分位数回归结果不显著，求改进方法

2013-7-23 14:58:56

橙子群发表于 2013-7-24 11:10
sorry，刚才忘记xi:
这是回归结果：求解释
xi: sqreg lwages i.gender edu exp expsq marrige hukou, ...

1.真心建议楼主抽出两个小时看一下教材，啥叫哑变量？啥叫分位回归？
2.粗浏览了一下啊，控制变量有不显著的，比如工作经验和户口在各分为都不显著。由于对楼主研究领域不了解，不知道这些变量是不是需要调整。如果理论上这些变量很重要，即使不显著也要留在模型中。反之就要考虑调整。
3.男性的系数各分位稳定的在-0.3到-0.4。就这个模型说，男性收入低呀，和一般认识不一样啊？！楼主要格外小心，模型或者数据有问题的可能性大啊

首先，要确认是不是男性是1，女性是0，搞反了结果系数也就是反的啦
4.初学乍练，多多海涵，指教

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

2013-7-23 21:26:52

用20 40 60 80 试一试？

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

2013-7-23 21:28:24

其实不显著，本身也是一个结论，为什么要显著呢?
没有差异不是很好吗？估计只是不符合你的预期罢了，
别把想法强加给数据。

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

2013-7-23 21:30:37

如果没要找原因，或者与事实相违背，要看你样本数据的质量，再用OLS估计比较一下

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

2013-7-23 22:46:09

洞庭古风发表于 2013-7-23 21:30
如果没要找原因，或者与事实相违背，要看你样本数据的质量，再用OLS估计比较一下

我用的CHNS数据库，数据质量应该比较可靠的吧？之前您叫我看数据分布情况，如果过于集中又怎么处理呢？

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

点击查看更多内容…

2013-7-23 23:02:24

数据过于集中，那么你用分位法当然很难得到好的拟合度，试想每个分位点的散点图都是很乱的，本无规律可循，硬是加上分位法估计，结果也不会好的。你用分位法本省就是想让你的文章增添亮点，又不是为了让结果估计更准备，建议还是ols估计就行了，不要非得玩新技术，有的时候行不通。

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

2013-7-23 23:16:06

洞庭古风发表于 2013-7-23 23:02
数据过于集中，那么你用分位法当然很难得到好的拟合度，试想每个分位点的散点图都是很乱的，本无规律可循， ...

这样，那非常感谢您一直以来的耐心解答

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

2013-7-23 23:35:26

不用客气，分位法的使用上，确实存在一些问题。尽管是新方法，感觉还是不怎么......

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

蓝色

2013-7-23 23:59:07

1、做分析本身就是想要知道他们之间是否存在显著的关系。
而不是一定就存在关系。如果那样，你也不要研究了。
既然是为了研究到底存在什么关系，因此，需要你对数据进行分析
描述统计，散点图等等，看看两两关系
单纯从模型回归结果是无法判断原因的。
2、你的保证模型设定是正确的。
你采用线性模型，那你凭什么说变量之间关系是线性的，不是曲线的？
如果模型设定错误，本来是曲线的，你线性的，那就会不显著；反过来同样。
二元模型还可以看看图形，多元回归时，3元回归一个面，你如果断定是平面不是曲面？3元以上，你无法作图。

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

2013-7-24 10:12:31

蓝色发表于 2013-7-23 23:59
1、做分析本身就是想要知道他们之间是否存在显著的关系。
而不是一定就存在关系。如果那样，你也不要研究 ...

谢谢斑竹解答！参考了前人研究，模型套路大多是一样的，甚至用的数据库也是一样，只是角度不一样。其实我还想知道，分位数回归对样本大小有要求吗？增加reps 重复次数有用吗？或者其他什么方法

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

2013-7-24 10:13:51

洞庭古风发表于 2013-7-23 23:35
不用客气，分位法的使用上，确实存在一些问题。尽管是新方法，感觉还是不怎么......

用均值研究工资差异的论文已经泛滥了，只能求新技术拉，呵呵

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

2013-7-24 10:24:28

为什么不把 gender 设置成哑变量进入模型呢？
xi: sqreg lwages i.gender edu exp expsq marrige hukou,reps(400) q(.1 .25 .5 .75 .9 )

不知道是不是和楼主的命令等效？

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

2013-7-24 10:52:24

sunkai_bick 发表于 2013-7-24 10:24
为什么不把 gender 设置成哑变量进入模型呢？
xi: sqreg lwages i.gender edu exp expsq marrige hukou,re ...

请问啥叫哑变量？ i.gender ？对数据要重新调整不呢？

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

2013-7-24 10:59:47

sunkai_bick 发表于 2013-7-24 10:24
为什么不把 gender 设置成哑变量进入模型呢？
xi: sqreg lwages i.gender edu exp expsq marrige hukou,re ...

我已经将男女分别设为1和0 . sqreg lwages i.gender edu exp expsq marrige hukou,reps(400) q(.1 .25 .5 .75 .9 )
factor variables and time-series operators not allowed
r(101);
这是命令结果

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

2013-7-24 11:10:25

sunkai_bick 发表于 2013-7-24 10:24
为什么不把 gender 设置成哑变量进入模型呢？
xi: sqreg lwages i.gender edu exp expsq marrige hukou,re ...

sorry，刚才忘记xi:
这是回归结果：求解释
xi: sqreg lwages i.gender edu exp expsq marrige hukou,reps(400) q(.1 .25 .5 .75 .9 )
i.gender       _Igender_0-1       (naturally coded; _Igender_0 omitted)
(fitting base model)
(bootstrapping ..................................................................................
> ...............................................................................................
> ...............................................................................................
> ...............................................................................................
> .................................)

Simultaneous quantile regression                   Number of obs =    961
  bootstrap(400) SEs                               .10 Pseudo R2 = 0.0522
                                                   .25 Pseudo R2 = 0.0464
                                                   .50 Pseudo R2 = 0.0607
                                                   .75 Pseudo R2 = 0.0630
                                                   .90 Pseudo R2 = 0.0437

------------------------------------------------------------------------------
         |             Bootstrap
   lwages |    Coef. Std. Err.    t P>|t|    [95% Conf. Interval]
-------------+----------------------------------------------------------------
q10       |
  _Igender_1 |  -.3432319 .0443875 -7.73 0.000 -.4303403 -.2561235
      edu | .0044282 .0088327    0.50 0.616 -.0129054 .0217619
      exp | .0111986 .0102614    1.09 0.275 -.0089388 .0313361
   expsq |  -.0003267 .0001935 -1.69 0.092 -.0007064 .0000531
   marrige | .0920073 .0813587    1.13 0.258 -.0676554    .25167
   hukou | .0148378 .0453716    0.33 0.744 -.0742019 .1038775
   _cons | 1.049123 .1240376    8.46 0.000    .8057047 1.292541
-------------+----------------------------------------------------------------
q25       |
  _Igender_1 |  -.3246017 .0565798 -5.74 0.000    -.435637 -.2135664
      edu | .0179218 .009637    1.86 0.063 -.0009904    .036834
      exp |  -.0061462 .0124232 -0.49 0.621 -.0305263 .0182338
   expsq | .000022 .0002301    0.10 0.924 -.0004296 .0004736
   marrige |    .19135 .0628565    3.04 0.002    .0679971    .314703
   hukou |  -.0128036 .0504296 -0.25 0.800 -.1117694 .0861622
   _cons | 1.32214 .169959    7.78 0.000    .9886035 1.655677
-------------+----------------------------------------------------------------
q50       |
  _Igender_1 |  -.3681119 .0442121 -8.33 0.000 -.4548761 -.2813478
      edu | .0346906 .0081875    4.24 0.000    .018623 .0507582
      exp |  -.0037601 .0075756 -0.50 0.620 -.0186268 .0111067
   expsq | .0000744 .0001606    0.46 0.643 -.0002408 .0003896
   marrige | .233804 .0569843    4.10 0.000    .1219749 .3456331
   hukou |  -.0408086 .0499116 -0.82 0.414 -.1387577 .0571406
   _cons | 1.408482 .1154601 12.20 0.000    1.181897 1.635067
-------------+----------------------------------------------------------------
q75       |
  _Igender_1 | -.358866 .074256 -4.83 0.000 -.5045899 -.2131421
      edu | .0639353 .0150476    4.25 0.000    .034405 .0934655
      exp | .0078313 .0159161    0.49 0.623 -.0234034 .0390661
   expsq |  -.0000535 .0003002 -0.18 0.859 -.0006427 .0005357
   marrige | .2083393 .1221618    1.71 0.088 -.0313977 .4480762
   hukou |  -.0577824 .0861821 -0.67 0.503 -.2269108    .111346
   _cons | 1.461033 .2213301    6.60 0.000    1.026683 1.895383
-------------+----------------------------------------------------------------
q90       |
  _Igender_1 |  -.4162086 .1368607 -3.04 0.002 -.6847914 -.1476258
      edu | .059173 .0260214    2.27 0.023    .0081073 .1102388
      exp |  -.0260097 .0218311 -1.19 0.234 -.0688522 .0168327
   expsq | .0006723 .0004578    1.47 0.142 -.0002261 .0015707
   marrige | .3548521 .1580229    2.25 0.025    .0447395 .6649646
   hukou |  -.0934988 .135743 -0.69 0.491 -.3598881 .1728905
   _cons | 2.205678 .3708401    5.95 0.000    1.477921 2.933434
------------------------------------------------------------------------------

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

2013-7-24 12:31:51

蓝色发表于 2013-7-23 23:59
1、做分析本身就是想要知道他们之间是否存在显著的关系。
而不是一定就存在关系。如果那样，你也不要研究 ...

他的模型套用了明瑟方程，算是中规中矩。

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

2013-7-24 19:52:35

sunkai_bick 发表于 2013-7-24 12:42
1.真心建议楼主抽出两个小时看一下教材，啥叫哑变量？啥叫分位回归？
2.粗浏览了一下啊，控制变量有不显 ...

首先非常感谢您的教诲，小弟基本功着实不扎实，见笑啦
模型中1是女性，0是男性，数据来自CHNS数据库，整理数据是利用excel vlookup（数据库中户编码+line）
参考前人研究，大多采用了户籍和工作经验，结果基本都惊人地显著呢

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

2013-7-25 09:37:46

橙子群发表于 2013-7-24 19:52
首先非常感谢您的教诲，小弟基本功着实不扎实，见笑啦
模型中1是女性，0是男性，数据来自CHNS数据库，整 ...

首先，谈不到什么“教诲”。
文献是解读研究结果的重要参考，但是，这并不是说研究结果必须和文献保持一致。研究技术不同、样本特征不同都有可能出现与文献不一致的结果。当然，再次强调，如果研究结果与理论认识完全不同，或者颠覆文献较为一致的认识，那么很有可能是数据和研究方法出了问题。

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

西门庆.

2013-7-28 01:39:34

1.户籍、婚姻，也应该是dummy啊
2.不需要把gender用dummy放入回归，因为工资差异分解这个研究本身就要考虑不同性别的系数差异（实际上是不仅仅性别在截距上有差异，在边际效应上也有差异，如果要用dummy的话写成一个方程，也要在每个系数前加dummy，等同于分开回归）
3.你的这个回归结果还是可以的，educ显著。只是经验变量上与前人的不同，但是CHNS本身好像没有“经验”这个变量，你是怎么处理的呢？
4.既然主题是性别工资差异，那这部分的回归并不是文章重点，随便忽悠忽悠就行了

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

2013-7-28 10:10:15

西门庆. 发表于 2013-7-28 01:39
1.户籍、婚姻，也应该是dummy啊
2.不需要把gender用dummy放入回归，因为工资差异分解这个研究本身就要考虑 ...

经验按照通常方法：经验=年龄-教育年限-6
如果按照您的说法，我的户籍婚姻已经是虚拟变量了，如果不用 if gender==1来区别男女，那回归命令应该是什么呢？

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

西门庆.

2013-7-28 17:10:06

橙子群发表于 2013-7-28 10:10
经验按照通常方法：经验=年龄-教育年限-6
如果按照您的说法，我的户籍婚姻已经是虚拟变量了，如果不用 i ...

就是你一开始的命令那样，没问题。

关键是下面的分解

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