发帖
雷达卡
Heckman选择模型
素质自己学习、全部操作了以下Eviews 8 与 9 的新功能，觉得 8.0版本改动较大，9.0的话在8.0基础上加入了许多估计方法。
如果有对这些感兴趣的，欢迎一起加好友，讨论~
〖素质笔记〗Eviews 8新功能之一——ETS指数平滑法（R实现函数）
〖素质笔记〗Eviews 8新功能之二——断点回归
〖素质笔记〗Eviews 8新功能之三——面板协整
〖素质笔记〗Eviews 8新功能之四——Heckman选择模型
〖素质笔记〗Eviews 8新功能之五——马尔科夫转换回归模型
〖素质笔记〗Eviews 8新功能之六——结构突变检验（Bai Perron检验）
〖素质笔记〗Eviews 9 三大新功能——预测功能（一）
〖素质笔记〗Eviews 9 三大新功能——估计功能（二）
〖素质笔记〗Eviews 9 三大新功能——检验功能（三）
Heckman选择模型是当遭受到变量选择偏误时候用来回归估计的方法，在Heckman估计框架下，因变量只能观测到一部分。比如女性的工资只有在她进入工作岗位中才能计量，其他时候是不可以计量的。Heckman’s (1976) 的论文就在研究这个问题。
EViews 8 为Heckman选择模型提供了两步估计、最大似然估计两种估计方法。
一、heckman的两步估计案例
数据选用的是 Mroz (1987)的已婚女性的劳动供给研究，其中有一个女性工资的估计方程。在调查的753个女性中，只有428位女性进入了劳动市场，所以我们估计了已婚女性的选择行为。
工资方程式：
Wage = β1+ β2Exper + β3Exper2+ β4Educ + β5City + ε
wage是工资（WW），exper是女性资历情况（AX），Educ是女性教育情况city是一个虚拟变量，是否住在这个城市里面。
选择方程：
LFP = γ1+ γ2Age + γ3Age2+ γ4Faminc + γ5Educ + γ6Kids+μ
LFP 是女性是否在劳动（1=在职，0=其他），age是年龄，Faminc是除了剔除女性赚的
家庭收入情况，kids是虚拟变量，是否有孩子。
数据可以直接通过输入以下命令得到：
wfopen http://www.stern.nyu.edu/~wgreene/Text/Edition7/TableF5- 1.txt
（或在http://people.stern.nyu.edu/wgreene/Text/Edition7，中自己找）（后有附件）
wage是工资（WW），exper是女性资历情况（AX），Educ是女性教育情况（WE），city是一个虚拟变量（CIT）。
LFP 是女性是否在劳动（1=在职，0=其他），age是年龄（WA），Faminc是除了剔除女性赚的家庭收入情况，kids是虚拟变量，但是没有这个数值，所以kl6+k618加总大于0则是有孩子，把这个（kl6+k618）>0作为哑变量。
与Green的24.3表格进行对照。（书《Econometric Analysis》 by William H. Greene (6th Edition, p. 888, Example 24.8)）
二、Heckman的极大似然估计
结果与Green的24.3表格进行对照。
的时候，雨也是晴；心雨
的时候，晴也是雨！
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
