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
4892 4
2015-04-06
我接下来准备进行显著性分析,但是数据显著的好少。。想请教大神们,我接下来该如何处理?

Ordered logistic regression                       Number of obs   =        505
                                                  LR chi2(47)     =      90.10
                                                  Prob > chi2     =     0.0002
Log likelihood = -57.396594                       Pseudo R2       =     0.4397

------------------------------------------------------------------------------
willingness |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      gender |   .5958861    .696034     0.86   0.392    -.7683155    1.960088
         age |  -.1040043   .0328105    -3.17   0.002    -.1683117   -.0396969
      junior |   12.88047   3301.628     0.00   0.997    -6458.192    6483.953
      senior |   11.41895   3301.629     0.00   0.997    -6459.654    6482.492
  university |   11.02672   3301.629     0.00   0.997    -6460.046      6482.1
  noreligion |  -1.491643   8.446589    -0.18   0.860    -18.04665    15.06337
    buddhism |   .3006055   8.420164     0.04   0.972    -16.20261    16.80382
otherrelig~n |  -.4642088   8.473095    -0.05   0.956    -17.07117    16.14275
businessman |    .579737   .2119733     2.73   0.006     .1642769    .9951971
teacher_do~k |   2.280551   1.354211     1.68   0.092     -.373655    4.934756
free_profe~n |   .3283207   .8679861     0.38   0.705    -1.372901    2.029542
   otherwork |   1.439926   .9145676     1.57   0.115    -.3525939    3.232445
    decision |   1.075329   .8415668     1.28   0.201    -.5741113     2.72477
familynumb~s |  -.1236159   .2633305    -0.47   0.639    -.6397341    .3925023
       child |   .9622938   .7545695     1.28   0.202    -.5166353    2.441223
     income1 |   .0507315   71.36812     0.00   0.999    -139.8282    139.9297
     income2 |   .1738886   71.37057     0.00   0.998    -139.7099    140.0576
     income3 |  -1.117104    71.3775    -0.02   0.988    -141.0144    138.7802
   frequency |    .028704   .4532851     0.06   0.950    -.8597184    .9171264
     consume |  -.0013918   .0018245    -0.76   0.446    -.0049678    .0021842
       heard |   -.989246   .6739309    -1.47   0.142    -2.310126    .3316343
      bought |   .3733213   .8258584     0.45   0.651    -1.245331    1.991974
      office |   1.307363   .4467973     2.93   0.003     .4316567     2.18307
        pack |  -.2952653   .4134639    -0.71   0.475     -1.10564    .5151091
        harm |  -.5036708   .2336732    -2.16   0.031    -.9616619   -.0456798
commonmutt~m |   .6294959   .3366884     1.87   0.062    -.0304012    1.289393
drug_remain |   -.115847   .3315062    -0.35   0.727    -.7655872    .5338932
        risk |  -.1312077    .148495    -0.88   0.377    -.4222526    .1598371
       brand |   .0247406   .2901837     0.09   0.932    -.5440089    .5934901
        area |  -2.545137   .8882732    -2.87   0.004    -4.286121    -.804154
     quality |  -.7380446   .7481022    -0.99   0.324    -2.204298    .7282088
certificate |  -.2985141   .7295237    -0.41   0.682    -1.728354    1.131326
   nutrition |  -.3212375   .6802458    -0.47   0.637    -1.654495     1.01202
       price |   .5125021   .9044316     0.57   0.571    -1.260151    2.285155
transgenosis |  -.6897848   .9547334    -0.72   0.470    -2.561028    1.181458
  protection |  -1.274193   1.159663    -1.10   0.272    -3.547091    .9987057
      price1 |   -.063381   .0229581    -2.76   0.006    -.1083781   -.0183838
willingness1 |  -2.793654   1.289322    -2.17   0.030    -5.320679   -.2666284
      price2 |   .0108072   .0231849     0.47   0.641    -.0346344    .0562487
willingness2 |  -.5875318   .8252558    -0.71   0.477    -2.205004     1.02994
  finalprice |   .0136633   .0303833     0.45   0.653    -.0458868    .0732135
pinyinlable |  -.4336775   .6109077    -0.71   0.478    -1.631034    .7636795
    govlable |  -1.239354   1.013189    -1.22   0.221    -3.225167    .7464593
     chaoshi |   .6251946   .9432762     0.66   0.507    -1.223593    2.473982
caishichang |  -1.292808   .7940842    -1.63   0.104    -2.849184    .2635687
zhuanyingd~n |   .2506933   .8856108     0.28   0.777    -1.485072    1.986459
        qita |  -13.26424   1833.543    -0.01   0.994    -3606.943    3580.415
-------------+----------------------------------------------------------------
       /cut1 |   5.563715   3302.413                     -6467.048    6478.175
------------------------------------------------------------------------------


.


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
2015-4-7 01:02:29
自己顶一下
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

2015-8-28 11:01:37
类别变量不知是否处理为虚拟变量了;不知道在构建模型前有没有对原始数据做一些预处理,如极端异常值,多重共线性等问题,不知道原始数据是否基本符合正态分布,这些问题都可能影响你模型的结果的。祝好运。
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

2017-1-23 08:39:35
是不是可以先去掉一些变量? 变量太多了吧。这么少数据。
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

2017-1-23 09:05:12
r2不小,t值偏小,建议考虑一下共线性问题
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