两次回归为什么样本书数不同呀

这是全部回归结果，是不是因为红字部分？
logit y i.x1 x2 i.x3 i.x4 x5 i.x6 i.x7 i.x8 x9 x10 x11 x12 x13 x14 i.x15 i.x16 x17

note: 2.x6 omitted because of collinearity
Iteration 0:   log likelihood = -58246.158  
Iteration 1:   log likelihood = -51854.418  
Iteration 2:   log likelihood = -48136.113  
Iteration 3:   log likelihood = -47443.402  
Iteration 4:   log likelihood =  -47438.06  
Iteration 5:   log likelihood = -47438.052  
Iteration 6:   log likelihood = -47438.052  

Logistic regression                             Number of obs     =    200,859
                                                LR chi2(35)       =   21616.21
                                                Prob > chi2       =     0.0000
Log likelihood = -47438.052                     Pseudo R2         =     0.1856

------------------------------------------------------------------------------
           y |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
          x1 |
          1  |   .4718149   .0346343    13.62   0.000      .403933    .5396968
          2  |   .6283272   .0330494    19.01   0.000     .5635515    .6931029
          3  |   .9322624   .1154956     8.07   0.000     .7058952     1.15863
             |
          x2 |  -.4192662   .0411938   -10.18   0.000    -.5000046   -.3385278
             |
          x3 |
          1  |  -.1836634   .1375043    -1.34   0.182    -.4531668    .0858401
          2  |   .4551412   .1413565     3.22   0.001     .1780876    .7321948
             |
          x4 |
          1  |   .2339434   .0328446     7.12   0.000     .1695691    .2983176
          2  |   .4293368   .0322197    13.33   0.000     .3661874    .4924862
          3  |   .9393396   .0922715    10.18   0.000     .7584909    1.120188
             |
          x5 |  -.4211011   .0631085    -6.67   0.000    -.5447916   -.2974106
             |
          x6 |
          1  |  -1.473278   .3902056    -3.78   0.000    -2.238067   -.7084888
          2  |          0  (omitted)
             |
          x7 |
          1  |   .2980828   .0205875    14.48   0.000      .257732    .3384337
          2  |   .5295108   .0780472     6.78   0.000      .376541    .6824805
             |
          x8 |
          1  |   .3001549   .0372043     8.07   0.000     .2272358     .373074
          2  |   .2297675   .0486957     4.72   0.000     .1343257    .3252093
             |
          x9 |   .0619416   .0368217     1.68   0.093    -.0102276    .1341108
         x10 |     .25363   .0226662    11.19   0.000      .209205     .298055
         x11 |  -.0288401   .0022284   -12.94   0.000    -.0332076   -.0244726
         x12 |  -.1048126   .0026307   -39.84   0.000    -.1099687   -.0996564
         x13 |   .0474831    .002024    23.46   0.000     .0435162      .05145
         x14 |   .2520445   .0057665    43.71   0.000     .2407424    .2633466
             |
         x15 |
          1  |   .0408918   .1909203     0.21   0.830    -.3333051    .4150888
          2  |  -.0732107   .0398217    -1.84   0.066    -.1512599    .0048385
          3  |  -.4233089   .0309316   -13.69   0.000    -.4839336   -.3626841
          4  |   .1814394    .105979     1.71   0.087    -.0262757    .3891545
          5  |   .0617881   .0261066     2.37   0.018     .0106202     .112956
          6  |   .8798058   .1976234     4.45   0.000      .492471    1.267141
             |
         x16 |
          1  |   1.271473   .0333676    38.11   0.000     1.206073    1.336872
          2  |   .2234383   .0453185     4.93   0.000     .1346157    .3122609
          3  |   1.413815   .0427671    33.06   0.000     1.329993    1.497637
          4  |   .5885057    .043544    13.52   0.000     .5031609    .6738504
          5  |   .1490257   .0511969     2.91   0.004     .0486817    .2493698
          6  |   .6556352   .0683463     9.59   0.000     .5216789    .7895915
          7  |   1.253672   .0666869    18.80   0.000     1.122968    1.384375
             |
         x17 |   .3754281   .0178103    21.08   0.000     .3405205    .4103357
       _cons |  -5.407737   .1798913   -30.06   0.000    -5.760317   -5.055157
------------------------------------------------------------------------------

数据是存在缺失值
一种方式时候用e（sample）命令确定回归使用的样本
两个回归保持一致

搞定了，感谢！

大神，你是怎么搞定lrtest检验两组样本数量不一样的，求指教