🎓 レベル：基礎 | 重要度：A（必須）
この章のねらい
これまで被説明変数 は連続でした。しかし経済データでは「就職するかしないか（0/1）」「購入額（0で打ち切り）」「働いている人だけ賃金が観測される（選択）」のように、 が質的・制限されることが多い。そのまま線形回帰すると予測が範囲を外れ、係数も偏ります。
ロジスティック回帰の機械は機械学習（ロジスティック回帰）へ引用。ここでは経済学的な解釈（効用最大化・限界効果）と制限従属変数・選択バイアスという計量経済固有の論点に集中します。
トピック一覧
-
線形確率モデルの限界 0/1の被説明変数にOLSを当てる線形確率モデル。係数が確率差として読める手軽さと、予測が0-1を外れる・不均一分散という限界を整理する。
-
ロジット・プロビット 確率を0-1に収める非線形リンク。効用最大化からの導出、係数の符号しか直読みできない理由、限界効果・オッズ比での経済学的解釈を扱う。
-
トービット・打ち切り回帰 支出や労働時間のように0で打ち切られる制限従属変数。OLSが偏る理由と、打ち切りを尤度に組み込むトービットモデルの考え方。
-
標本選択とヘックマン補正 働く人だけ賃金が見える、というサンプル自体の非ランダム選択。選択バイアスの構造と、選択方程式を組み込むヘックマンの2段階補正（Heckit）を概観する。
前後のつながり
- 土台（引用）：ロジスティック回帰・評価指標（分類）とROC・AUC（機械学習）、質的選択・切断回帰モデル（統計）
- 前章：時系列計量 目次（被説明変数が連続だった世界）
- 最上位ハブ：計量経済学 全体目次