高级计量经济学 17：面板二值选择模型

此文内容为《高级计量经济学及STATA应用》的笔记，陈强老师著，高等教育出版社出版。

我只将个人会用到的知识作了笔记，并对教材较难理解的部分做了进一步阐述。为了更易于理解，我还对教材上的一些部分（包括证明和正文）做了修改。

仅供学习参考，请勿转载，侵删！

17 非线性面板
- 17.1 面板二值选择模型
- 17.2 面板二值选择模型的 RE 估计
- 17.3 面板二值选择模型的 FE 估计
- 17.4 二值选择 FE 模型的估计方法：充分统计量

17.1 面板二值选择模型

对于面板数据，如果被解释变量为虚拟变量，则称为面板二值选择模型（binary choice model for panel data）。对于二值选择行为，通常可以通过一个潜变量（latent variable）来概括该行为的净收益（收益减去成本）。如果净收益大于0，则选择做；否则选择不做。假设净收益为：

其中，净收益为不可观测的潜变量，为个体效应（individual effects），而解释变量不含常数项。个体的选择规则为：

给定，，，则有：
$\begin{aligned} \mathrm{P}\left(y_{i t}=1 \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right) &=\mathrm{P}\left(y_{i t}^{*}>0 \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right) \nonumber \\ \nonumber &=\mathrm{P}\left(\boldsymbol{x}_{i i}^{\prime} \boldsymbol{\beta}+u_{i}+\varepsilon_{i t}>0 \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right) \\ \nonumber &=\mathrm{P}\left(\varepsilon_{i t}>-u_{i}-\boldsymbol{x}_{i t}^{\prime} \boldsymbol{\beta} \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right) \\ \nonumber &=\mathrm{P}\left(\varepsilon_{i t}<u_{i}+\boldsymbol{x}_{i t}^{\prime} \boldsymbol{\beta} \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right) \\ \nonumber &=F\left(u_{i}+\boldsymbol{x}_{i t}^{\prime} \boldsymbol{\beta}\right) \nonumber \end{aligned}$
其中，为误差项的累积分布函数（cdf），并假设的密度函数关于原点对称。如果则为 Probit 模型：

如果服从逻辑分布，则为 Logit 模型：
$\mathrm{P}\left(y_{i t}=1 \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right)=\Lambda\left(u_{i}+\boldsymbol{x}_{i t}^{\prime} \boldsymbol{\beta}\right)=\frac{\mathrm{e}^{u_{i}+x_{i j}^{\prime} \boldsymbol{\beta}}}{1+\mathrm{e}^{u_{i}+x_{i i}^{\prime} \boldsymbol{\beta}}}$
面板二值选择模型主要估计方法包括：

混合回归
随机效应估计
固定效应估计

在方程中，如果，即没有个体效应，则为混合回归（pooled probit or pooled logit），可将此面板数据作为横截面数据处理（参考《高级计量16》），此时，只需要使用截面数据的相关 Stata 命令即可进行混合回归。然而，由于同一个体不同时期的扰动项可能存在自相关，故应使用以面板为聚类的聚类稳健标准误（cluster-robust standard error）。

17.2 面板二值选择模型的 RE 估计

更一般地，我们允许个体效应存在，即不同的个体拥有不同的。如果与所有解释变量均不相关，则称为随机效应模型（Random Effect Model, RE, 见《高级计量16》）；否则为固定效应模型（Fixed Effect Model, FE）。

首先考虑 RE 模型。对于线性面板的 RE 模型，一般使用广义最小二乘法（GLS）进行估计。但非线性面板不便使用GLS，故转而使用最大似然估计（MLE）。假设，记密度函数为。以 Logit 模型为例，给定，则个体的条件分布为（参考《高级计量14》）：
$f\left(y_{i 1}, y_{i 2}, \cdots, y_{i T} \mid \boldsymbol{x}_{i t}, \boldsymbol{\beta}, u_{i}\right)=\prod_{i=1}^{r}\left[\Lambda\left(u_{i}+\boldsymbol{x}_{i t}^{\prime} \boldsymbol{\beta}\right)\right]^{y_{i}}\left[1-\Lambda\left(u_{i}+\boldsymbol{x}_{i t}^{\prime} \boldsymbol{\beta}\right)\right]^{1-\gamma_{i}}$
然而，上式的不可观测，为此，记的联合密度为，并进行如下分解：

在的联合密度重，将积分去掉，即可得到的边缘密度：
$\begin{aligned} f\left(y_{i 1}, y_{i 2}, \cdots, y_{i T}\right) &=\int_{-\infty}^{+\infty} f\left(y_{i 1}, y_{i 2}, \cdots, y_{i r}, u_{i}\right) \mathrm{d} u_{i} \\ &=\int_{-\infty}^{+\infty} f\left(y_{i 1}, y_{i 2}, \cdots, y_{i r} \mid u_{i}\right) \cdot g\left(u_{i}\right) \mathrm{d} u_{i} \\ &=\int_{-\infty}^{+\infty}\left\{\prod_{i=1}^{r}\left[\Lambda\left(u_{i}+\boldsymbol{x}_{i i}^{\prime} \boldsymbol{\beta}\right)\right]^{y_{i}}\left[1-\Lambda\left(u_{i}+\boldsymbol{x}_{i i}^{\prime} \boldsymbol{\beta}\right)\right]^{1-\gamma_{i}}\right\} \cdot g\left(u_{i}\right) \mathrm{d} u_{i} \end{aligned}$
上面的积分没有解析解，可以通过数值求解的方法求解，这里就不再叙述了。

假设不同个体的观测值相互独立，则可以写出整个样本的似然函数。最大化此似然函数即得到的RE Logit 估计量 。如果将上述方程的逻辑分布改为正态分，那么就是 RE Probit 估计量。由于不同个体的观测值相互独立，故不同个体的扰动项也不相关，但由于的存在，同一个体不同时期的扰动项之间仍存在相关：
$\operatorname{Cov}\left(u_{i}+\varepsilon_{i t}, u_{i}+\varepsilon_{i s}\right)=\left\{\begin{array}{ll} \sigma_{u}^{2} & \text { 若 } t \neq s \\ \sigma_{u}^{2}+\sigma_{\varepsilon}^{2} & \text { 若 } t=s \end{array}\right.$

求。
$\begin{split} \operatorname{Cov}\left(u_{i}+\varepsilon_{i t}, u_{i}+\varepsilon_{i s}\right) &= \operatorname{Cov}\left(u_{i}+\varepsilon_{i t}, u_{i}\right) + \operatorname{Cov}\left(u_{i}+\varepsilon_{i t}, \varepsilon_{i s}\right) \\ &= \operatorname{Cov}\left(u_{i}, u_{i}\right) + \underbrace{\operatorname{Cov}\left(\varepsilon_{i t}, u_{i}\right) }_{=0}+ \underbrace{\operatorname{Cov}\left(u_{i}, \varepsilon_{i s}\right)}_{=0} + \underbrace{\operatorname{Cov}\left(\varepsilon_{i t}, \varepsilon_{i s}\right)}_{取决于t=s}\\ & = \sigma_u^2 + \sigma_\varepsilon^2 \end{split}$
即为所求。

如果，那么自相关系数为：

如果越大，就表示复合扰动项中个体效应的部分比较大，不能忽视个体效应；极端地，如果，就表示复合扰动项中，个体效应接近没有，故应该使用混合回归模型。

17.3 面板二值选择模型的 FE 估计

在面板二值选择模型中，如果个体效应与解释变量相关，那么就是 FE 模型，

其中，可以是或者。此时，如果使用 RE 模型或混合回归则得不到一致估计。

对于线性面板数据模型，参考《高级计量16》，一般采用组内估计量或者一阶差分来消去固定效应，然后就可以正确估计。但对于非线性面板数据而言，这些变换一般不起作用，因为无法建立可观测的与不可观测的（即潜变量 的组内离差）之间的对应关系。
就算使用虚拟变量法（LSDV法），对于二值选择的固定效应模型，也仍然得不到一致估计（除非 * ），这是因为，当时，待估计的个体效应的个数也随之增加。这些被称为伴生参数（incidental parameters）。另一方面，每一个只能由个体的个观测值来估计，而并不增加。对于现实的数据，通常很小，从而且有限时，不会收敛。更重要的问题是，对的不一致估计还会使得的估计也不一致，这被称为伴生参数问题。

在线性面板模型中，可以通过组内变换或差分变换解决伴生参数问题，但对于固定效应的面板 Probit 模型，目前尚无法解决此类伴生参数问题。

17.4 二值选择 FE 模型的估计方法：充分统计量

对于固定效应的面板 Logit 模型，可以通过寻找的充分统计量（sufficient statistic），然后在给定此充分统计量的条件下进行条件最大似然估计（conditional MLE）。

充分统计量是统计学的一个概念。考虑总体参数与统计量。如果统计量包含了样本中所有可以用来估计的信息，则称是参数的充分统计量。

换言之，给定以后，任何根据样本计算的其他统计量都不可能提供关于的额外信息。

对于 Logit 模型，Chamberlain（1980）提出使用

作为的充分统计量，并计算在给定情况下的条件似然函数（根据充分统计量的性质，此似然函数不再依赖于），然后进行条件似然最大估计。然而，对于 Probit 模型，却找不到的充分统计量。

以最简单的两期模型为例进行说明，即。此时，对于个体，只有以下三种可能：。下面分别考虑着三种情形：

(1)

，此时必然，从而，其对数似然函数为，故对整个样本的似然函数没有贡献。

直观来看，由于此条件似然函数的取值为常数，故此观测值不包含任何可以用于估计的信息，因此，在进行条件似然估计时，是否包含这些观测值并不影响估计结果。

事实上，等于损失了这些样本的观测值。

(2)

，此时必然，从而，同理，这些观测值并不包含任何有助于估计的信息，应该忽略

(3)

此时，或者或者，分别计算其条件概率为：
$\begin{array}{l} P\left(y_{i 1}=0, y_{i 2}=1 \mid n_{i}=1\right)=\frac{P\left(y_{i 1}=0, y_{i 2}=1\right)}{P\left(y_{i 1}=0, y_{i 2}=1\right)+P\left(y_{i 1}=1, y_{i 2}=0\right)} \quad (17.12)\nonumber \\ P\left(y_{i 1}=1, y_{i 2}=0 \mid n_{i}=1\right)=\frac{P\left(y_{i 1}=1, y_{i 2}=0\right)}{P\left(y_{i 1}=0, y_{i 2}=1\right)+P\left(y_{i 1}=1, y_{i 2}=0\right)} \quad (17.13)\nonumber \end{array}$
假设给定和的条件下，和相互独立，则：
$\begin{array}{l} P\left(y_{i 1}=0, y_{i 2}=1\right)=\frac{1}{1+e^{u_{i}+x_{i 1}^{\prime}\boldsymbol\beta}} \cdot \frac{e^{u_{i}+x_{i 2}^{\prime} \boldsymbol\beta}}{1+e^{u_{i}+x_{i 2}^{\prime}\boldsymbol\beta}} \quad (17.14)\nonumber\\ P\left(y_{i 1}=1, y_{i 2}=0\right)=\frac{e^{u_{i}+x_{i 1}^{\prime} \boldsymbol\beta}}{1+e^{u_{i}+x_{i 1}^{\prime} \boldsymbol\beta}} \cdot \frac{1}{1+e^{u_{i}+x_{i2}^{\prime}\boldsymbol\beta}}\quad (17.15)\nonumber \end{array}$
将表达式和代入中，可得：
$\begin{aligned} \mathrm{P}\left(y_{i 1}=0, y_{i 2}=1 \mid n_{i}=1\right) &=\frac{\mathrm{e}^{u_{i}+x_{i} \beta}}{\mathrm{e}^{u_{i}+x_{i 1} \beta}+\mathrm{e}^{u_i+x_{i} \beta}} \nonumber \\ &=\frac{\mathrm{e}^{x_{i2}^\prime \beta}}{\mathrm{e}^{x_{i 1} ^\prime\beta}+\mathrm{e}^{x_{i2}^\prime \beta}}=\frac{\mathrm{e}^{\left(x_{i2}-x_{i 1}\right)^\prime \cdot \beta}}{1+\mathrm{e}^{\left(x_{i 2}-x_{i 1}\right)^{\prime} \beta}}=\Lambda\left[\left(x_{i 2}-x_{i 1}\right)^{\prime} \beta\right] \quad (17.16) \nonumber \end{aligned}$
注意到，在分子分母都有项，于是被消除了。同理，将和代入可得：
$\mathrm{P}\left(y_{i 1}=1, y_{i 2}=0 \mid n_{i}=1\right)=\Lambda\left[-\left(\boldsymbol{x}_{i 2}-\boldsymbol{x}_{i 1}\right)^{\prime} \boldsymbol{\beta}\right]=1-\Lambda\left[\left(\boldsymbol{x}_{i 2}-\boldsymbol{x}_{i 1}\right)^{\prime} \boldsymbol{\beta}\right] \quad (17.17)$
如果定义虚拟变量：如果则否则，那么就可以把和写在一起，并将个体的条件对数似然函数写为：
$\ln L_{i}(\boldsymbol{\beta})=\left\{d_{i} \ln \Lambda\left[\left(\boldsymbol{x}_{i2}-\boldsymbol{x}_{i 1}\right)^{\prime} \boldsymbol{\beta}\right]+\left(1-d_{i}\right) \ln \{ 1-\Lambda\left[\left(\boldsymbol{x}_{i 2}-\boldsymbol{x}_{i 1}\right)^{\prime} \boldsymbol{\beta}\right\}\right\} \cdot \boldsymbol 1\left(n_{i}=1\right) \quad (17.18)$
其中为示性函数，表示仅考虑的观测值。上式对加总，即可得到整个样本条件对数似然函数。

从我们发现：

给定的条件似然函数不再依赖于
此条件似然函数仍为 Logit 模型，只是解释变量变为
不随时间变化的变量将无法识别其系数，因为其
固定效应似然函数并不包含积分，不需要进行积分计算

更一般地，对于，可以计算给定或的条件似然函数。固定效应模型的缺点是，将损失所有或的观测值，导致样本容量减少；并且由于消去了，也无法估计个体效应，也无法预测发生的概率或解释变量对的边际效应。解决的方法是假设

高级计量经济学 17：面板二值选择模型