查詢結果分析
來源資料
頁籤選單縮合
題 名 | 多元排序性Probit的估計: 個體資料法=Multivariate Ordinal Analysis: Non-Linear Least Squares Estimators for Ungrouped Data |
---|---|
作 者 | 傅祖壇; 李隆安; 林億明; | 書刊名 | 經濟論文 |
卷 期 | 26:4 1998.12[民87.12] |
頁 次 | 頁349-381 |
分類號 | 550 |
關鍵詞 | 多元Probit; 排序性; 蒙地卡羅模擬; 有限法; 充分訊息; 加權非線性最小平方法; 決策相關性; Multivariate probit; Ordinal; Monte carlo simulation; Limited information; Full information; Weighted nonlinear least squares; Correlated decision; |
語 文 | 中文(Chinese) |
中文摘要 | 本文旨在發展出具有一般化性質之多元排序性 Probit 模式估算法,此估算模式 將能使用個體資料之估計。 在文中我們提出了充分訊息( FIWNLS )及有限訊息( LIWNSL )二種估算法。前者之優點在於能將所有資料訊息納入估計模式中,故估計參數具有較佳之 效率性;後者的優點在於估計模式較簡化,且模式在實證上無擴展之困難。利用蒙地卡羅模 擬方法,我們測試兩種估計模式在不同決策相關度及在有限樣本下之統計特性,研究結果發 現: 1.FIWNLS 及 LIWNLS 參數估計式均較單元排序性 Probit 之參數估計式具有較佳之有 效性。 2. 利用 FIWNLS 估算法與最大概似估算法( MLE )之估計結果幾近相同。3. 在樣 本數較小或相關性較小時,LIWNLS 之表現較 FIWNLS 及 MLE 佳;但在樣本數較大或相關係 數較高時,FIWNLS 估算法則優於 LIWNLS,但差異不大。 因此,LIWNLS 法在實證應用上具 有優勢。 |
英文摘要 | This paper attempts to develop generalized estimators of multivariate probit analysis for micro or ungrouped data. We propose using the full and limited information weighted non-linear least squares estimators (FIWNLS and LIWNLS). FIWNLS can incorporate all information into the model for estimation, which makes the efficiency in the parameter estimated higher than that of the LIWNLS. However, the latter one, with a simpler model specification can be easily extended to a higher dimensional model without a cubersome estimation. We test the statistical properties of both estimators by conducting Monte Carlo simulations. Results from simulations indicate that: 1. both FIWNLS and LIWNLS show higher efficiency in parameters estimated than the univariate ordinal probit case. 2. estimated results from FIWNLS are close to those from MLE. 3. LIWNLS performs better than FIWNLS and MLE at scenarios with small sample sizes or low correlations, whereas FIWNLS performs better than LIWNLS, although not very significant, at large sample sizes or high correlations. Therefore, LIWNLS is suggested for empirical application. |
本系統中英文摘要資訊取自各篇刊載內容。