• Mô hình hàm xác suất tuyến tính (Linear Probability Model – LPM).. • Mô hình hàm phân phối tích lũy[r]
(1)(2)NỘI DUNG
• Các tình ứng dụng • Dạng hàm:
• Mơ hình hàm xác suất tuyến tính (Linear Probability Model – LPM)
• Mơ hình hàm phân phối tích lũy
(Cumulative Distribution Function – CDF)
• Hàm Logit
• Hàm Probit
(3)Các tình huống
• Cải thiện / khơng cải thiện lực • Sở hữu nhà / khơng sở hữu nhà
• Nghèo / khơng nghèo
• Thành cơng / khơng thành cơng sách
(4)Mơ hình LPM
• Yi = → có mua nhà
• Yi = → khơng có mua nhà • Xi : Thu nhập gia đình
Yi Xi 1
0 0 1
-20000 5000 4000 18000
(5)-Mơ hình LPM
Yi
Xi
X1 X2 X3
1
(6)Mô hình LPM
• Dùng phương pháp OLS ta có:
• Pr ( Yi = | Xi ) = Pi %
• Pr ( Yi = | Xi ) = ( - Pi ) %
• E[Yi ] = Pi = b1 + b2 Xi = Xác suất để có nhà
i i
i X
(7)Các vấn đề mơ hình LPM
• Khơng thỏa mãn điều kiện =< Pi =<
• R2 khơng cịn đo lường tốt độ thích hợp liệu
• Tác động biên mơ hình thay đổi • Var(ei) thay đổi
(8)(9)(10)Mơ hình hàm Logit
) (
2
1
1 1 ) ( ) ( i X i Z i i i e e X F Z F
P − − +
(11)Mơ hình hàm Logit
Tác động biên
Dấu tác động biên phụ thuộc vào dấu của i
Zi
ki X k i X i X i i P
P = + + + +
− 2 3
ln i i i i i P P X P ) ˆ 1 ( ˆ ˆ − = 0 ) 1
( − i
i P
(12)Mơ hình hàm Logit
Độ lớn tác động biên:
Ở giá trị Xi ta có Pi = P0
Khi Xi tăng lên Xi +1 thì Pi = P1 = ?
( X i X i k Xki)
e P
P
O = + + + +
− = 3 2 0 ( )
1
1 3 2 1 1 + + + + + = −
= e X i X i k Xki
P P
(13)(14)Mơ hình hàm Logit
k P0 = 10% P0 = 20% P0 = 90%
P1 P1 P1
2 15%
3 5% Khi X2 tăng đơn vị Pi
(15)Mơ hình hàm Logit
OLS Maximum Likelihood
H0: k = 0
H1: k khác 0
Tstatistic P- value
Zstatistic P- value Đo độ thích hợp
mơ hình
R2adjusted R2Fadden
H0: 2 = 3= …= k = 0 F
statistic
Đánh giá ý nghĩa thống kê mơ hình
( )
(16)Mơ hình hàm Probit
Dấu tác động biên phụ thuộc vào dấu i f > 0
( )i i
i F P 2X = +
= − = = + − − d e
Pi Zi 2Xi Z
2
2
2
1
i i
i
X
P = f
(17)Ứng dụng EVIEWS
• EVIEWS
Quick \ Estimate Equation \ Binary \ Logit