高級計(jì)量經(jīng)濟(jì)學(xué) 14:二值選擇模型(基礎(chǔ))

高級計(jì)量經(jīng)濟(jì)學(xué) 14:二值選擇模型(基礎(chǔ))

為了個人課題的進(jìn)展弟翘,我會按照進(jìn)度選擇自己需要優(yōu)先學(xué)習(xí)的內(nèi)容??不按照正常順序的話不好意思啦!

此文內(nèi)容為《高級計(jì)量經(jīng)濟(jì)學(xué)及STATA應(yīng)用》的筆記症汹,陳強(qiáng)老師著,高等教育出版社出版。

我只將個人會用到的知識作了筆記祖娘,并對教材較難理解的部分做了進(jìn)一步闡述荚孵。為了更易于理解妹窖,我還對教材上的一些部分(包括證明和正文)做了修改。

僅供學(xué)習(xí)參考处窥,請勿轉(zhuǎn)載嘱吗,侵刪!


目錄

  • 11 二值選擇模型
    • 11.1 散被解釋變量的例子
    • 11.2 二值選擇模型
      • 11.2.1 Probit 模型和 Logit 模型
      • 11.2.2 經(jīng)濟(jì)意義
      • 11.2.3 擬合優(yōu)度
      • 11.2.4 統(tǒng)計(jì)推斷

\S \text{ 第 11 章 } \S

\text{二值選擇模型}


11.1 離散被解釋變量的例子

如果解釋變量是離散的(比如滔驾,虛擬變量)谒麦,這并不影響回歸。但有時候被解釋變量是離散的哆致,而非連續(xù)的绕德,這就讓人很頭疼了。

  • 二值選擇(binary choices):考研或者不考研摊阀、出國或者不出國耻蛇、回國或者不回國……
  • 多值選擇(multiple choices):走路、汽車胞此,還是坐車臣咖;出國、考研還是就業(yè)……

這類模型被稱為離散選擇模型(discrete choice model)或定性反應(yīng)模型(qualitative response model)漱牵。另外夺蛇,有時被解釋變量只能取非負(fù)整數(shù),比如企業(yè)在某個時間內(nèi)所獲得的專利數(shù)酣胀,這類數(shù)據(jù)被稱為計(jì)數(shù)數(shù)據(jù)(count data)刁赦,其被解釋變量也是離散的。

考慮到離散被解釋變量的特點(diǎn)闻镶,通常不宜使用OLS進(jìn)行回歸


11.2 二值選擇模型

11.2.1 Probit 模型和 Logit 模型

假設(shè)個體只有兩種選擇甚脉,比如 y=1(考研)y=0(不考研) 。是否考研铆农,取決于畢業(yè)生畢業(yè)后的預(yù)期收入牺氨、個人興趣等等,假設(shè)這些解釋變量都被集成在向量 \boldsymbol x 中。于是波闹,最簡單的模型為線性概率模型(Linear Probability Model酝豪,LPM):
y_i = \boldsymbol x_i^\prime \boldsymbol\beta+\varepsilon_i,\quad i=1,\cdots,n
\boldsymbol\beta 的一致估計(jì)要求 {\rm Cov}(\boldsymbol x_i, \varepsilon_i)=0 (沒有內(nèi)生性)。然而精堕,這里有幾個問題:

  • 由于 \varepsilon_i = y_i-\boldsymbol x_i^\prime \boldsymbol\beta 孵淘,于是 \varepsilon_i = 1-\boldsymbol x_i^\prime \boldsymbol\beta\varepsilon_i = 0-\boldsymbol x_i^\prime \boldsymbol\beta 。所以 {\rm Cov}(\boldsymbol x_i, \varepsilon_i) 必然不為0
  • 顯然歹篓, \boldsymbol x_i 服從兩點(diǎn)分布瘫证,而非正態(tài)分布
  • 由于 {\rm Var}(\varepsilon_i) = {\rm Var}(\boldsymbol x_i^\prime \boldsymbol\beta)\boldsymbol x_i^\prime 有關(guān),所以必然存在異方差(所以在檢驗(yàn)的時候需要使用穩(wěn)健的標(biāo)準(zhǔn)誤庄撮,見教材第 7 章)
  • 盡管我們知道 y 非 1 即 0 背捌,但回歸的時候總不可能這么巧 \hat y 就是 1 或 0 的,看圖11.1

盡管 LPM 有上面所提到的各種缺點(diǎn)洞斯,但它的優(yōu)點(diǎn)是計(jì)算方便毡庆,而且容易分析經(jīng)濟(jì)意義。于是烙如,為了使 y 的預(yù)測值總是介于 y\in[0,1] 之間么抗,我們對 LPM 進(jìn)行拓展:在給定 \boldsymbol x 的情況下,考慮 y 的兩點(diǎn)分布概率為:
\left\{\begin{array}{l} \mathrm{P}(y=1 | \boldsymbol{x})=F(\boldsymbol{x}, \boldsymbol{\beta}) \\ \mathrm{P}(y=0 | \boldsymbol{x})=1-F(\boldsymbol{x}, \boldsymbol{\beta}) \end{array}\right.
于是亚铁,函數(shù) F(\boldsymbol{x}, \boldsymbol{\beta}) 就被稱為連接函數(shù)(link function)蝇刀,因?yàn)樗鼘⒔忉屪兞?\boldsymbol x 與被解釋變量 y 鏈接起來。由于 y 的取值要么為 0 徘溢,要么為 1 吞琐,于是 y 一定服從兩點(diǎn)分布

連接函數(shù)的選擇有一定的靈活性然爆,通過選擇合適的連接函數(shù) F(\boldsymbol{x}, \boldsymbol{\beta}) 可以保證 \hat y\in[0,1] 站粟,并將 \hat y 理解為 “ y=1 發(fā)生的概率”,因?yàn)椋?br> \mathrm{E}(y | \boldsymbol{x})=1 \cdot \mathrm{P}(y=1 | \boldsymbol{x})+0 \cdot \mathrm{P}(y=0 | \boldsymbol{x})=\mathrm{P}(y=1 | \boldsymbol{x})
特別地曾雕,如果 F(\boldsymbol{x}, \boldsymbol{\beta}) 是標(biāo)準(zhǔn)的正態(tài)分布累計(jì)函數(shù)(cdf)奴烙,則:
\mathrm{P}(y=1 |\boldsymbol x)=F(\boldsymbol x, \boldsymbol\beta)=\Phi\left(\boldsymbol x^{\prime}\boldsymbol \beta\right)=\int_{-\infty}^{\boldsymbol x^{\prime} \boldsymbol\beta} \phi(t) \mathrmifv2w0q t
那么這個模型就被稱為Probit模型。如果 F(\boldsymbol{x}, \boldsymbol{\beta})邏輯分布(logistic distribution)的 cdf 翻默,即:
P(y=1 | \boldsymbol x)=F(\boldsymbol x, \boldsymbol\beta)=\Lambda\left(\boldsymbol x^{\prime} \boldsymbol\beta\right) \equiv \frac{\exp \left(\boldsymbol x^{\prime} \boldsymbol\beta\right)}{1+\exp \left(\boldsymbol x^{\prime} \boldsymbol\beta\right)}
那么這個模型就被稱為Logit模型缸沃。

邏輯分布的 cdf 與標(biāo)準(zhǔn)正態(tài)分布的 cdf 比較相似恰起,更接近自由度為 7 的 t 分布

由于邏輯分布函數(shù)有解析表達(dá)式修械,而正態(tài)分布則沒有,所以計(jì)算 Logit 模型通常比計(jì)算 Probit 模型更為方便检盼。顯然肯污,這是一個非線性模型,可以用最大似然法估計(jì)(MLE)。以 Logit 模型為例蹦渣,第 i 個觀測數(shù)據(jù)的概率密度為:
f\left(y_{i} | \boldsymbol{x}_{i}, \boldsymbol{\beta}\right)=\left\{\begin{array}{l} \Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right), \text { 若 } y_{i}=1 \\ 1-\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right), \text { 若 } y_{i}=0 \end{array}\right.
可以不分段地寫成:
f\left(y_{i} | \boldsymbol{x}_{i}, \boldsymbol{\beta}\right)=\left[\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right)\right]^{y_{i}}\left[1-\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right)\right]^{1-y_{i}}
去對數(shù)哄芜,有:
\ln f\left(y_{i} | \boldsymbol{x}_{i}, \boldsymbol{\beta}\right)=y_{i} \ln \left[\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right)\right]+\left(1-y_{i}\right) \ln \left[1-\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right)\right]
假設(shè)樣本中的個體相互獨(dú)立,那么整個樣本的 LLF (對數(shù)似然函數(shù))為:
\ln L(\boldsymbol{\beta} | \boldsymbol{y}, \boldsymbol{x})=\sum_{i=1}^{n} y_{i} \ln \left[\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right)\right]+\sum_{i=1}^{n}\left(1-y_{i}\right) \ln \left[1-\Lambda\left(\boldsymbol{x}_{i}^{\prime} \boldsymbol{\beta}\right)\right]
可以用數(shù)值方法求解這個非線性最大化問題柬唯。


11.2.2 經(jīng)濟(jì)意義

需要注意的是认臊,在這個非線性模型中,估計(jì)量 \hat{\boldsymbol \beta}_{MLE} 并非邊際效應(yīng)(marginal effects)锄奢。以 Probit 為例失晴,可以計(jì)算:
\frac{\partial \mathrm{P}(y=1 | \boldsymbol{x})}{\partial x_{k}}=\frac{\partial \mathrm{P}(y=1 | \boldsymbol{x})}{\partial\left(\boldsymbol{x}^{\prime} \boldsymbol{\beta}\right)} \cdot \frac{\partial\left(\boldsymbol{x}^{\prime} \boldsymbol{\beta}\right)}{\partial x_{k}}=\phi\left(\boldsymbol{x}^{\prime} \boldsymbol{\beta}\right) \cdot \beta_{k}
在這里使用了微分的鏈?zhǔn)椒▌t(chain rule),并假設(shè)了 x_k 為連續(xù)變量拘央。由于 Probit 和 Logit 所使用的分布函數(shù)不同涂屁,所以其參數(shù)并不可以直接比較,而是需要分別計(jì)算二者的邊際效應(yīng)灰伟,然后進(jìn)行比較拆又。然而,對于非線性模型而言栏账,邊際效應(yīng)本身就不是常數(shù)帖族,它隨解釋變量的變化而變化。常用的邊際效應(yīng)的概念有:

  • 平均邊際效應(yīng)(average marginal effect)发笔,分別計(jì)算每個樣本的邊際效應(yīng)然后平均
  • 樣本均值處的邊際效應(yīng)(marginal effect at mean)盟萨,即在 \boldsymbol x = \bar{\boldsymbol x} 處的邊際效應(yīng)
  • 在某個代表值處的邊際效應(yīng)(marginal effect at a representative value),求特點(diǎn)的邊際效應(yīng)

以上三種邊際效應(yīng)的計(jì)算結(jié)果可能會有差異了讨。傳統(tǒng)上捻激,計(jì)算樣本均值處的邊際效應(yīng)比較簡單;然而前计,在非線性模型中胞谭,樣本均值處的個體行為通常不能代表個體的平均行為(average behavior of individuals differes from behavior of the average individual)。對于政策分析而言男杈,平均邊際效應(yīng)比較有意義丈屹,也是 Stata 的默認(rèn)方法

既然 \hat{\boldsymbol \beta}_{MLE} 并非邊際效應(yīng)伶棒,那他有什么經(jīng)濟(jì)意義呢旺垒?對于 Logit 模型,令 p \equiv \mathrm{P}(y=1 | x) 肤无,那么 1-p=\mathrm{P}(y=0 | x) 先蒋,由于 p=\frac{\exp \left(\boldsymbol{x}^{\prime} \boldsymbol{\beta}\right)}{1+\exp \left(\boldsymbol{x}^{\prime} \boldsymbol{\beta}\right)} ,于是:
\begin{split} \frac{p}{1-p}&=\exp \left(\boldsymbol{x}^{\prime} \boldsymbol{\beta}\right) \\ \ln \left(\frac{p}{1-p}\right)&=\boldsymbol{x}^{\prime} \boldsymbol{\beta} \end{split}
其中宛渐,\frac{p}{1-p} 被稱為 幾率比(odds ratio)或相對風(fēng)險(relative risk)竞漾。如果幾率比為2眯搭,意味著 y=1 的概率是 y=0 兩倍。對第二個等式的右邊求導(dǎo)业岁,我們可以發(fā)現(xiàn) \hat{\boldsymbol \beta}_{MLE} 的意義是:若 x_j 增加一個微小的量鳞仙,那么幾率比的百分比則會增加 \hat{ \beta}_{j} 。所以笔时,可以把 \hat{ \beta}_{j} 視為半彈性棍好,即 x_j 增加一個單位引起幾率比的百分比的變化。

例如允耿, \hat{ \beta}=0.12 表示 x_j+1 會引起幾率比增加 12\% 梳玫。注意不是幾率比本身變大 0.12,而是它增長了 12%

還有另外一個生物統(tǒng)計(jì)領(lǐng)域特別喜歡使用的意義右犹,考慮 x_j+1 從而 p 變成了 p^\star 提澎,于是新幾率比與原先幾率比的比率可以寫成:
\frac{\frac{p^{*}}{1-p^{*}}}{\frac{p}{1-p}}=\frac{\exp \left[\beta_{1}+\beta_{2} x_{2}+\cdots+\beta_{j}\left(x_{j}+1\right)+\cdots+\beta_{K} x_{K}\right]}{\exp \left(\beta_{1}+\beta_{2} x_{2}+\cdots+\beta_{j} x_{j}+\cdots+\beta_{K} x_{K}\right)}=\exp \left(\beta_{j}\right)
所以,\exp \left(\hat\beta_{j}\right) 表示 x_j+1 引起的幾率比的變化倍數(shù)念链。

例如盼忌, \exp \left(\hat\beta_{j}\right)=1.12 表示 x_j+1 會引起幾率比變成原先的 1.12 倍,即增加了 13%

事實(shí)上掂墓,如果 \hat{ \beta} 比較小谦纱,兩者方法是等價的( Taylor 展開)。然而君编,如果 x_j 必須變化一個單位(如性別跨嘉、婚否),則應(yīng)使用 \exp \left(\hat\beta_{j}\right) 吃嘿。另外祠乃,Probit 模型無法對系數(shù) \hat{\boldsymbol\beta}_{MLE} 進(jìn)行類似的解釋,這是 Probit 模型的劣勢兑燥。


11.2.3 擬合優(yōu)度

如何衡量一個非線性的模型的擬合優(yōu)度呢亮瓷?在不存在平方和分解公式的情況下,R^2 是無法計(jì)算的降瞳,然而 Stata 依然匯報(bào)一個準(zhǔn)R2(Pseudo R^2)嘱支,由 McFadden (1974) 提出,其定義為:
\text { 準(zhǔn) } R^{2}=\frac{\ln L_{0}-\ln L_{1}}{\ln L_{0}}
其中挣饥,\ln L_1 為原模型的 LLF 最大值除师,而 \ln L_0以常數(shù)項(xiàng)為唯一解釋變量的 LLF 的最大值。由于 y 是離散的兩點(diǎn)分布扔枫,似然函數(shù) LF 的最大可能值為 1汛聚,于是 LLF 的最大可能值為 0,記為 \ln L_{m ax} 茧吊。于是贞岭,必然有 0 \geqslant \ln L_{1} \geqslant \ln L_{0} ,于是 0 \leqslant \text { 準(zhǔn) } R^{2} \leqslant 1 搓侄。

另外一類判斷擬合優(yōu)度的方法是計(jì)算正確預(yù)測的百分比瞄桨,實(shí)際上我認(rèn)為目前機(jī)器學(xué)習(xí)領(lǐng)域的一系列常用的擬合優(yōu)度如 MSE、MAPE 等都可以使用讶踪。


11.2.4 統(tǒng)計(jì)推斷

本節(jié)主要是復(fù)習(xí) 高級計(jì)量12 高級計(jì)量13 的內(nèi)容芯侥。

總的來說,要對 Probit 和 Logit 模型進(jìn)行統(tǒng)計(jì)推斷乳讥,需要作如下假設(shè):

  • 標(biāo)準(zhǔn)的 Probit 和 Logit 模型假設(shè)擾動項(xiàng)為同方差(這一點(diǎn)與線性模型類似):以此才可以寫出似然函數(shù) LF

  • 假設(shè)樣本為 i.i.d. :這樣才可以使用大數(shù)定律和中心極限定理

  • 如果滿足似然函數(shù)正確或滿足 {\rm E}(y|\boldsymbol x) = F(\boldsymbol x,\boldsymbol\beta) (后面的條件更弱)柱查,則可以使用普通標(biāo)準(zhǔn)誤;否則應(yīng)該使用穩(wěn)健的標(biāo)準(zhǔn)誤

下面我們對兩種檢驗(yàn):對所有系數(shù)的聯(lián)合檢驗(yàn)單個系數(shù)的獨(dú)立檢驗(yàn)進(jìn)行說明

(1) 所有系數(shù)的聯(lián)合顯著性

在使用 Stata 時云石,會匯報(bào)一個 LR 檢驗(yàn)統(tǒng)計(jì)量唉工,檢驗(yàn)常數(shù)以外的所有其他系數(shù)的顯著性(即所有系數(shù)的聯(lián)合顯著性)。在高級計(jì)量13汹忠,我們已經(jīng)推導(dǎo)出對 MLE 的系數(shù)的 LR 統(tǒng)計(jì)推斷表達(dá)式:
\mathrm{LR} \equiv-2 \ln \left[\frac{L\left(\hat{\boldsymbol{\beta}}_{R}\right)}{L\left(\hat{\boldsymbol{\beta}}_{U}\right)}\right]=2\left[\ln L\left(\hat{\boldsymbol{\beta}}_{U}\right)-\ln L\left(\hat{\boldsymbol{\beta}}_{R}\right)\right] \stackrelcys52sv{\longrightarrow} \chi^{2}(K)
上面的統(tǒng)計(jì)推斷表達(dá)式僅依賴于 樣本 i.i.d.似然函數(shù)正確這兩個條件淋硝,前者是為了應(yīng)用大數(shù)定律中心極限定理,后者是為了使用信息矩陣等式宽菜。

對于 Probit 和 Logit 模型谣膳,如果分布函數(shù)設(shè)定不正確,則為準(zhǔn)最大似然估計(jì)(QMLE)铅乡,那么我們要注意:

  • 如果 {\rm E}(y|\boldsymbol x) = F(\boldsymbol x,\boldsymbol\beta) 成立:由于二值選擇模型的分布必然為兩點(diǎn)分布(屬于線性指數(shù)分布族)继谚,于是 MLE 估計(jì)仍然是一致的。另外阵幸,由于兩點(diǎn)分布的特殊性花履,那么在 i.i.d. 的情況下,穩(wěn)健標(biāo)準(zhǔn)誤就等于 MLE 的普通標(biāo)準(zhǔn)誤(在推導(dǎo) LR 統(tǒng)計(jì)量時需要用到有關(guān)標(biāo)準(zhǔn)誤的等式)挚赊。所以臭挽,如果認(rèn)為模型設(shè)定正確,則沒有必要使用穩(wěn)健的標(biāo)準(zhǔn)誤咬腕。

  • 如果 {\rm E}(y|\boldsymbol x) \ne F(\boldsymbol x,\boldsymbol\beta) 欢峰,則 Probity 與 Logit 模型并不能得到對系數(shù) \boldsymbol\beta 的一致估計(jì)。在此時涨共,是否使用穩(wěn)健的標(biāo)準(zhǔn)誤就不是你要關(guān)心的問題——你應(yīng)該首先解決參數(shù)估計(jì)的一致性問題纽帖。

  • 如果普通標(biāo)準(zhǔn)誤與穩(wěn)健標(biāo)準(zhǔn)誤相去甚遠(yuǎn),則大致可以斷定模型設(shè)定不正確

  • 如果數(shù)據(jù)非 i.i.d. 举反,那么可以將樣本分為若干組(聚類)懊直,而每組組內(nèi)的個體存在組內(nèi)自相關(guān),則應(yīng)該使用聚類文件的標(biāo)準(zhǔn)誤

(2) 單個系數(shù)的顯著性

在使用 Stata 時火鼻,也會匯報(bào)每個系數(shù)的 Std. err. 室囊。如果要對單個系數(shù)的顯著性進(jìn)行推斷雕崩,則需要使用高級計(jì)量12的 6.5.2 節(jié)中的推導(dǎo):

a. 在抽取的樣本為 i.i.d. 的假設(shè)下,我們用大數(shù)定律中心極限定理可以推導(dǎo)出:
\sqrt{n}\left(\hat{\boldsymbol{\theta}}_{\mathrm{ML}}-\boldsymbol{\theta}_{0}\right) \stackrel5kvsh0n{\longrightarrow} N\left(\mathbf{0}, \boldsymbol{A}_{0}^{-1} \boldsymbol{B}_{0} \boldsymbol{A}_{0}^{-1}\right)
b. 在分布函數(shù)設(shè)定正確的假設(shè)下(于是可是使用高級計(jì)量11證明3)融撞,可以進(jìn)一步推導(dǎo)出:
\sqrt{n}\left(\hat{\boldsymbol{\theta}}_{\mathrm{ML}}-\boldsymbol{\theta}_{0}\right) \stackrel0720y2w{\longrightarrow} N\left(\boldsymbol{0}, n\left[\boldsymbol{I}\left(\boldsymbol{\theta}_{0}\right)\right]^{-1}\right) ,\quad \boldsymbol I(\boldsymbol \theta_0) \equiv -{\rm E}\left[ \frac{\partial^2 \ln L(\boldsymbol\theta_0;\boldsymbol y)}{\partial \boldsymbol\theta^\prime_0\partial\boldsymbol\theta_0} \right]
前面已經(jīng)提到盼铁,就算分布函數(shù)設(shè)定不正確,如果 {\rm E}(y|\boldsymbol x) = F(\boldsymbol x,\boldsymbol\beta) 成立尝偎,那么在 i.i.d. 的情況下饶火,穩(wěn)健標(biāo)準(zhǔn)誤就等于 MLE 的普通標(biāo)準(zhǔn)誤。所以上面的等式只要 {\rm E}(y|\boldsymbol x) = F(\boldsymbol x,\boldsymbol\beta) 成立就可以用了致扯。

c. 如果 {\rm E}(y|\boldsymbol x) \ne F(\boldsymbol x,\boldsymbol\beta) 肤寝,則 Probit 與 Logit 模型并不能得到對系數(shù) \boldsymbol\beta 的一致估計(jì)。此時統(tǒng)計(jì)推斷并無意義抖僵。

欲從上面的式子單個系數(shù)進(jìn)行檢驗(yàn)鲤看,顯然需要未知的真實(shí)參數(shù) \boldsymbol \theta_0 。于是我們可以根據(jù)高級計(jì)量12的 6.6 的方法去處理耍群,這里就不再贅述了刨摩。


最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市世吨,隨后出現(xiàn)的幾起案子澡刹,更是在濱河造成了極大的恐慌,老刑警劉巖耘婚,帶你破解...
    沈念sama閱讀 216,496評論 6 501
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件罢浇,死亡現(xiàn)場離奇詭異,居然都是意外死亡沐祷,警方通過查閱死者的電腦和手機(jī)嚷闭,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,407評論 3 392
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來赖临,“玉大人胞锰,你說我怎么就攤上這事【ふィ” “怎么了嗅榕?”我有些...
    開封第一講書人閱讀 162,632評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長吵聪。 經(jīng)常有香客問我凌那,道長,這世上最難降的妖魔是什么吟逝? 我笑而不...
    開封第一講書人閱讀 58,180評論 1 292
  • 正文 為了忘掉前任帽蝶,我火速辦了婚禮,結(jié)果婚禮上块攒,老公的妹妹穿的比我還像新娘励稳。我一直安慰自己佃乘,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,198評論 6 388
  • 文/花漫 我一把揭開白布驹尼。 她就那樣靜靜地躺著趣避,像睡著了一般。 火紅的嫁衣襯著肌膚如雪扶欣。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,165評論 1 299
  • 那天千扶,我揣著相機(jī)與錄音料祠,去河邊找鬼。 笑死澎羞,一個胖子當(dāng)著我的面吹牛髓绽,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播妆绞,決...
    沈念sama閱讀 40,052評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼顺呕,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了括饶?” 一聲冷哼從身側(cè)響起株茶,我...
    開封第一講書人閱讀 38,910評論 0 274
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎图焰,沒想到半個月后启盛,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,324評論 1 310
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡技羔,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,542評論 2 332
  • 正文 我和宋清朗相戀三年僵闯,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片藤滥。...
    茶點(diǎn)故事閱讀 39,711評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡鳖粟,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出拙绊,到底是詐尸還是另有隱情向图,我是刑警寧澤,帶...
    沈念sama閱讀 35,424評論 5 343
  • 正文 年R本政府宣布标沪,位于F島的核電站张漂,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏谨娜。R本人自食惡果不足惜航攒,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,017評論 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望趴梢。 院中可真熱鬧漠畜,春花似錦币他、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,668評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至瘾敢,卻和暖如春拍冠,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背簇抵。 一陣腳步聲響...
    開封第一講書人閱讀 32,823評論 1 269
  • 我被黑心中介騙來泰國打工庆杜, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人碟摆。 一個月前我還...
    沈念sama閱讀 47,722評論 2 368
  • 正文 我出身青樓晃财,卻偏偏與公主長得像,于是被迫代替她去往敵國和親典蜕。 傳聞我的和親對象是個殘疾皇子断盛,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,611評論 2 353