在经典计量经济学模型中，被解释变量一般被假定为连续变量，若被解释变量为离散变量，如Y=1,2,3 那么就称为离散被选择变量模型， 离散被解释变量模型分为二元选择模型和多元选择模型。这里介绍二元选择模型的stata操做与分析，即logit模型和probit模型。 nginx
1git
若y选择服从正态分布，此时的模型就是probit模型，即：
微信
其中pi表示几率，F（yi）表示正态分布的累计几率密度函数，yi称做隐变量或潜变量，它经过累计几率密度函数转换为几率。app
因为二元选择模型，包括probit模型的y是二分类的，因此其偏差的分布再也不是正态分布，而是二项分布，所以咱们也不能用最小二乘法OLS去估计它，而要用最大似然估计去估计模型。函数
2spa
Stata中使用logit模型回归的命令语句格式以下：.net
probit y x1 x2 … [if] [in] [weight] [,options]code
仍然以贷款数据数据LOANAPP.dta为例，其数据以下所示：orm
用二值变量approve对种族变量white和其余自变量（hrat、obrat、loanprc、unem、male、married、dep、sch、cosign、chist、pubrec、mortlat1、mortlat2和vr）估计logit模型。blog
命令为：
probit approve white hrat obrat loanprc unem malemarried dep sch cosign chist pubrecmortlat1 mortlat2 vr
获得结果：
3
根据上面probit模型的估算结果，得出white、married和loanprc的平均偏效应和比数比，并解释其含义。
采用stata得出white、married和loanprc的平均偏效应：
margins, dydx(white married loanprc)
获得结果：
根据结果，white的平均偏效应为0.0828，代表白人贷款申请批准的的预测几率平均比非白人高0.0828。
采用stata得出white、married和loanprc的比数比：
probit approve white hrat obrat loanprc unem male married dep schcosign chist pubrec mortlat1mortlat2 vr, nolog
获得结果：
根据结果，white的比数比为0.5203，比logit模型的低；
married的比数比为0.2657，比logit模型的低；
loanprc的比数比为-1.012，比logit模型高。
欢迎扫码关注，如有问题，请点击“在看”留言或在公众号里留言。
本文分享自微信公众号 - 博士的计量经济学干货（econometrics_ABC）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。