秒懂小罗肥归：logit与mlogit详解

全文阅读：https://www.lianxh.cn/news/e7215baf788bf.html

1. 离散模型简介

被解释变量为离散变量的模型被称为离散选择模型。若作进一步区分则有：

• 二值选择模型：模型的被解释变量是二值变量 (是否读博，是否出国留学等)；
• 多值选择模型：模型的被解释变量是多值离散变量 (企业多元化战略的选择，资产组风险资产的数量选择等)。

针对离散选择模型，考虑到被解释变量的连续性性态得不到满足，故常常不用 OLS 进行回归 (拿到一笔数据，迫不及待地想初步一览相关性的情况除外)。针对离散选择模型，实证工作中可根据被解释变量的分布函数，依情况采用 Logit, Probit, mlogit, mprobit, ologit, oprobit, negatibe binomial, zero-inflated negative binomial, poisson, zero-inflated poisson 等模型进行回归。

由于 Probit 模型的解释不如 Logit 模型直观，因此相对 Logit 模型而言，其使用范围和频数还是相当有限的。Logit 模型在实证研究中已被广泛使用，且其理论与实际的契合度也受到了学界的高度认可。

虽然本文的出发点是介绍文献中出现频数亦日渐高企的 mlogit 模型，但是鉴于不少读者对 Logit 模型的解读存在偏差，且 Logit 模型是 mlogit 模型的源起，因此在本文中，我力求以精简的语言、从 Stata 应用与模型解读的角度出发，将先行介绍 mlogit 模型的鼻祖—— Logit 模型，而后再对 mlogit 模型进行阐释。

本文将 Logit 和 mlogit 统称为 小罗。

全文阅读：https://www.lianxh.cn/news/e7215baf788bf.html