logit与probit：次序模型和多类别模型 下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

内容简介

　　要使普通小二乘法产生优线性无偏估计，必须符合经典回归假设。其中一个较难实现的假设是，因变量是连续的。如果因变量是离散的，似然技术（如logit或probit）通常更有效。
　　《logit与probit：次序模型和多类别模型》致力于分析因变量具多类别时的估计情况，关注离散和次序形式的因变量，并把处理对象扩展到具有两个以上结果的多类别或非次序因变量。另外，作者提供了十分有用的计算机程序详情。
　　总体而言，《logit与probit：次序模型和多类别模型》为估计和解释从更复杂的离散因变量模型中得到的结果提供了实用指南。

内页插图

目录

序

第1章 概论

第2章 次序模型
第1节 简介
第2节 方法论
第3节 应用：剥夺状态
第4节 对次样本的估计：特征与系数

第3章 多类别模型
第1节 简介
第2节 随机效用模型
第3节 logit模型的类别：多类别logit与条件logit
第4节 多类别1ogit模型
第5节 应用：职业获得
第6节 条件logit模型与不相关选项的独立性

第4章 STATA程序列表
第1节 简介
第2节 次序probit和logit程序
第3节 多类别logit程序

注释
参考文献
译名对照表

前言/序言

　　要使普通最小二乘法（OLS）产生最优线性无偏估计（BLUE），必须符合经典回归假设。这些假设中有些假设比其他假设更容易实现。此外，违反这些假设的实际后果因假设的不同而不同。其中一个假设难以实现，而且会对OLS的解释造成严重后果，那就是假设因变量是连续的。相反，如果因变量是离散的，即由两个或更多的结果类别构成，那么OLS就会产生严重的推论问题。在这种情况下，最大似然（maximum likelihood）技术（如logit或probit）通常更有效。
　　本书比较独特，因为它完全致力于分析因变量具多类别时的估计情况。在概论之后，作者关注了具离散和次序形式的因变量。比如，假设某位政治科学家有选举调查的数据，并希望解释政治兴趣这一因变量，其中受访者的得分：0-低，1一中等，2-高。这个变量是离散的，受访者处于这三种类别中的一种。此外，这个变量是从“低”到“高”排序的。在这种有序变量情况下，我们可以说某个得分为“高”的人比某个得分为“低”的人具有更多的政治兴趣，但我们不能确切地说多多少。所以，OLS回归看起来较不可取，而次序Iogit或次序probit更可取，因为它们适合这种较低的测量水平。布鲁雅（Borooah）教授详尽地阐释了这两种方法，试图解释社会剥夺（用三个类别测量，“没有被剥夺”“轻度被剥夺”“严重被剥夺”）在不同个体间的差异。一个经常出现的问题是logit是否比probit更优，或者反之。这两种方法根本上的理论差异涉及误差项的分布是逻辑分布还是正态分布。实际上，正如本书指出的，我们很难提供足够的理由说明为什么选择其中一种方法而非另外一种。
　　本书还把处理对象扩展到具两个以上结果的多类别或非次序因变量。比如，宗教的选择、住宅区的选择、购物中心的选择、工作的选择等。多类别logit的一个关键假设是无关选项独立性（HA）。正如布鲁雅教授所论述的，这个假设既是此技术的优点又是其缺点。他还对比数比（odds-ratios）和风险比（risk-ratios）做了重要但往往被忽视的区分。在二分类logit中，这两种比率之间没有差异，但是，在多类别logit中，结果是以风险比的方式显示的。
　　本书结尾给出了非常有用的计算机程序详情，用于说明书中的表格结果是如何产生的。这种逐步对计算机程序进行注释的方式让读者明白如何运行数据分析。讲解中具体使用的软件是STATA，但作者还指出了SAS、SPSS和I.IM-DEP中其他可用的程序。总体而言，这本书为估计和解释从更复杂的离散因变量模型中得到的结果提供了一个有用的指南。
logit与probit：次序模型和多类别模型 下载 mobi epub pdf txt 电子书 格式

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

类似图书 点击查看全场最低价