虚拟变量课件

第五章虚拟变量●两种分类的定性变量●多种分类的定性变量●定性变量对截距和斜率项影响●应用第五章虚拟变量●两种分类的定性变量1两种分类的定性变量两种分类的定性变量2问题的提出1.计量经济学模型，需要经常考虑属性因素的影响。例如，职业、战争与和平、繁荣与萧条、文化程度、灾害、季节2.定性因素往往很难直接度量它们的大小。只能给出它们的“Yes:D=1或No:D=0、或者它们的程度或等级3.为了反映定性因素和提高模型的精度，必须将属性因素“量化”。通过构造0-1型的虚拟变量来量化属性因素问题的提出1.计量经济学模型，需要经常考虑属性因素的影响。例3模型中引入虚拟变量的必要性现实经济生活错综复杂，往往要求人们按照经济变量的质或量的不同，分别进行处理。因此，回归模型中，往往有必要引入虚拟变量，以表示这些质的区别。例如，消费函数，对于平时与战时，萧条与繁荣，乃至性别、教育程度、季节性等等，都会因质的不同表现出不同的差异。模型中引入虚拟变量的必要性现实经济生活错综复杂，往往要求4两种分类的定性变量Y的条件期望值工资考察工资和性别有无关系的模型两种分类的定性变量Y的条件期望值工资考察工资和性别有无关系的5例数据data51.xls,data51.wfl，建立模型计算看看男女性各自的平均工资，结果如何？这里性别为一虚拟变量例数据data51.xls,data51.wfl，建立模型计6加入其它定量解释变量把上例模型中加入工作经历后变为：性别虚拟变量的p值很小为0.003，表明非常显著。这样在控制工作经历的情况下，平均工资的性别差异很显著。加入其它定量解释变量把上例模型中加入工作经历后变为：7多种分类的定性变量多种分类的定性变量8多种分类的定性变量

设Y表示家庭储蓄，X表示家庭收入。不同年龄组，储蓄和收入之间的关系是不一样的。把年龄分成三个组：25岁以下、25~55岁和55岁以上，定义虚拟变量：三类家庭的虚拟变量取值情况还有可能有更多的定性变量，如受教育程度、职称等多种分类的定性变量设Y表示家庭储蓄，X表示家庭收入。9定性变量对截距和斜率项影响定性变量对截距和斜率项影响10定性变量对截距和斜率项影响设Y表示工资，X表示工作经历，D表示性别虚拟变量反映男女的工作经历对工资的影响情况，截距项表示工作经历为0时的工资，这里假设男女是相等的斜率项发生变化定性变量对截距和斜率项影响设Y表示工资，X表示工作经历，D表11定性变量对截距和斜率项影响(续)设Y表示工资，X表示工作经历，D表示性别虚拟变量截距和斜率项发生变化定性变量对截距和斜率项影响(续)设Y表示工资，X表示工作经历12应用应用13应用例工资差别：为了了解美国工作妇女是否受到了歧视，用美国统计局的有关数据来作一分析。数据：data52.xls变量说明：WAGE-工资(美元/小时)SEX-性别,1-女ED-受教育年数AGE-年龄NONWH-1-非西班牙裔也不是白人,0-其他HISP-1-西班牙裔,0-其他应用例工资差别：为了了解美国工作妇女是否受到了歧视，用美国统14估计的模型(1)(22.10)(-3.86)(2)(3)(-3.38)(-4.61)(8.54)(4.63)(-1.07)(0.22)(-4.59)(-4.50)(7.98)(-1.22)(0.28)(3.87)(-3.18)估计的模型(1)(22.10)(-3.86)(2)(3)15例数据data53.xls，为英国1946年至1963年居民储蓄和收入数据，单位百万英镑。数据可分两个时期，46~54，战后恢复期，55~63振兴时期。建立模型：收入虚拟变量储蓄D=1，X属于第一个时期D=0，X属于第二个时期例数据data53.xls，为英国1946年至1963年居民16wfcreatea19461963readdata53.xls3genrd2=d1*xequationeq1.lsycd1xd2eq1.resultswfcreatea1946196317Variable Coefficient Std.Error t-Statistic Prob.

C -1.750172 0.331888 -5.273377 0.0001 D1 1.483923 0.470362 3.154852 0.0070 X 0.150450 0.016286 9.238172 0.0000 D2 -0.103422 0.033260 -3.109471 0.0077

R-squared 0.952626 Meandependentvar 0.773333 AdjustedR-squared 0.942475

S.D.dependentvar 0.642806 S.E.ofregression0.154173

Akaikeinfocriterion -0.708351Sumsquaredresid0.332771 Schwarzcriterion -0.510490 Loglikelihood 10.37516

F-statistic 93.84109 Durbin-Watsonstat 1.468099

Prob(F-statistic) 0.000000

Variable Coefficient Std.Erro18Chow检验检验模型反映的经济结构是否有所改变检验假设：零假设成立时，F服从自由度为(k+1,n-2k-2)的F分布，给定显著性水平，找到相应的临界值，若计算的统计量值大于临界值，则认为模型反映的经济结构发生了变化。构造检验统计量：Chow检验检验模型反映的经济结构是否有所改变检验假设：零假19前例(续)lsycxchow1955或(ViewStabilityTestChowBreakpointTest…)在5%的显著性水平上拒绝原假设，认为经济结构发生了变化前例(续)lsycx在5%的显著性水平上拒绝原假设，认20第五章虚拟变量●两种分类的定性变量●多种分类的定性变量●定性变量对截距和斜率项影响●应用第五章虚拟变量●两种分类的定性变量21两种分类的定性变量两种分类的定性变量22问题的提出1.计量经济学模型，需要经常考虑属性因素的影响。例如，职业、战争与和平、繁荣与萧条、文化程度、灾害、季节2.定性因素往往很难直接度量它们的大小。只能给出它们的“Yes:D=1或No:D=0、或者它们的程度或等级3.为了反映定性因素和提高模型的精度，必须将属性因素“量化”。通过构造0-1型的虚拟变量来量化属性因素问题的提出1.计量经济学模型，需要经常考虑属性因素的影响。例23模型中引入虚拟变量的必要性现实经济生活错综复杂，往往要求人们按照经济变量的质或量的不同，分别进行处理。因此，回归模型中，往往有必要引入虚拟变量，以表示这些质的区别。例如，消费函数，对于平时与战时，萧条与繁荣，乃至性别、教育程度、季节性等等，都会因质的不同表现出不同的差异。模型中引入虚拟变量的必要性现实经济生活错综复杂，往往要求24两种分类的定性变量Y的条件期望值工资考察工资和性别有无关系的模型两种分类的定性变量Y的条件期望值工资考察工资和性别有无关系的25例数据data51.xls,data51.wfl，建立模型计算看看男女性各自的平均工资，结果如何？这里性别为一虚拟变量例数据data51.xls,data51.wfl，建立模型计26加入其它定量解释变量把上例模型中加入工作经历后变为：性别虚拟变量的p值很小为0.003，表明非常显著。这样在控制工作经历的情况下，平均工资的性别差异很显著。加入其它定量解释变量把上例模型中加入工作经历后变为：27多种分类的定性变量多种分类的定性变量28多种分类的定性变量

设Y表示家庭储蓄，X表示家庭收入。不同年龄组，储蓄和收入之间的关系是不一样的。把年龄分成三个组：25岁以下、25~55岁和55岁以上，定义虚拟变量：三类家庭的虚拟变量取值情况还有可能有更多的定性变量，如受教育程度、职称等多种分类的定性变量设Y表示家庭储蓄，X表示家庭收入。29定性变量对截距和斜率项影响定性变量对截距和斜率项影响30定性变量对截距和斜率项影响设Y表示工资，X表示工作经历，D表示性别虚拟变量反映男女的工作经历对工资的影响情况，截距项表示工作经历为0时的工资，这里假设男女是相等的斜率项发生变化定性变量对截距和斜率项影响设Y表示工资，X表示工作经历，D表31定性变量对截距和斜率项影响(续)设Y表示工资，X表示工作经历，D表示性别虚拟变量截距和斜率项发生变化定性变量对截距和斜率项影响(续)设Y表示工资，X表示工作经历32应用应用33应用例工资差别：为了了解美国工作妇女是否受到了歧视，用美国统计局的有关数据来作一分析。数据：data52.xls变量说明：WAGE-工资(美元/小时)SEX-性别,1-女ED-受教育年数AGE-年龄NONWH-1-非西班牙裔也不是白人,0-其他HISP-1-西班牙裔,0-其他应用例工资差别：为了了解美国工作妇女是否受到了歧视，用美国统34估计的模型(1)(22.10)(-3.86)(2)(3)(-3.38)(-4.61)(8.54)(4.63)(-1.07)(0.22)(-4.59)(-4.50)(7.98)(-1.22)(0.28)(3.87)(-3.18)估计的模型(1)(22.10)(-3.86)(2)(3)35例数据data53.xls，为英国1946年至1963年居民储蓄和收入数据，单位百万英镑。数据可分两个时期，46~54，战后恢复期，55~63振兴时期。建立模型：收入虚拟变量储蓄D=1，X属于第一个时期D=0，X属于第二个时期例数据data53.xls，为英国1946年至1963年居民36wfcreatea19461963readdata53.xls3genrd2=d1*xequationeq1.lsycd1xd2eq1.resultswfcreatea1946196337Variable Coefficient Std.Error t-Statistic Prob.

C -1.750172 0.331888 -5.273377 0.0001 D1 1.483923 0.470362 3.154852 0.0070 X 0.150450 0.016286 9.238172 0.0000 D2 -0.103422 0.033260 -3.109471 0.0077

R-squared 0.952626 Meandependentvar 0.773333 AdjustedR-squared 0.942475

S.D.dependentvar 0.642806 S.E.ofregression0.154173

Akaikeinfocriterion -0.708351Sumsquaredresid0.332771 Schwarzcriterion -0.510490 Loglikelihood 10.37516

F-statistic 93.84109 Durbin-Watsonstat 1.468099

Prob(F-statistic) 0.000000

Variable Coefficient Std.Erro38Chow检验