产量资本劳动时间ln( 产量 Y)=α0+α1ln( 资本 K)+α2ln( 劳动时间 L)∂ln(Y)∂ln(K)=∂YY∂KK=KY∂Y∂K=ϵYK\begin{gathered} \ln (\text { 产量 } Y)=\alpha_{0}+\alpha_{1} \ln (\text { 资本 } K)+\alpha_{2} \ln (\text { 劳动时间 } L) \ \frac{\partial \ln (Y)}{\partial \ln (K)}=\frac{\frac{\partial Y}{Y}}{\frac{\partial K}{K}}=\frac{K}{Y} \frac{\partial Y}{\partial K}=\epsilon_{Y K} \end{gathered} \\
因此 α1\alpha_{1} 就表示资本变化 1%1 \%, 产量变动百分之 100∗ϵYK%100 * \epsilon_{Y K} \% , 则 α1\alpha_{1} 表示弹性。
取对数意味着什么?
将 log(y)\log (y) 在 y0y_{0} 处 Taylor 展开,
log(y)=log(y0)+1y0(y−y0)⇒Δlog(y)=(y−y0)y0⇒100∗Δlog(y)≈%Δy\begin{gathered} \log (y)=\log \left(y_{0}\right)+\frac{1}{y_{0}}\left(y-y_{0}\right) \ \Rightarrow \Delta \log (y)=\frac{\left(y-y_{0}\right)}{y_{0}} \ \Rightarrow 100 * \Delta \log (y) \approx \% \Delta y \end{gathered} \\
可发现,取对数后的变量的变动(变量对数的变动*100)近似等于变量的百分比变动 (增长率)。
对数-水平模型:YY 取对数 β1\beta_{1} 的解释,考虑度量单位变换
(1) 简单估计
考虑工资方程
log(wage)=β0+β1educ+u\log (w a g e)=\beta_{0}+\beta_{1} e d u c+u \\
估计系数 β1\beta_{1} 的解释可从下式中获知:
Δlog(wage)=β1Δeduc%Δwage≈(100⋅β1)Δeduc\begin{gathered} \Delta \log (w a g e)=\beta_{1} \Delta e d u c \ \% \Delta w a g e \approx\left(100 \cdot \beta_{1}\right) \Delta e d u c \end{gathered} \\
即每多接受一年教育,工资将增加 100∗β1%100 \beta_{1} \% 。 NB 变量对数的变动 100 近似变量的百分比变动, 上式等式左侧 * 100, 根据度量单位变 换相关知识, 解释估计系数 β1\beta_{1} 时也要 * 100 。
(2) 精确估计
如果要精确估计 xx 变动一单位, yy 变动多少,则考虑
log(y1)−log(y0)=β1Δxlog(y1y0)=β1Δxy1−y0y0=exp(β1)−1%Δy=100∗[exp(β1)−1]\begin{gathered} \log \left(y_{1}\right)-\log \left(y_{0}\right)=\beta_{1} \Delta x \ \log \left(\frac{y_{1}}{y_{0}}\right)=\beta_{1} \Delta x \ \frac{y_{1}-y_{0}}{y_{0}}=\exp \left(\beta_{1}\right)-1 \ \% \Delta y=100 *\left[\exp \left(\beta_{1}\right)-1\right] \end{gathered} \\
(3) 举例
log( wage )^=0.584+0.083$educ$\log \widehat{(\text { wage })}=0.584+0.083 $educ$ \\
其中,0.0830.083 意味着每多受一年教育将带来小时工资增长 8.38.3%; 而精确估计下,多受一年 教育将带来小时工资增长 8.658.65%。
当 X 为哑变量时 现在,我们研究这样一个问题 : 年轻的时候上私立学校到底会不会对之后的劳动回报产生影响?
最简单的思路是观察这样一个回归模型:
lnYi=α+βPi+ei\ln Y_{i}=\alpha+\beta P_{i}+e_{i} \\
其中 YiY_{i} 表示 ii 参加工作之后的工资水平, PiP_{i} 等于 1 意味着年轻的时候渎私立学校, 0 意味着读公立学校, eie_{i} 则代表了影响 工资的经济学家观测不到的其它因素, 如个人能力。
上述模型,在“其它变量保持不变的情况下",一个年轻时候读私立学校的员工工作之后的收入是:
lnYi,Pi=1=α+β+ei\ln Y_{i, P_{i}=1}=\alpha+\beta+e_{i} \\
而一个年轻时候读公立学校的员工参加工作之后的收入是:
lnYi,Pi=0=α+ei\ln Y_{i, P_{i}=0}=\alpha+e_{i} \\
模型对于系数 β\beta 的解释是读公立学校和读私立学校给员工 ii 的收入带来的潜在影响差:
lnYi,Pi=1−lnYi,Pi=0=β\ln Y_{i, P_{i}=1}-\ln Y_{i, P_{i}=0}=\beta \\
这意味着系数 β\beta 具备的意义是:
β=lnYi,Pi=1Yi,Pi=0=ln(1+Yi,Pi=1−Yi,Pi=0Yi,Pi=0)=ln(1+Δ%Yp)≈Δ%Yp\beta=\ln \frac{Y_{i, P_{i}=1}}{Y_{i, P_{i}=0}}=\ln \left(1+\frac{Y_{i, P_{i}=1}-Y_{i, P_{i}=0}}{Y_{i, P_{i}=0}}\right)=\ln \left(1+\Delta \% Y_{p}\right) \approx \Delta \% Y_{p} \\
也就是说 : 当找们把输出变量取对数时,所得到的模型估计的结果近似告诉我们相比读公立学校,私立学校对未来收入造成的百分比影响。
水平-对数模型:X 取对数 一个 XX 取对数, YY 为百分数的例子 研究学校规模对学生成绩的影响, 估计出如下模型 (见 Wooldridge 的 Introductory Econometrics, 2009, 4e, pp.126-128) 。
math1^0=−207.66+21.16log( totcomp )+3.98log(staff)−1.29log( enroll )\widehat{m a t h 1} 0=-207.66+21.16 \log (\text { totcomp })+3.98 \log (s t a f f)-1.29 \log (\text { enroll }) \\
其中, math10m a t h 10 表示标准化十分制数学测验通过百分比, totcompt o t \operatorname{com} p 年均教师薪资; staffs t a f f 平均每干名学生拥有的教职工 人数; enrolle n r o l l 表示学校注册人数,用以衡量学校规模。 如何解释- 1.291.29 这一估计系数呢? NB×\mathrm{NB} \times 取对数后,要解释为 xx 的百分比变动,则意味着解释变量的度量单位乘以 100 , 则估计系数的解释要除以 100。
Δ math 10^≈−(1.29/100)(%Δ enroll )≈−0.013(%Δ enroll )\Delta \widehat{\text { math } 10} \approx-(1.29 / 100)(\% \Delta \text { enroll }) \approx-0.013(\% \Delta \text { enroll }) \\
可以解释为, 学校注册人数每增加 10%10 \%, 预计数学测验通过率将下降 0.130.13 个百分点(注意, math10math10 为百分比,取值 35.335.3 则表示 35.3%35.3 \% 的学生通过测验) 。
详细内容参见连享会推文
Note:产生如下推文列表的 Stata 命令为:. lianxh 系数
. songbl 系数
安装最新版lianxh
/songbl
命令:. ssc install lianxh, replace
. ssc install songbl, replace
原网址: 访问
创建于: 2024-03-06 17:21:14
目录: default
标签: 无
未标明原创文章均为采集,版权归作者所有,转载无需和我联系,请注明原出处,南摩阿彌陀佛,知识,不只知道,要得到
最新评论