全部版块 我的主页
论坛 计量经济学与统计论坛 五区 计量经济学与统计软件 Stata专版
7220 5
2008-05-16
<p>新手求教,先多谢各位高手!</p><p>问题一:</p><p>如下表中变量的定义和单位以及回归结果,我在stata中做logit模型时,想得到类似的收入分组(以小于800元为参照组)的回归系数,我在输入数据时具体该怎么做?就是说:我想以最低等级的组为参照组,其他各组均与该参照组进行比较,在回归分析中我该怎么录入我的数据?具体应该怎么做?另外,这样分组与参照组比较得出的结果与直接按照定距变量的方式回归(只有一个回归系数),有什么不同的含义吗?  </p><p>变量                                          变量的定义和单位</p><p></p>月人均收入              小于800元组(参照组)=1;800-1500元组=2;1500-3000元组=3;3000-5000元组=4;大于5000元组=5<p></p><p></p><p>变量                                                          回归系数                     Z值                       P值</p><p></p>家庭月人均收入(800-1500元组)          -.1417572                    -0.63                     0.532<p></p><p></p>家庭月人均收入(1500-3000元组)        -.2602678                     -1.03                    0.304<p></p>家庭月人均收入(大于3000元组)          -.6557719                     -1.90*                   0.058<p></p><p></p><p>问题二:</p><p>如下表中,为什么很多文章中在做回归模型时,常数项也有边际效应?stata中mfx compute 命令求边际效应时也没有直接得出常数项的边际效应,如果这样的常数项边际效应是有意义的,那么stata中该怎么求常数项边际效应?</p><p>变量           回归系数       Z值            P值            边际效应</p><p></p>常数项      1.033517      1.86*          0.064        0.25837925<p></p><p></p>

[此贴子已经被作者于2008-5-16 12:28:25编辑过]

二维码

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
2012-5-18 10:17:35
我也正在找,好像现在用margins, dydx(*),不过离散的因子变量都估计不出来
二维码

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

2012-5-18 10:39:55
. webuse margex
(Artificial data for margins)
. logit outcome i.sex i.group sex#group age, vce(robust)

Iteration 0:   log pseudolikelihood = -1366.0718  
Iteration 1:   log pseudolikelihood = -1100.3054  
Iteration 2:   log pseudolikelihood = -1052.9586  
Iteration 3:   log pseudolikelihood = -1051.4452  
Iteration 4:   log pseudolikelihood = -1051.4383  
Iteration 5:   log pseudolikelihood = -1051.4383  

Logistic regression                               Number of obs   =       3000
                                                  Wald chi2(6)    =     381.86
                                                  Prob > chi2     =     0.0000
Log pseudolikelihood = -1051.4383                 Pseudo R2       =     0.2303

------------------------------------------------------------------------------
             |               Robust
     outcome |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       1.sex |  -.1486283   .1724598    -0.86   0.389    -.4866433    .1893867
             |
       group |
          2  |  -1.660621   .2405489    -6.90   0.000    -2.132088   -1.189154
          3  |  -1.886826    .321239    -5.87   0.000    -2.516443   -1.257209
             |
   sex#group |
        1 2  |   1.587323   .2820969     5.63   0.000     1.034423    2.140222
        1 3  |    .675973    .812765     0.83   0.406    -.9170172    2.268963
             |
         age |   .0915069   .0063334    14.45   0.000     .0790937    .1039202
       _cons |  -5.079056   .3477436   -14.61   0.000    -5.760621   -4.397491
------------------------------------------------------------------------------

. margins sex group, vce(unconditional)

Predictive margins                                Number of obs   =       3000

Expression   : Pr(outcome), predict()

------------------------------------------------------------------------------
             |            Unconditional
             |     Margin   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         sex |
          0  |   .1600644   .0131685    12.16   0.000     .1342546    .1858743
          1  |   .1966902   .0104563    18.81   0.000     .1761963    .2171841
             |
       group |
          1  |   .2251302   .0127069    17.72   0.000      .200225    .2500354
          2  |    .150603   .0118399    12.72   0.000     .1273972    .1738088
          3  |   .0736157   .0343188     2.15   0.032     .0063522    .1408793
------------------------------------------------------------------------------

. margins, dydx(*) vce(unconditional)

Average marginal effects                          Number of obs   =       3000

Expression   : Pr(outcome), predict()
dy/dx w.r.t. : 1.sex 2.group 3.group age

------------------------------------------------------------------------------
             |            Unconditional
             |      dy/dx   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       1.sex |   .0366258   .0163029     2.25   0.025     .0046727    .0685788
             |
       group |
          2  |  -.0745272   .0174613    -4.27   0.000    -.1087506   -.0403037
          3  |  -.1515145   .0370448    -4.09   0.000     -.224121    -.078908
             |
         age |   .0101952   .0006414    15.90   0.000     .0089381    .0114522
------------------------------------------------------------------------------
Note: dy/dx for factor levels is the discrete change from the base level.

二维码

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

2012-5-18 10:41:20
怎么估计不出来?
人家提供的例子中sex、group就是离散的
二维码

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

2013-2-6 14:28:53
学习了
二维码

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

2014-7-15 14:46:59
蓝色 发表于 2012-5-18 10:39
. webuse margex
(Artificial data for margins)
. logit outcome i.sex i.group sex#group age, vce(rob ...
这个边际效应的回归结果怎么解释呢?谢谢
二维码

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

相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群