打字猴:1.70264712e+09
1702647120
1702647121
1702647122
1702647123 但是从对数的性质中我们知道
1702647124
1702647125 lnY1-ln(Y2)=ln(Y1/Y2)      (7.13)
1702647126
1702647127 因此,我们有:
1702647128
1702647129
1702647130
1702647131
1702647132 所以,对两边取指数(即将两边都变成e的指数),我们有:
1702647133
1702647134
1702647135
1702647136
1702647137 现在让我们看一下b取各种数值时b和eb的关系。
1702647138
1702647139  b      eb      b      eb
1702647140
1702647141 0.01     1.01    -0.01    0.99
1702647142
1702647143 0.05     1.05    -0.05    0.95
1702647144
1702647145 0.10     1.11    -0.10    0.90
1702647146
1702647147 0.15     1.16    -0.15    0.86
1702647148
1702647149 0.20     1.22    -0.20    0.82
1702647150
1702647151 0.30     1.35    -0.30    0.74
1702647152
1702647153 0.40     1.49    -0.40    0.67
1702647154
1702647155 0.50     1.65    -0.50    0.61
1702647156
1702647157 我们看到,b小于|0.2|时,X每增加一个单位,b非常接近于Y的期望值成比例增加的比例。当b取较大值时,b则会低估Y的增加比例。
1702647158
1702647159 为了了解如何用此方法解释结果,可以用2004年GSS数据,分性别来考察受教育年限和工作小时数对收入对数的影响。我们估计下面形式的模型:
1702647160
1702647161
1702647162
1702647163
1702647164 这里,I=2003年收入,E=受教育年限,H=每周工作小时数,M=1表示男性,M=0表示女性。〔注意,尽管这里的分析限定为有收入的人,但通常会将因变量的取值增加一个很小的常数(如1),以保证取值为0的样本不被删除;这种经过转换后的变量被称为“起始对数”(started logs)(Tukey,1977)。关于处理0值的其他方法,见第14章对tobit分析的讨论。〕基于数据无缺失的1459个样本,估计方程为:
1702647165
1702647166
1702647167
1702647168
1702647169 此方程告诉我们,在同一个性别组以及在那些每周工作小时数相同的人群中,受教育年限每增加一年,收入预期会增加约12%。相应地,在同一个性别组以及在那些具有相同受教育程度的人群中,每周工作小时数每增加一个小时,收入预期会增加2.1%。最后,在那些拥有相同受教育程度并且每周工作小时数相同的人群中,男性的收入预期比女性的收入大约多40%。这里,系数低估了男性的优势,因为e0.335=1.398。这提醒我们,只有当b<|0.2|时,b才可以被直接解释为期望百分比的增加;当b较大时,我们应该老老实实地计算其指数值。
[ 上一页 ]  [ :1.70264712e+09 ]  [ 下一页 ]