Performing EM optimization:

Performing gradient-based optimization:

Iteration 0:   log likelihood = -61740.068  
Iteration 1:   log likelihood = -61712.603  
Iteration 2:   log likelihood = -61711.857  
Iteration 3:   log likelihood = -61711.856  

Computing standard errors:

Mixed-effects ML regression                     Number of obs     =    109,590
Group variable: code2                           Number of groups  =        703

                                                Obs per group:
                                                              min =         24
                                                              avg =      155.9
                                                              max =      2,852

                                                Wald chi2(66)     =   10543.24
Log likelihood = -61711.856                     Prob > chi2       =     0.0000

------------------------------------------------------------------------------
         ine |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         mmw |   .0684927   .0253297     2.70   0.007     .0188475     .118138
      gender |   -.008327   .0027271    -3.05   0.002     -.013672    -.002982
             |
         Hjd |
       天津  |   .0084668   .0548786     0.15   0.877    -.0990933    .1160268
       河北  |   .0188265   .0472165     0.40   0.690    -.0737161     .111369
       山西  |   .0036232   .0480007     0.08   0.940    -.0904565    .0977028
     内蒙古  |  -.0266191   .0480205    -0.55   0.579    -.1207375    .0674993
       辽宁  |  -.0002296    .048169    -0.00   0.996     -.094639    .0941798
       吉林  |  -.0353641    .048164    -0.73   0.463    -.1297639    .0590357
     黑龙江  |  -.0430188      .0476    -0.90   0.366    -.1363131    .0502755
       上海  |   .0313351   .0645634     0.49   0.627    -.0952069     .157877
       江苏  |   .0142282   .0472009     0.30   0.763    -.0782838    .1067403
       浙江  |    .004899   .0479371     0.10   0.919    -.0890561     .098854
       安徽  |  -.0249641   .0470194    -0.53   0.595    -.1171205    .0671922
       福建  |   .0034491   .0476772     0.07   0.942    -.0899965    .0968947
       江西  |  -.0332376   .0472418    -0.70   0.482    -.1258298    .0593546
       山东  |   .0151626   .0472306     0.32   0.748    -.0774076    .1077329
       河南  |  -.0015092   .0470244    -0.03   0.974    -.0936753    .0906568
       湖北  |  -.0246465   .0472122    -0.52   0.602    -.1171807    .0678877
       湖南  |  -.0080177   .0472748    -0.17   0.865    -.1006746    .0846392
       广东  |  -.0084127   .0475211    -0.18   0.859    -.1015523     .084727
       广西  |  -.0208227   .0476644    -0.44   0.662    -.1142432    .0725978
       海南  |  -.0015838   .0489851    -0.03   0.974    -.0975928    .0944253
       重庆  |  -.0207353   .0474242    -0.44   0.662    -.1136849    .0722143
       四川  |  -.0326488   .0470433    -0.69   0.488    -.1248519    .0595543
       贵州  |  -.0750757    .047433    -1.58   0.113    -.1680427    .0178914
       云南  |  -.0232891   .0481245    -0.48   0.628    -.1176113    .0710331
       陕西  |   .0177473   .0477055     0.37   0.710    -.0757538    .1112485
       甘肃  |  -.0097845   .0479119    -0.20   0.838      -.10369    .0841211
       青海  |  -.0796821   .0546957    -1.46   0.145    -.1868837    .0275194
       宁夏  |   .0251755   .0501936     0.50   0.616    -.0732022    .1235532
             |
       minzu |  -.0059514   .0059786    -1.00   0.320    -.0176693    .0057665
             |
         Edu |
       小学  |    .027968   .0135191     2.07   0.039      .001471     .054465
       初中  |    .116064   .0132093     8.79   0.000     .0901742    .1419537
       高中  |   .2169951    .013516    16.05   0.000     .1905041     .243486
       中专  |   .3019154   .0139014    21.72   0.000     .2746692    .3291617
   大学专科  |   .3402454   .0141776    24.00   0.000     .3124577    .3680331
   大学本科  |   .3735814   .0161868    23.08   0.000     .3418559    .4053068
     研究生  |   .3758342   .0367153    10.24   0.000     .3038735    .4477948
             |
       hukou |   .0463394   .0038814    11.94   0.000     .0387321    .0539467
        fmsz |   -.016473   .0014645   -11.25   0.000    -.0193434   -.0136025
             |
        year |
       2016  |   .0170205   .0161736     1.05   0.293    -.0146792    .0487203
             |
         age |   -.000018   .0001842    -0.10   0.922    -.0003792    .0003431
      ldtime |   .0018227   .0003168     5.75   0.000     .0012018    .0024436
       Marry |   .0412719   .0038372    10.76   0.000     .0337512    .0487927
             |

       _cons |   .4740246   .0557349     8.50   0.000     .3647862     .583263
------------------------------------------------------------------------------

------------------------------------------------------------------------------
  Random-effects Parameters  |   Estimate   Std. Err.     [95% Conf. Interval]
-----------------------------+------------------------------------------------
code2: Independent           |
             sd(人均G~元)    |   4.28e-08          .             .           .
              sd(第二~比)    |   .0036812          .             .           .
              sd(第三~比)    |   .0030445          .             .           .
              sd(人均~里)    |    .110739          .             .           .
              sd(人均~资)    |   4.35e-08          .             .           .
                   sd(_cons) |   2.40e-07          .             .           .
-----------------------------+------------------------------------------------
                sd(Residual) |   .4195853          .             .           .
------------------------------------------------------------------------------
LR test vs. linear model: chi2(6) = 6968.22               Prob > chi2 = 0.0000

Note: LR test is conservative and provided only for reference.
Conditional intraclass correlation

------------------------------------------------------------------------------
                       Level |        ICC   Std. Err.     [95% Conf. Interval]
-----------------------------+------------------------------------------------
                       code2 |   3.26e-13          0      3.26e-13    3.26e-13
------------------------------------------------------------------------------


1.层二结果怎么解释？
2.结果适合用多层次模型吗？