  X 2 = 2(LLFUR − LLFR ) P- value  H1: ít nhất 1  khác 0 Pvalue 15 Mô hình hàm Probit i = F −1 (Pi ) = 1 +  2 X i 1 Z i = 1 +  2 X i −Z 2 Pi = 2 − e 2 d Pˆi = fi X i Dấu của tác động biên phụ thuộc vào dấu của i vì f > 0 Độ dốc hàm Logit < hàm Probit  k Logit =  k Probit x 1.81 16 Ứng dụng EVIEWS • EVIEWS Quick \ Estimate Equation \ Binary \ Logit Quick \ Estimate Equation \ Binary \ Probit 17 ...