stata學(xué)習(xí)筆記(編輯修改稿)
2025-08-31 23:26 本頁面
【文章內(nèi)容簡介】 示與兩步GMM系數(shù)估計值相差不大。如果希望將以上各估計值級標(biāo)準(zhǔn)誤弄在同一張表中：qui reg lw s expr tenure rns smsa,r. est sto ols_no_iq. qui reg lw iq s expr tenure rns smsa,r. est sto ols_with_iq. qui ivregress 2sls lw s expr tenure rns smsa (iq=med kww),r. est sto tsls. qui ivregress liml lw s expr tenure rns smsa (iq=med kww),r. est sto liml. qui ivregress gmm lw s expr tenure tns smsa (iq=med kww). qui ivregress gmm lw s expr tenure rns smsa (iq=med kww). est sto gmm. qui ivregress gmm lw s expr tenure rns smsa (iq=med kww),igmm. est sto igmm. estimates table ols_no_iq ols_with_iq tsls liml gmm igmm,b se其中，選項b表示顯示回歸系數(shù)，se表示顯示標(biāo)準(zhǔn)誤差如果希望用一顆星表示10%顯著性水平等等：如果想像論文一樣顯示，則如下表：se表示在括弧中顯示標(biāo)準(zhǔn)誤差，p表示顯示P值，r2表示顯示R的平方，mtitle顯示使用模型名字，二值選擇模型離散選擇模型、定性反應(yīng)模型或被解釋變量取非負(fù)整數(shù)時，都不適宜使用OLS回歸。 二值選擇模型：只有兩種選擇，是否。Probit y x1 x2 x3,r (probit模型)Logit y x1 x2 x3,or vce（cluster clustvar） （logit模型）其中，r代表使用穩(wěn)健標(biāo)準(zhǔn)誤，or顯示幾率比而不是系數(shù)，vce表示使用以clustvar為聚類變量的聚類穩(wěn)健標(biāo)準(zhǔn)誤。Stata舉例：美國婦女就業(yè)與否的二值選擇模型。然后使用logit進(jìn)行估計：結(jié)果顯示所有系數(shù)的聯(lián)合顯著性很高，繼續(xù)使用穩(wěn)健標(biāo)準(zhǔn)誤進(jìn)行l(wèi)ogit回歸：對比以上兩個表格顯示標(biāo)準(zhǔn)誤相差不大，因此不用擔(dān)心模型設(shè)定問題。二值選擇模型中的異方差問題：hetprob y x1 x2 x3,het(varlist)，如果接受原假設(shè)則為同方差。此外，二值選擇模型中一般都沒有擾動項的存在。二值選擇模型中的異方差問題可以進(jìn)行似然比檢驗(yàn)（LR）：hetprob y x1 x2 x3,het(varlist)(這是在異方差情況下進(jìn)行Probit估計的stata命令，het（varlist）制定對擾動項方差有影響的所有變量，如het（age married children）)，LR檢驗(yàn)原假設(shè)為同方差。多值選擇模型個體面臨的選擇有時是多值的，因此可能需要使用到多項probit或多項logit，或者在有某項條件時需要用到條件logit，還有在不隨方案而變的多項logit模型和解釋變量隨方案而變的條件logit模型混合的logit模型。舉例來說，問卷調(diào)查將受訪者職業(yè)分為五類（OCC），解釋變量為是否白人、受教育年限、工齡，解釋變量都依賴于個體而不依賴于方案，因此使用多項logit或多項probit回歸：進(jìn)行多項logit回歸：上述結(jié)果說明白人更不可能選擇服務(wù)業(yè)或工匠；是否白人對選擇藍(lán)領(lǐng)或白領(lǐng)沒顯著影響。排序與計數(shù)模型 泊松回歸：被解釋變量只能取非負(fù)整數(shù)，即0,1,2….，這時常用泊松回歸。Poisson y x1 x2 x3,r irrPoisson y x1 x2 x3,r exposure(x1)Poisson y x1 x2 x3,r offset(x1)其中，r為穩(wěn)健標(biāo)準(zhǔn)誤，irr為顯示發(fā)生率比，exposure表示把inx1作為解釋變量并使其系數(shù)為1，offset表示將x1作為解釋變量并使其系數(shù)為1. 負(fù)二項回歸：泊松回歸的局限是泊松分布的期望與方差一定相等，但如果被解釋變量的方差明顯大于期望，即存在過度分散，這時候可以使用負(fù)二項回歸。Nbreg y x1 x2 x3,r exposure(x1)Nbreg y x1 x2 x3,r dispersion(constant) offset(x1)其中dispersion（constant）表示使用NB1模型。 零膨脹泊松回歸與負(fù)二項回歸：如計數(shù)數(shù)據(jù)中包含大量0值，則可以使用零膨脹泊松回歸或零膨脹負(fù)二項回歸。如果vuong統(tǒng)計量很大為正數(shù)，則應(yīng)該使用零膨脹泊松回歸，如果統(tǒng)計量很小為負(fù)數(shù)，則使用零膨脹負(fù)二項回歸。Zip y x1 x2 x3,inflate(varlist) vuong(零膨脹泊松回歸)
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1