作者： 庄子安 (中山大学)
邮箱： 1484712416@qq.com

指导老师： 连玉君 (中山大学，arlionn@163.com)

目录

• 1. 应用背景

  
  

  • 1.1 模型使用场景

  • 1.2 典型应用领域

    
    

• 2. 固定效应有序 Logit 模型

  
  

  • 2.1 模型设定

  • 2.2 估计方法

    
    

• 3. 模型解释

  
  

  • 3.1 基于方向和 compensating variation 解读 β

  • 3.2 基于胜算比 (Odds) 解读 β

  • 3.3 边际效应 (Marginal Effects) 解读

  • 3.4 阈值 (Thresholds) 解读

    
    

• 4. feologit 命令

  
  

  • 4.1 feologit 命令下载

  • 4.2 语法结构

  • 4.3 选项

    
    

• 5. feologit：Stata 实操

  
  

  • 5.1 安装命令+下载范例数据

  • 5.2 数据结构描述

  • 5.3 模型估计

  • 5.4 假设检验

    
    

• 6. 参考文献

• 7. 相关推文

• 节选：
  2.1 模型设定固定效应有序 logit 模型使用潜在变量  将可观测特征  与可观测有序因变量  相关联，可观测有序因变量  可以取值 0-K。个体  在时间  的潜在变量  线性决定于  和两个无法观测的变量 和 ：其中， 为个体异质性截距项，且统计上取决于 ， 为残差项。另外，潜在变量  与  的联系定义如下：<section role="presentation" data-formula="y_{it}=k \quad if \quad \tau_{ik} < y^{*}_{it} 其中， 为不同个体  的阈值。在固定效应有序 Logit 模型中，阈值可以因人而异。除了规定最低和最高阈值为负无穷大和正无穷大之外，关于个体特定阈值的唯一假设为，每个个体的阈值一直在增加：<section role="presentation" data-formula="\tau_{i1}=-\infty; \quad -\infty<\tau_{ik}<\tau_{ik+1}另外，该模型还假设残差项  独立同分布于标准 Logistic 分布，因此  的分布函数为：因此，个体  在时间  的观测值等于  的概率为：由等式 (2) 可知，概率不仅取决于  和 ，还取决于 ， 和 。在有序 Logit 模型中，采用极大似然估计来得到  和 ，但在该模型中，由于个体异质性截距项  的存在，我们只能识别出  ，产生了 Incidental Parameter Problem (伴随参数问题，Chamberlain 1980)，导致无法得到  的一致估计量。解决方法以条件极大似然估 CML 为基础。