那位大虾知道在用逐步回归法时，正向纳入和反向淘汰哪一个更准确
在用STATA时，为什么命令sw reg y x1 x2 x3 x4 x5 x6 x7,pr(.10)和sw reg y x1 x2 x3 x4 x5 x6 x7,pe(.10)的回归结果不一样~哪个更可信呢？

sw ologit y x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13,pe(.10)
begin with empty model
p = 0.0159 <  0.1000  adding   x6
p = 0.0609 <  0.1000  adding   x5
p = 0.0971 <  0.1000  adding   x2

Ordered logistic regression                       Number of obs   = 35
LR chi2(3)      = 17.25
Prob > chi2     = 0.0006
Log likelihood = -33.384154                       Pseudo R2       = 0.2053

y       Coef.   Std. Err.      z    P>z     [95% Conf. Interval]

x6    .0438938   .0266138     1.65   0.099    -.0082682 .0960558
x5    2.845029   1.365265     2.08   0.037     .1691582 5.520901
x2     .750995   .4526318     1.66   0.097     -.136147 1.638137

/cut1   -2.400478   .7695964                      -3.90886 -.8920972
/cut2    .8391373   .4776718                     -.0970822 1.775357
/cut3     3.38809   .8004838                       1.81917 4.957009

. sw ologit y x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13,pr(.10)
begin with full model
p = 0.9849 >= 0.1000  removing x3
p = 0.9684 >= 0.1000  removing x10
p = 0.7306 >= 0.1000  removing x13
p = 0.6850 >= 0.1000  removing x8
p = 0.5804 >= 0.1000  removing x5
p = 0.3484 >= 0.1000  removing x1
p = 0.2298 >= 0.1000  removing x12
p = 0.2814 >= 0.1000  removing x4
p = 0.2231 >= 0.1000  removing x9
p = 0.1129 >= 0.1000  removing x11

Ordered logistic regression                       Number of obs   = 35
LR chi2(3)      = 16.80
Prob > chi2     = 0.0008
Log likelihood = -33.611169                       Pseudo R2       = 0.1999

y       Coef.   Std. Err.      z    P>z     [95% Conf. Interval]

x7    .1793151   .0904187     1.98   0.047     .0020977 .3565325
x2    .8587624   .4371713     1.96   0.049     .0019224 1.715602
x6    .0735324   .0290028     2.54   0.011      .016688 .1303769

/cut1   -2.047015   .7583459                     -3.533345 -.5606842
/cut2    1.126754   .5373524                      .0735629 2.179946
/cut3    3.697584   .8773536                      1.978003 5.417165