第十七章离散和受限因变量模型前面所描述的回归方法要求能在连续和无限制的规模上观察到因变量。然而，也经常出现违背上述条件的情形，即产生非连续或受限因变量。我们将会识别三种类型的变量：1．定性（在离散或排序的规模上）；2．检查或截断；3．整数估值（计数数据）。在这章里我们讨论这几种定性和受限因变量模型的估计方法。EViews提供了二元或排序（普罗比特probit、逻辑logit、威布尔gompit），检查或截断（托比特tobit等），和计数数据模型的估计程序。§17.1二元因变量模型二元因变量模型（BinaryDependentVariableModels）估计方法主要发展于20世纪80年代初期。普遍应用于经济布局、企业定点、交通问题、就业问题、购买决策领域的研究。例如，公共交通工具和私人交通工具的选择问题。选择利用公共交通工具还是私人交通工具，取决于两类因素：一类是诸如速度、耗费时间、成本等两种交通工具所具有的属性；一类是决策个体所具有的属性，诸如职业、年龄、收入水平、健康状况等。从大量的统计中，可以发现选择结果与影响因素之间具有一定的因果关系。研究这一关系对制定交通工具发展规划无疑是十分重要的。在本节介绍的模型中，因变量只具有两个值：1或者0。可能是代表某一事件出现的虚拟变量，或者是两种选择中的一种。例如，可能是每个人（被雇佣或不被雇佣）雇用状况的模型，每一人在年龄、教育程度、种族、婚姻状况和其它可观测的特征方面存在差异，我们将其设为。目标是将个体特征和被雇用的概率之间的关系量化。x假定一个二元因变量，具有0和1两个值。对简单的线性回归是不合适的。而且从简单的线性回归中得到的的拟合值也不局限于0和1之间。替代地，我们采用一种设定用于处理二元因变量的特殊需要。假定我们用以下模型刻画观察值为1的概率为：Pr这里F是一个连续、严格单调递增的函数，它采用实际值并返回一个介于0和1之间的数。F函数的选择决定了二元模型的类型。可以得到Pr给出了这样的设定以后，我们就能用极大似然方法估计模型的参数。极大似然函数为)(1),1(iiixFxy)(),0(iiixFxyniiiiixFyxFyL0))(log)1())(1log(()(log)(yyxy极大似然函数的一阶条件是非线性的，所以得到参数估计需要一种迭代的解决方法。缺省地，EViews使用二阶导数用于参数估计的协方差矩阵的迭代和计算。有两种对这种设定的重要的可选择的解释。首先，二元变量经常作为一种潜在的变量规定被生成。假...
