tailieunhanh - Bài giảng Kinh tế lượng: Chương 6 - Nguyễn Ngọc Lam (2017)

Bài giảng "Kinh tế lượng - Chương 6: Một vài mô hình phi tuyến" trình bày các nội dung: Mô hình xác suất tuyến tính - LPM, mô hình xác suất tuyến tính, mô hình Probit và Logit, mô hình logit,. nội dung chi tiết. | Chương 5: Một vài mô hình phi tuyến Khi biến phụ thuộc là biến giả, chúng ta muốn tìm xác suất mà một sự kiện nào đó xảy ra nên gọi là mô hình xác suất Ví dụ: Y= Y= 1 nếu một sinh viên tốt nghiệp ra trường 0 nếu không tốt nghiệp 1 nếu một gia đình có vay được vốn từ ngân hàng 0 nếu không vay được Mô hình xác suất tuyến tính - LPM Chúng ta viết mô hình xác suất tuyến tính dưới dạng hồi qui thông thường như sau: Pi = Pr(Yi = 1|Xi) = E(Yi|Xi) = 1 + 2Xi với E(Ui) = 0. Kỳ vọng có điều kiện E(Yi|Xi) được giải thích như là xác suất có điều kiện để sự kiện khi biến Xi đã xảy ra. Mô hình xác suất tuyến tính Gọi: Pi là xác suất Yi = 1 (sự kiện xảy ra), (1 – Pi) là xác suất Yi = 0 (sự kiện không xảy ra) Vậy Yi theo phân phối Bernoulli, có kỳ vọng: E(Yi) = + 0.(1 – Pi) = Pi E(Yi|Xi) = Pi Vì E(Yi|Xi) là một xác suất nên: 0 E(Yi|Xi) 1 Mô hình xác suất tuyến tính Ui = Yi - 1 - 2Xi Khi Yi = 1, Ui = 1 - 1 - 2Xi, với xác suất Pi, Khi Yi = 0, Ui = - 1 - 2Xi, với xác suất 1- Pi, Có hiện tượng phương sai sai số thay đổi, do ui theo phân phối Bernoulli nên: Var(Ui) = Pi(1 – Pi) E(Yi|Xi)= 1 + 2Xi có thể vượt khoảng (0,1) nếu Xi có giá trị lớn. Mô hình Probit và Logit Trong mô hình LPM Pi là phân phối tuyến tính nên có nhiều nhược điểm, để khắc phục người ta đưa ra 2 trường hợp: Probit Logit Khi đó, chắc chắn 0 E(Yi|Xi) .

TỪ KHÓA LIÊN QUAN
crossorigin="anonymous">
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.