第7章说明
• 这些模型与方法，无论在计量经济学理论方面还是在实际 应用方面，都具有重要意义。但是，这些模型都形成了各 自丰富的内容体系，甚至是计量经济学的新分支学科，模 型方法的数学过程较为复杂。 • 本章只介绍其中最简单的模型，以了解这些模型理论与方 法的概念与思路。
§7.1 选择性样本模型
Selective Samples Model
i 1,2, ,57
R2 0.9775
• 由于被解释变量数据的截断问题，使得原模型变 换为包含一个非线性项模型。
• 如果采用OLS直接估计原模型：
– 实际上忽略了一个非线性项； – 忽略了随机误差项实际上的异方差性。 – 这就造成参数估计量的偏误，而且如果不了解解释变 量的分布，要估计该偏误的严重性也是很困难的。
4、例7.1.1:城镇居民消费模型
人均收入 1120 1310 1300 1430 1500 1670 2100 2370 2530 2790 2980 3200 3460 3630 3880 4040 4210 4390 4520 人均消费 1020 1150 1145 1230 1275 1385 1660 1840 1950 2110 2240 2380 2550 2660 2700 2730 2720 2850 2800 人均收入 4640 4750 4800 4810 4990 5070 5130 5210 5300 5390 5450 5500 5570 5630 5690 5770 5860 5930 6000 人均消费 2900 2980 2970 3050 3200 3100 3175 3200 2450 3230 3310 3500 3510 3590 3600 3650 3720 3850 3800 人均收入 6090 6200 6330 6450 6570 6700 6840 7010 7170 7350 7500 7670 7840 8000 8190 8350 8500 8690 8830 人均消费 3900 3950 4000 4030 4080 4130 4000 4200 4160 4210 4325 4385 4450 4500 4865 4880 4890 4920 4970
Censored(11000) 估计
Dependent Variable: CONS Method: ML - Censored Normal (TOBIT) Date: 11/29/04 Sample: 1 31 Included observations: 31 Right censoring (value) series: 11000 Convergence achieved after 8 iterations Covariance matrix computed using second derivatives Coefficient C INCOM 25.62933 0.775212 Std. Error 306.6661 0.036891 Time: 17:25
• 如果样本观测值不是以0为界，而是以某一个数值 a为界，则有
ya y y* 当y * a 当y * a
y * ~ N ( , 2 )
估计原理与方法相同。
4、例7.1.2:城镇居民消费模型
人均收入 1000 1120 1310 1300 1430 1500 1670 2100 2370 2530 2790 2980 3200 3460 3630 3880 4040 4210 4390 4520 人均消费 1000 1020 1150 1145 1230 1275 1385 1660 1840 1950 2110 2240 2380 2550 2660 2700 2730 2720 2850 2800 人均收入 1040 4640 4750 4800 4810 4990 5070 5130 5210 5300 5390 5450 5500 5570 5630 5690 5770 5860 5930 6000 人均消费 1000 2900 2980 2970 3050 3200 3100 3175 3200 2450 3230 3310 3500 3510 3590 3600 3650 3720 3850 3800 人均收入 1080 6090 6200 6330 6450 6570 6700 6840 7010 7170 7350 7500 7670 7840 8000 8190 8350 8500 8690 8830 人均消费 1000 3900 3950 4000 4030 4080 4130 4000 4200 4160 4210 4325 4385 4450 4500 4865 4880 4890 4920 4970
三、“归并”问题的计量经济学模型
1、思路
• 以一种简单的情况为例，讨论“归并”问题的计 量经济学模型。即假设被解释变量服从正态分布， 其样本观测值以0为界，凡小于0的都归并为0， 大于0的则取实际值。如果y*以表示原始被解释变 量，y以表示归并后的被解释变量，那么则有：
y0 yy
*
当y * 0 当y 0
– 例如消费函数模型：由于抽样原因，被解释变 量样本观测值最低200元、最高10000元。
2、“归并” (censoring)问题
• 将被解释变量的处于某一范围的样本观测值都用 一个相同的值代替。
– 经常出现在“检查”、“调查”活动中，因此也称为 “检查”(censoring) 问题。 – 例如需求函数模型：用实际消费量作为需求量的观测 值，如果存在供给限制，就出现“归并”问题。 – 被解释变量观测值存在最高和最低的限制。例如考试 成绩，最高100，最低0，出现“归并”问题。
一、经济生活中的选择性样本问题 二、“截断”问题的计量经济学模型
三、“归并”问题的计量经济学模型
一、经济生活中的选择性样本问题
1、“截断”（truncation）问题 • 由于条件限制，样本不能随机抽取，即不 能从全部个体，而只能从一部分个体中随 机抽取被解释变量的样本观测值，而这部 分个体的观测值都大于或者小于某个确定 值。 “掐头”或者“去尾”。
OLS估计：将样本看为不受任何限制下随机抽取的样本
Yi 604.93 0.5083X i
i 1,2, ,57
R2 0.9777
ML估计：将样本看为在消费水平大于1000元、小于5000元
的特定人群中随机抽取的样本
截断点 选择
样本类 型选择
估计方法选择
Yi 556.70 0.5194 X i
二、“截断”问题的计量经济学模型
1、ห้องสมุดไป่ตู้路
• 如果一个单方程计量经济学模型，只能从“掐头” 或者“去尾”的连续区间随机抽取被解释变量的 样本观测值，那么很显然，抽取每一个样本观测 值的概率以及抽取一组样本观测值的联合概率， 与被解释变量的样本观测值不受限制的情况是不 同的。
• 如果能够知道在这种情况下抽取一组样本观测值 的联合概率函数，那么就可以通过该函数极大化 求得模型的参数估计量。
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
Censored(12000) 估计—与OLS相同
Dependent Variable: CONS Method: ML - Censored Normal (TOBIT) Date: 11/30/04 Sample: 1 31 Included observations: 31 Right censoring (value) series: 12000 Convergence achieved after 4 iterations Covariance matrix computed using second derivatives Coefficient C INCOM 283.3025 0.740774 Std. Error 264.2754 0.030739 z-Statistic 1.071998 24.09852 Prob. 0.2837 0.0000 Time: 09:05
参数估计结果、似然函数值都 与OLS估计差异较大。为什么 似然函数值大于OLS估计？
z-Statistic 0.083574 21.01348
Prob. 0.9334 0.0000
Error Distribution SCALE:C(3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Avg. log likelihood Left censored obs Uncensored obs 396.7539 0.949968 0.946394 404.4725 4580745. -215.7708 -6.960348 0 29 Right censored obs Total obs 2 31 52.22918 7.596403 0.0000 6427.886 1746.959 14.11425 14.25302 14.15948
Error Distribution SCALE:C(3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Avg. log likelihood Left censored obs Uncensored obs 386.8636 0.949359 0.945742 406.9253 4636469. -228.6873 -7.377011 0 31 Right censored obs Total obs 0 31 49.13244 7.873893 0.0000 6427.886 1746.959 14.94757 15.08634 14.99281