各位专家、老师和同学们大家好，入驻经管之家这么长时间，受益匪浅，这段时间用Logit模型做了一篇论文，虽然自己还处于入门阶段，但还是想将自己的一些学习的收获和大家分享，希望各位专家、老师和同学们批评指教~~~

    1.数据要求：
    Logit模型和Probit模型一样，因变量要求必须为二分类变量。也就是说，要用这个模型，被解释变量必须是0、1这种变量。

    2.模型构建：
    本人的数理基础必要薄弱，无法给大家分享太多干货，但给大家分享了两个介绍Logit模型的文件，这两个文件个人认为对Logit模型的解释较为清晰明了，应该能给大家提供一点点帮助。

    3.软件操作：
    本文是使用的Stata16版本进行的实操。关于Logit模型的使用，在我目前有限的认知里，已有论文里大概分为两类。
    （1）回归分析：
    第一类是回归分析，这一类的Stata的操作命令是：logit y x1 x2  控制变量。这种基础回归，主要是用于研究解释变量对被解释变量的作用方向及显著性。例如，解释变量对被解释变量具有显著的正向/负向影响，在1%、5%、10%的水平下显著。
    补充：这种回归也可延伸为分组回归。例如：将样本按农村和城市、性别等进行分组回归。
    （2）边际效应：
    第二类是求边际效应。求边际效应可以看出解释变量影响被解释变量的真实效度，即在其他条件不变的情况下，由解释变量变化引起的被解释变量的概率变化。求边际效应有很多类型，命令也各不相同。在我目前有限的认知里，一般是求各变量处于均值处的边际效应。
    Stata的命令为：margins,dydx(*)post
    对于边际效应的结果解读，在我已阅览的论文中，一般是在其他条件不变的情况下，解释变量每增加1单位，被解释变量发生的概率增加/减少/变化多少。

    4.一些心得杂谈：
    下面这部分就是我在实际操作中一些新的所想，就写到哪里算哪里吧。
    （1）数据处理方式：
    在跑数据过程中，难免遇到结果不显著的情况，这种情况，一般需要我们更换变量或者更换数据处理方式。
    一般来说，对于一些例如贷款金额、存款等变量，可以使用取对数、缩尾（一般1%-5%缩尾）等处理方式。
    对于一些使用标准化处理后还不显著的变量，可以使用归一化处理再试试。
    （2）注意事项：
    在实际操作过程中，被解释变量同时存在分类变量和连续变量时，分类变量和连续变量不能在结果解读时进行比较。
    时间原因，就先写到这里，以上仅代表我的个人浅显的认知，难免会出现错误，希望大家多批评指正！