方文龙 发表于 2021-1-17 10:29 
您好，结果如下
本人才疏学浅，以下仅为个人观点，不一定对啊，仅供参考。
F=(ESS/K)/(RSS/(n-k-1)）
ESS表示
回归平方和(Explained Sum of Squares)是y的估计值-y的平均值的离差平方和
RSS表示残差平方和(Reidual Sum of Square)
平方和/自由度=均方，回归均方MSR=RSS / (k-1)、误差均方MSR=RSS /(n-k-1)
如果F或其置信区间等于0的话，可能是ESS非常小或RSS非常大导致的，即要么y的估计值十分接近y的平均值，此时为过度拟合状态，该估计可舍弃；要么估计精度很差使得残差非常大，此时估计结果同样可舍弃。
综上，三门槛的结果有问题，舍弃即可）。在结果选用时，可解释“因三门槛模型所得F值及其置信区间均为0，该结果为无效估计，舍弃，选择双门槛模型。”
如果一定还想再试试三门槛模型，那就只能对数据做缩尾处理、改变指标计算方法或者增减变量，再看看结果的情况。
本质上，门槛模型回归应该依然使用的是OLS估计法，如果你有（0,1）被解释变量，那应该使用MLE估计法，根据分布选择Logit还是Probit。使用OLS估计（0,1）被解释变量，结果就是LPM模型。
从开发门槛模型的初衷或者现阶段技术和程序水平而言，仍旧主要针对数值型被解释变量，似乎并没有针对（0,1）被解释变量；故而以门槛模型估计（0,1）被解释变量会带来一些意想不到的不良结果。
Paul Allison发文指出，Logit （Probit同理）优于 LPM的主要原因包括：（1）LPM 可能会产生无效的概率预测值，而 Logit 不会。由于 LPM 的被解释变量是 1 和 0，在进行线性回归时，最终得到的概率预测值可能大于 1 或小于 0，然而这是无效的概率预测值。（2）第二，对于二分类的情况，Logit 的系数及估计值将比 LPM 更稳定；LPM 不是真实的产生二分结果的机制。（3）第三，Logit 模型受解释变量间相互作用影响小，参数更加稳定。
综上， 不建议将数值型的被解释变量转化为（0,1）定性变量，以来会导致信息量的巨大损失，二来在计量上不好估计。
如果你的数据确定是平衡面板，建议使用
王永群的xthreg.ado，这个经过Stata认证过，意想不到的bug会少一些。注意，因为我没有探索过的原因，在相同条件下，王永群的xthreg.ado和连玉君的xtthres.ado的估计结果可能会有差异。
扫码加好友，拉您进群
全部版块
我的主页
收藏
