没有人知道吗？xtprobit回归的因变量是二元变量，这没错吧。可是为什么mfx compute以后边际效应与回归系数相同呢？

. use "D:\Dataset_program\stata10dataset\allDfiles\union.dta", clear
(NLS Women 14-24 in 1968)

. xtprobit union age grade i.not_smsa south##c.year, pa

Iteration 1: tolerance = .12544249
Iteration 2: tolerance = .0034686
Iteration 3: tolerance = .00017448
Iteration 4: tolerance = 8.382e-06
Iteration 5: tolerance = 3.997e-07

GEE population-averaged model                   Number of obs      =     26200
Group variable:                     idcode      Number of groups   =      4434
Link:                               probit      Obs per group: min =         1
Family:                           binomial                     avg =       5.9
Correlation:                  exchangeable                     max =        12
                                                Wald chi2(6)       =    242.57
Scale parameter:                         1      Prob > chi2        =    0.0000

------------------------------------------------------------------------------
       union |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         age |   .0089699   .0053208     1.69   0.092    -.0014586    .0193985
       grade |   .0333174   .0062352     5.34   0.000     .0210966    .0455382
  1.not_smsa |  -.0715717    .027543    -2.60   0.009    -.1255551   -.0175884
     1.south |  -1.017368    .207931    -4.89   0.000    -1.424905   -.6098308
        year |  -.0062708   .0055314    -1.13   0.257    -.0171122    .0045706
             |
south#c.year |
          1  |   .0086294     .00258     3.34   0.001     .0035727     .013686
             |
       _cons |  -.8670997    .294771    -2.94   0.003     -1.44484   -.2893592
------------------------------------------------------------------------------

. margins, dydx(*)

Average marginal effects                          Number of obs   =      26200
Model VCE    : Conventional

Expression   : Pr(union != 0), predict()
dy/dx w.r.t. : age grade 1.not_smsa 1.south year

------------------------------------------------------------------------------
             |            Delta-method
             |      dy/dx   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         age |   .0025337   .0015035     1.69   0.092    -.0004132    .0054805
       grade |   .0094109   .0017566     5.36   0.000      .005968    .0128537
  1.not_smsa |  -.0199744   .0075879    -2.63   0.008    -.0348464   -.0051023
     1.south |  -.0910805   .0073315   -12.42   0.000      -.10545    -.076711
        year |   -.000938   .0015413    -0.61   0.543    -.0039589    .0020828
------------------------------------------------------------------------------
Note: dy/dx for factor levels is the discrete change from the base level.

stata 帮助文件里面都有这些东东

谢谢蓝色版主。但是还有问题不明白。我用xtprobit 帮助文件里的数据和命令做了一下，结果如下。
先做了xtprobit ....,pa 然后用mfx compute计算出的dy/dx 与之前回归的系数不同，这种结果应该是我想要的。可是我想做的是随机效应模型。接着用您给的命令margins,dydx(*)，可是提示命令不正确。
然后我做了xtprobit....,re，用mfx compute计算出的dy/dx 与之前回归的系数相同，这与我用自己的数据做出的结果是一样的。

. webuse union
(NLS Women 14-24 in 1968)

. xtprobit union age grade not_smsa south  southXt, pa

Iteration 1: tolerance = .04796083
Iteration 2: tolerance = .00352657
Iteration 3: tolerance = .00017886
Iteration 4: tolerance = 8.654e-06
Iteration 5: tolerance = 4.150e-07

GEE population-averaged model                   Number of obs      =     26200
Group variable:                     idcode      Number of groups   =      4434
Link:                               probit      Obs per group: min =         1
Family:                           binomial                     avg =       5.9
Correlation:                  exchangeable                     max =        12
                                                Wald chi2(5)       =    241.66
Scale parameter:                         1      Prob > chi2        =    0.0000

------------------------------------------------------------------------------
       union |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         age |   .0031597   .0014678     2.15   0.031     .0002829    .0060366
       grade |   .0329992   .0062334     5.29   0.000      .020782    .0452163
    not_smsa |  -.0721799   .0275189    -2.62   0.009    -.1261159   -.0182439
       south |   -.409029   .0372213   -10.99   0.000    -.4819815   -.3360765
     southXt |   .0081828    .002545     3.22   0.001     .0031946    .0131709
       _cons |  -1.184799   .0890117   -13.31   0.000    -1.359259    -1.01034
------------------------------------------------------------------------------

. mfx compute

Marginal effects after xtprobit
      y  = normprob(xb) (predict)
         =   .2048386
------------------------------------------------------------------------------
variable |      dy/dx    Std. Err.     z    P>|z|  [    95% C.I.   ]      X
---------+--------------------------------------------------------------------
     age |   .0008973      .00042    2.15   0.032    .00008  .001715   30.4322
   grade |   .0093715      .00177    5.30   0.000   .005904  .012839   12.7615
not_smsa*|  -.0202326      .00761   -2.66   0.008  -.035144 -.005321   .283702
   south*|  -.1125259      .00983  -11.45   0.000  -.131795 -.093257   .413015
southXt |   .0023238      .00072    3.22   0.001   .000908  .003739   3.96874
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

. margins, dydx(*)
unrecognized command:  margins
r(199);

. xtprobit union age grade not_smsa south  southXt,re

Fitting comparison model:

Iteration 0:   log likelihood =  -13864.23
Iteration 1:   log likelihood = -13548.436
Iteration 2:   log likelihood = -13547.308
Iteration 3:   log likelihood = -13547.308

Fitting full model:

rho =  0.0     log likelihood = -13547.308
rho =  0.1     log likelihood = -12239.207
rho =  0.2     log likelihood = -11591.449
rho =  0.3     log likelihood = -11212.156
rho =  0.4     log likelihood = -10982.153
rho =  0.5     log likelihood = -10853.488
rho =  0.6     log likelihood = -10809.372
rho =  0.7     log likelihood =  -10866.13

Iteration 0:   log likelihood = -10808.301  
Iteration 1:   log likelihood = -10599.612  
Iteration 2:   log likelihood = -10552.389  
Iteration 3:   log likelihood = -10552.327  
Iteration 4:   log likelihood = -10552.327  

Random-effects probit regression                Number of obs      =     26200
Group variable: idcode                          Number of groups   =      4434

Random effects u_i ~ Gaussian                   Obs per group: min =         1
                                                               avg =       5.9
                                                               max =        12

                                                Wald chi2(5)       =    220.73
Log likelihood  = -10552.327                    Prob > chi2        =    0.0000

------------------------------------------------------------------------------
       union |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         age |   .0046532   .0025134     1.85   0.064     -.000273    .0095795
       grade |   .0481056   .0099402     4.84   0.000     .0286232    .0675881
    not_smsa |  -.1401136   .0460446    -3.04   0.002    -.2303594   -.0498679
       south |  -.6428989   .0619944   -10.37   0.000    -.7644058    -.521392
     southXt |   .0130454   .0043914     2.97   0.003     .0044384    .0216525
       _cons |  -1.872166   .1455716   -12.86   0.000    -2.157481   -1.586851
-------------+----------------------------------------------------------------
    /lnsig2u |   .6105518   .0458732                      .5206419    .7004617
-------------+----------------------------------------------------------------
     sigma_u |   1.356999    .031125                      1.297346    1.419395
         rho |   .6480667   .0104626                      .6272979    .6682901
------------------------------------------------------------------------------
Likelihood-ratio test of rho=0: chibar2(01) =  5989.96 Prob >= chibar2 = 0.000

. browse

. mfx compute

Marginal effects after xtprobit
      y  = Linear prediction (predict)
         = -1.3701643
------------------------------------------------------------------------------
variable |      dy/dx    Std. Err.     z    P>|z|  [    95% C.I.   ]      X
---------+--------------------------------------------------------------------
     age |   .0046532      .00251    1.85   0.064  -.000273  .009579   30.4322
   grade |   .0481056      .00994    4.84   0.000   .028623  .067588   12.7615
not_smsa*|  -.1401136      .04604   -3.04   0.002  -.230359 -.049868   .283702
   south*|  -.6428989      .06199  -10.37   0.000  -.764406 -.521392   .413015
southXt |   .0130454      .00439    2.97   0.003   .004438  .021652   3.96874
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

到底是否应该相当你不要从软件这里看
你要用公式推导出边际影响的公式来。才能判断