《Journal of Choice Modelling》:An instrument-free approach for estimating multinomial logit models with endogenous variables
编辑推荐:
研究人员开发了一种用于估计带有内生解释变量的多项Logit(Multinomial Logit, MNL)模型的方法,该方法省去了对工具变量(Instrumental Variable, IV)的需求,这一显著优势在于高质量的外生工具变量往往难以获取。所提出的
研究人员开发了一种用于估计带有内生解释变量的多项Logit(Multinomial Logit, MNL)模型的方法,该方法省去了对工具变量(Instrumental Variable, IV)的需求,这一显著优势在于高质量的外生工具变量往往难以获取。所提出的无工具方法扩展并调整了Breitung等人(2024)的方法,该方法最初是专门为多元线性回归模型开发的。研究人员进行了模拟实验,以与确实需要工具的控制函数(Control Functions, CF)以及不纠正内生性的经典最大似然(Maximum Likelihood, ML)技术在不同水平的内生变量与误差项相关性下进行比较。结果显示,所提出的方法表现非常令人满意。为了补充模拟实验,无工具方法被应用于一个包含真实世界数据的案例,再次获得了与控制函数相比的良好结果。所提出的方法易于实现,可用于包含多个外生和内生的模型,也可用于多项Probit模型。它对于评估公共政策、交通规划和消费者行为分析的研究人员及其他专业人士证明是非常有用的。
研究背景与动机
在计量经济学模型的变量因果关系估计中,内生性是一个主要难题,尤其在广泛用于交通需求、弹性估计和项目政策评估的离散选择多项Logit(Multinomial Logit, MNL)模型中。传统上,纠正内生性通常需要引入工具变量(Instrumental Variable, IV),但这要求工具变量既外生又与内生变量高度相关。在实践中,同时满足这两个条件的优质工具变量往往难以获得。为了解决这一现实困境,研究人员开发了无需工具变量的新方法,旨在为研究人员提供一种更易实施且不受工具变量质量限制的替代方案。
关键技术与方法
为实现这一目标,研究人员扩展了Breitung等人(2024)提出的无工具控制函数(Instrument-Free Control Function, IFCF)方法,将其从多元线性回归推广至MNL模型。该技术方法的核心在于构建一个辅助控制变量,通过两阶段流程实现内生性纠正。第一阶段,将内生变量对外生变量进行普通最小二乘(Ordinary Least Squares, OLS)回归以获取残差;第二阶段,计算这些残差的累积分布经验排名,并将其代入标准正态分布的逆累积分布函数中,从而生成一个非参数的控制函数项。随后,将该控制函数项作为额外的解释变量纳入MNL模型的效用函数中,通过最大似然法进行最终估计。此外,通过对控制函数项系数的显著性检验,还可以直接验证内生变量的外生性假设。
研究结果
模拟实验结果
在模拟实验中,研究人员设定了一个包含地铁、小汽车和自行车三种备选交通方式的离散选择MNL模型。其中,小汽车模式的出行时间被构造为内生变量,而其余方式的出行时间及所有方式的成本均设为外生。通过改变误差项与小汽车出行时间的相关系数以模拟不同程度的内生性,研究对比了IFCF、传统控制函数(Control Functions, CF)以及经典最大似然(Maximum Likelihood, ML)的表现。结果表明,IFCF和CF在所有内生性水平下均能产生一致且稳健的参数估计,而ML估计量则表现出严重偏差。值得注意的是,虽然两者均能纠正内生性,但在面对较高的内生程度时,IFCF在估计各模式常数项(Modal Constants)方面比CF表现得更加稳定,克服了传统CF在此类估计上的局限性。
真实数据应用结果
研究人员进一步将IFCF方法应用于圣地亚哥真实的公交和地铁出行选择数据集。在该案例中,车内拥挤度被视为内生变量,出行时间为外生变量。研究再次对比了IFCF、CF和ML的表现。结果显示,ML低估了车内拥挤度的影响,其参数估计统计显著性极低。相比之下,IFCF不仅得出了与CF相近的高度显著负向影响系数,而且在缺乏优质工具变量的情境下,依然能够输出可信的估计结果,证明了其在实际应用中的可靠性。
讨论与结论
论文提出的IFCF方法为处理MNL模型中的内生性问题提供了一个极具实用价值的解决方案。首先,它打破了传统方法对工具变量的绝对依赖,极大地拓宽了离散选择模型的应用场景,特别是在数据有限或无法找到合适工具变量的情况下。其次,该方法在数学推导上保持了严谨性,不仅适用于单一内生变量,还能自然推广至多内生变量及多项Probit模型的情境中。实证结果证实,IFCF不仅能有效消除参数估计偏差,还能准确捕捉不同选择方案间的相对偏好信息。这一方法的简便性与稳健性,使其成为公共政策评估、交通规划及消费者行为分析等领域强有力的定量分析工具。