. mlogit type  lngdp wage1 bodsize1 dlsize1 holdfirst1 part1 change1 wage1  sharehold1 man1 woman1
>  age1 lnsize1   lnwxsize1 lnpeople1 cf1 intangible1 i.schedule  grow1 lev1 roe1 roa1 i.year i.in
> d2

note: wage1 omitted because of collinearity
note: woman1 omitted because of collinearity
Iteration 0:   log likelihood = -374.03815  
Iteration 1:   log likelihood = -339.62886  
Iteration 2:   log likelihood = -334.29776  
Iteration 3:   log likelihood = -334.01155  
Iteration 4:   log likelihood = -333.95174  
Iteration 5:   log likelihood =  -333.9377  
Iteration 6:   log likelihood = -333.93482  
Iteration 7:   log likelihood = -333.93433  
Iteration 8:   log likelihood = -333.93428  
Iteration 9:   log likelihood = -333.93427  

Multinomial logistic regression                   Number of obs   =        504
                                                  LR chi2(64)     =      80.21
                                                  Prob > chi2     =     0.0831
Log likelihood = -333.93427                       Pseudo R2       =     0.1072

------------------------------------------------------------------------------
        type |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
1            |  (base outcome)
-------------+----------------------------------------------------------------
2            |
       lngdp |   .2368556   .1625327     1.46   0.145    -.0817027     .555414
       wage1 |   .5589834   .7519465     0.74   0.457    -.9148047    2.032772
    bodsize1 |  -.2214178   .0974125    -2.27   0.023    -.4123428   -.0304927
     dlsize1 |  -3.764138   2.686607    -1.40   0.161    -9.029791    1.501515
  holdfirst1 |  -.0013271   .0088208    -0.15   0.880    -.0186155    .0159614
       part1 |  -.0756977   .2800234    -0.27   0.787    -.6245335    .4731381
     change1 |   .0006076   .0005349     1.14   0.256    -.0004408    .0016559
       wage1 |          0  (omitted)
  sharehold1 |   .8083242   .6116614     1.32   0.186    -.3905101    2.007158
        man1 |  -.0088064   .7877501    -0.01   0.991    -1.552768    1.535156
      woman1 |          0  (omitted)
        age1 |    .005023   .0107087     0.47   0.639    -.0159656    .0260116
     lnsize1 |   .1254579    .187536     0.67   0.504    -.2421059    .4930216
   lnwxsize1 |  -.1022527   .1248136    -0.82   0.413    -.3468828    .1423775
   lnpeople1 |   .0573832   .1558572     0.37   0.713    -.2480914    .3628577
         cf1 |   .8740821   1.024152     0.85   0.393    -1.133219    2.881383
intangible1 |   .3309451   3.413433     0.10   0.923     -6.35926    7.021151
             |
    schedule |
          2  |   14.88965   826.1804     0.02   0.986    -1604.394    1634.173
          3  |   14.07625   826.1803     0.02   0.986    -1605.207     1633.36
          4  |   14.27648   826.1803     0.02   0.986    -1605.007     1633.56
             |
       grow1 |   .0014608   .0022868     0.64   0.523    -.0030212    .0059428
        lev1 |   .0128192   .0074908     1.71   0.087    -.0018626    .0275009
        roe1 |  -.0061648   .0188855    -0.33   0.744    -.0431797      .03085
        roa1 |   -.019477    .035016    -0.56   0.578    -.0881071    .0491532

为什么要必须等于0？P值小于0.05，显著不就行了

但是看现在很多的实证分析上面，这个基本上都等于0.0000，，我刚刚接触这个，不太懂
所以，你的意思，我这个符合要求，现在就看下面的P>/t/这个东西就行了是么

你的模型中很多变量的系数都不显著，可能是你选取的变量过多，剔除掉不相关的变量和共线性的变量，再试试，只要显著就行，不用管P值是不是为0

谢谢你拉，这个我最后还是因为解释变量的显著性不好，转做其他的了