关于xtmlogit运行过慢的问题

896

收藏 2023-10-20

如题所示，我在使用xtmlogit时遇到了问题。我的stata版本是17.0 SE，结局变量是有10个不同值的无序多分类变量，控制变量有19个，observation有38w。在使用xtmlogit时，我的页面停留在了“Fitting comparison model ...”和“Refining starting values:”。经查阅，我发现或许可以通过“startvalues()”选项来解决这一问题，但我不知道如何设定这一值。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

fletcherrr

2023-10-20 19:13:46

input float(mlogit_death_reason pm255y_10) int age byte gender_cv float years_education byte married_inpu float home_disposable_assets_10000 byte vigorous_sports
0 2.5298166 62 2 17 1       0 99
2 2.5298166 57 2 11 6       0 99
0 2.3443332 -9 2 11 6       0 99
0 2.5298166 68 1  5 6       0 99
0 2.5298166 70 2 14 1       0 99
0 2.5298166 60 1 12 1       0 99
0 2.3415167 63 1 12 1 1.6686262 4
0 2.5298166 70 2  8 6       0 99
0 2.3648 73 2  8 6       0 2
0 2.5298166 56 1 11 1       0 99
0 2.3558667 59 1 11 1 .28380996 2
0 2.5298166 70 2  8 1       0 99
0 2.3648 73 2  8 1  .5112997 3
0 2.5298166 70 2 12 1       0 99
0 2.3475666 73 2 12 6 .347164 4
0 2.5298166 70 1 12 3       0 99
3 2.3475666 73 1 12 1 2.1645837 4
0 2.5298166 73 1  7 6       0 99
0 2.5298166 68 2 12 1       0 99
0 2.5298166 60 1 11 1       0 99
0 2.5298166 74 1 15 1       0 99
0 2.3648 77 1 14 1 2.0963287 2
0 2.5298166 76 2  7 6       0 99
0 2.3648 79 2  4 6  .5112997 4
0 2.5298166 87 1 12 6       0 99
3 2.5298166 72 1  9 1       0 99
0 2.3558667 -9 1  9 1       0 99
0 2.5298166 71 2 12 6       0 99
0 2.3558667 74 2 12 6 .25564986 4
0 2.5298166 67 2 12 1       0 99
0 2.3475666 70 2 12 1 2.1645837 4
0 2.5298166 52 2 11 1       0 99
0 2.3558667 55 2 14 1 .28380996 3
0 2.5298166 83 2  8 6       0 99
0 2.5298166 67 1  8 6       0 99
0 2.3475666 70 1  8 6  1.481769 4
0 2.5298166 56 2 12 1       0 99
0 2.3415167 59 2 12 1 1.6686262 4
0 2.5298166 67 2 13 6       0 99
0 2.5298166 66 2 18 6       0 99
0 2.3443332 69 2 16 6  2.637821 4
0 2.5298166 70 1 15 1       0 99
0 2.5298166 71 2  7 6       0 99
0 2.3475666 74 2  7 6 .05215257 4
0 2.5298166 59 2 11 1       0 99
0 2.5298166 66 1 15 1       0 99
0 2.3415167 69 1 15 1 1.8080915 2
0 2.5298166 83 2 12 6       0 99
0 2.3475666 86 2 11 6 .25564986 4
0 2.5298166 92 1 18 1       0 99
0 2.5298166 70 2 19 1       0 99
0 2.3648 73 2 14 1 2.0963287 1
3 2.5298166 84 1 10 6       0 99
0 2.3648 -9 1 10 6       0 99
0 2.5298166 69 1 15 1       0 99
0 2.3648 72 1  8 1  .5112997 4
0 2.5298166 51 1 16 1       0 99
0 2.5298166 62 2  8 6       0 99
0 2.3558667 65 2 11 6  .9926399 1
0 2.5298166 55 2 11 1       0 99
0 2.3648 58 2 11 1  .7925146 2
0 2.5298166 49 2 17 1       0 99
1 2.5298166 65 2 12 6       0 99
0 2.3415167 -9 2 12 6       0 99
0 2.5298166 79 2  1 6       0 99
0 2.3558667 82 2  4 6  .2397183 3
0 2.5298166 70 1 12 1       0 99
1 2.5298166 90 2  4 6       0 99
0 2.3558667 -9 2  4 6       0 99
0 2.5298166 84 2 16 1       0 99
3 2.5298166 87 2  9 6       0 99
0 2.3558667 -9 2  9 6       0 99
0 2.5298166 56 2 15 3       0 99
0 2.5298166 65 2 15 1       0 99
0 2.3443332 68 2 15 1 1.8080915 4
3 2.5298166 85 2  3 6       0 99
0 2.3558667 -9 2  3 6       0 99
3 2.5298166 75 1  8 6       0 99
0 2.3475666 -9 1  8 6       0 99
0 2.5298166 81 1  7 6       0 99
0 2.3558667 84 1  7 6  .7158196 4
6 2.5298166 67 1  8 1       0 99
0 2.3475666 -9 1  8 1       0 99
0 2.5239666 77 2 12 6       0 99
0 2.3475666 80 2 11 6  1.738419 4
0 2.5239666 59 2 11 1       0 99
0 2.5239666 61 2  8 1       0 99
0 2.5239666 70 2 17 1       0 99
0 2.5239666 77 1 12 1       0 99
0 2.3648 80 1 15 1  3.834748 1
0 2.5239666 60 2 14 1       0 99
0 2.3443332 63 2 12 1  5.112997 1
0 2.5239666 64 2  8 1       0 99
0 2.3475666 67 2  8 1  1.533899 2
0 2.5239666 68 2  8 6       0 99
0 2.3443332 71 2  8 6  1.282252 3
0 2.5239666 59 1 12 1       0 99
0 2.3443332 62 1 11 1  .8789505 4
0 2.5239666 70 1 11 4       0 99
0 2.3558667 73 1 11 4 2.2700875 4

input byte(heart_attack hypertension stroke COPD cancer parkinson high_cholesterol diabetes bmicat esmoked mh007_ sphus_inpu)
0 0 0 0 0 0 0 0 2 99 99 2
1 0 0 0 0 0 0 0 2 99 99 4
. . . . . . . . 2 99 99 4
0 0 0 0 0 0 0 0 2 99 99 2
0 1 0 0 0 0 1 0 3 99 99 3
0 0 0 0 0 0 0 0 3 99 99 5
0 1 0 0 0 0 0 0 3  1  2 4
0 1 0 1 0 0 1 0 3 99 99 5
0 1 0 0 0 0 1 0 3  0  2 3
0 0 0 0 0 0 0 0 4 99 99 1
0 0 0 0 0 0 0 0 3  1  2 3
0 1 1 0 0 0 0 0 4 99 99 3
0 1 0 0 0 0 0 1 2  0  1 4
0 1 0 0 0 0 0 0 4 99 99 2
0 1 0 0 0 0 0 0 1  0  2 3
0 1 0 0 0 0 0 0 3 99 99 2
0 1 0 0 0 0 0 0 1  1  2 4
0 0 0 0 0 0 0 0 2 99 99 3
0 1 0 0 0 0 1 0 3 99 99 4
0 1 0 0 0 0 0 0 4 99 99 3
0 0 1 0 0 0 0 0 4 99 99 3
0 1 1 0 0 0 0 0 4  1  2 3
0 1 0 0 0 0 1 0 1 99 99 5
0 1 0 1 0 0 1 0 1  0  1 4
0 0 0 0 0 0 0 1 4 99 99 3
0 1 0 0 0 0 0 1 2 99 99 5
. . . . . . . . 2 99 99 5
0 1 0 1 0 0 0 0 3 99 99 3
1 1 1 0 0 0 0 0 3  0  1 5
0 1 0 0 0 0 0 0 3 99 99 4
0 1 1 0 0 0 0 0 2  1  2 4
0 0 0 0 0 0 0 0 3 99 99 1
0 0 0 0 0 0 0 0 2  0  2 2
0 0 0 0 0 0 0 0 3 99 99 4
0 1 1 0 0 0 0 0 2 99 99 5
0 0 1 0 0 0 0 0 2  0  1 5
0 0 0 0 0 0 0 0 3 99 99 1
0 1 0 0 0 0 0 0 4  0  2 4
0 0 0 0 0 0 0 0 3 99 99 2
0 0 0 0 0 0 0 0 2 99 99 1
0 0 0 0 0 0 0 0 4  0  1 3
0 1 0 0 0 0 1 0 3 99 99 2
1 1 0 0 0 0 1 0 3 99 99 3
1 1 0 0 0 0 1 0 1  0  2 2
0 1 0 0 0 0 0 0 2 99 99 2
0 0 0 0 0 0 0 0 4 99 99 3
0 1 0 0 0 0 0 0 3  1  2 3
0 1 0 0 0 0 0 0 3 99 99 3
0 1 0 0 0 0 0 0 3  0  1 3
1 1 0 0 0 0 0 0 3 99 99 3
0 1 0 0 0 0 0 0 3 99 99 3
0 1 0 0 0 0 0 0 4  0  2 3
0 1 0 1 0 0 0 1 2 99 99 4
. . . . . . . . 2 99 99 4
0 1 0 1 0 0 0 0 3 99 99 5
1 1 0 1 0 0 0 0 2  0  1 5
1 1 0 0 0 0 0 0 3 99 99 4
0 0 0 0 0 0 0 0 2 99 99 2
0 0 0 0 0 0 0 0 3  0  2 1
0 0 0 0 0 0 0 0 2 99 99 4
0 1 0 0 0 0 0 0 2  0  1 3
0 0 0 0 0 0 0 0 2 99 99 2
0 0 0 0 0 0 0 0 2 99 99 1
. . . . . . . . 2 99 99 1
0 1 1 0 0 0 0 0 1 99 99 4
0 1 1 0 0 0 0 0 1  0  2 4
0 0 0 0 1 0 0 0 2 99 99 5
0 0 0 0 0 0 0 0 2 99 99 4
. . . . . . . . 2 99 99 4
0 1 0 0 0 0 0 0 2 99 99 3
0 1 0 0 0 0 0 0 1 99 99 5
. . . . . . . . 1 99 99 5
0 0 0 0 0 0 0 0 2 99 99 2
0 1 0 0 0 0 0 0 3 99 99 3
0 1 0 0 0 0 0 0 4  1  2 3
1 1 0 0 0 0 0 0 3 99 99 5
. . . . . . . . 3 99 99 5
1 1 0 0 0 0 0 0 2 99 99 3
. . . . . . . . 2 99 99 3
0 1 0 0 1 0 1 0 3 99 99 5
0 1 0 0 1 0 0 0 3  0  1 3
0 1 0 0 0 0 0 1 4 99 99 3
. . . . . . . . 3 99 99 3
1 1 0 0 0 0 0 1 2 99 99 3
1 1 0 0 0 0 0 1 1  0  2 2
0 0 0 0 0 0 0 0 4 99 99 2
0 0 0 0 0 0 0 0 4 99 99 2
0 0 0 0 0 0 0 1 3 99 99 3
0 0 0 0 0 0 0 0 3 99 99 2
0 0 0 0 0 0 0 0 3  0  2 3
0 1 0 0 0 0 0 0 3 99 99 4
0 1 0 0 0 0 0 0 3  0  2 3
0 1 0 0 0 0 0 0 4 99 99 2
0 1 0 0 0 0 0 0 4  0  2 3
1 1 0 0 0 0 0 1 3 99 99 3
1 1 0 0 0 0 0 1 1  0  1 5
1 0 0 0 0 0 0 0 3 99 99 3
1 1 0 0 0 0 0 0 1  0  1 5
1 1 0 0 0 0 0 1 3 99 99 3
1 1 0 0 0 0 0 1 1  0  2 2

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

sun_man

2023-10-24 10:56:01

startvalues()选项允许你手动设置模型的起始值。你可以根据你的数据和模型的特点来选择合适的起始值。一种常见的方法是使用其他模型的估计结果作为起始值，或者使用数据中的一些统计量来估计起始值。
以下是一个示例，展示了如何使用startvalues()选项来设置起始值：
xtmlogit outcome_var covariates, startvalues(values)
其中，outcome_var是你的因变量，covariates是你的自变量，values是你设置的起始值。
设置起始值并不能保证模型能够收敛或提高收敛速度，这取决于数据的特点和模型的复杂性。如果问题仍然存在，你可能需要考虑其他调整模型的方法，如增加迭代次数、调整优化算法等。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

fletcherrr

2023-10-24 23:15:13

sun_man 发表于 2023-10-24 10:56
startvalues()选项允许你手动设置模型的起始值。你可以根据你的数据和模型的特点来选择合适的起始值。一种 ...

谢谢，我试试

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

Baidu1123

2024-9-1 11:14:16

fletcherrr 发表于 2023-10-24 23:15
谢谢，我试试

您好，最终您是咋解决的？遇到了同样的问题，请教一下

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群