关于线性概率模型中对数控制变量解释的技术问询

Great question! Let's walk through this step by step to make sure you're clear on how to interpret the logarithmic control variable in your linear probability model (LPM).

先回顾线性-对数模型的解释 #

你提到的模型(1) y = b0 + b1*log(x1) 中，x1每增加1%，y变化b1/100个单位——这个解释是完全正确的，因为对log(x1)求导后，我们能推导出百分比变化对应的绝对变化量。

线性概率模型中对数变量的解释 #

对于你的模型(2) Pr(y=1|X) = b0 + b1*x1 +b2*log(x2)，解释逻辑和模型(1)是一致的，只是把“y的绝对变化”替换成“y=1的概率的绝对变化”：

• 当x2增加1%时，y=1的概率平均变化b2/100个百分点（注意这里是百分点，因为概率是0到1之间的数值，比如b2=3的话，就是概率增加0.03，也就是3个百分点）。

推导过程（快速版） #

从微分的角度看：

1. 对模型两边关于log(x2)求导，得到：d[Pr(y=1)]/d[log(x2)] = b2
2. 我们知道d[log(x2)] = dx2/x2，也就是x2的相对变化率
3. 当x2增加1%时，dx2/x2 = 0.01，代入后得到：d[Pr(y=1)] = b2 * 0.01 = b2/100

小提醒：LPM的特殊性 #

虽然这个边际效应的解释是对的，但要记住LPM的局限性：它可能会预测出大于1或小于0的概率，不过这并不影响我们对系数的平均边际效应的解释——只要我们关注的是x2变化对概率的平均影响，这个逻辑就成立。

举个例子：如果b2=2.5，那么x2每增加1%，y=1的概率就平均上升2.5/100=0.025，也就是2.5个百分点。

内容的提问来源于stack exchange，提问作者Wolfgang Schönramer