Stata：Logit模型评介

原文链接：https://www.lianxh.cn/news/011888bd49e07.html

目录

• 1. Logit 模型的优点
  • 1.1 速度
  • 1.2 预测概率
  • 1.3 可解释性
  • 1.4 不变性
• 2. 基于 NHANES 数据 的 Stata 例证
  • 2.1 Logit 回归模型估计
  • 2.2 线性回归模型估计
  • 2.3 结果分析
• 3. 基于 Logit 模型的边际效应测度
  • 3.1 边际效应 `i.varname`
  • 3.2 平均边际效应（AME） `margins`
  • 3.3 平均值的边际效应（MEM）`margins`
  • 3.4 不同的年龄段黑人（AME）`margins`
• 4. 基于线性概率模型的估计
  • 4.1 预测概率及其范围的估计
  • 4.2 对数概率与预测概率范围的关系图
  • 4.3 线性概率模型估计
• 5. 结论
• 参考文献

前期相关推文

• 二元选择模型：Probit 还是 Logit ？
• 连享会·Logit/Probit 模型专题

 

原文：Logit 模型评介: Logit 模型的好处

Source 1: In Defense of Logit-Part 1
Source 2: In Defense of Logit-Part 2

在最近的一篇 博文 中，Paul von Hippel 对他之前关于线性概率模型的论点进行了扩展，他认为：在很多情况下，线性概率模型（通过普通最小二乘估计）比 Logit 回归模型更可取。并且在他发表的两篇文章中，von Hippel 提出了以下三个要点：

1. 在 0.20 到 0.80 的预测概率区间内，线性概率模型与 Logit 模型非常相近。即使在这个范围之外，如果区间很窄线性概率模型也可能做得很好。
2. 相对于概率函数比来说，人们更容易理解概率变化之比例。
3. OLS 回归比 Logit 回归运行快得多。

虽然我同意他的这些观点但是在绝大多数实际应用中，我依旧更喜欢使用Logit回归。在我2015年4月的文章中，我讨论了逻辑回归的一些特性，正因为这些特性使得它比其他非线性替代方法（如 probit 或互补对数）更具吸引力。但我没有将逻辑模型与线性概率模型进行比较。下面是我对 von Hippel 论点的看法，以及我为什么更喜欢 Logit 回归的原因。

原文链接：https://www.lianxh.cn/news/011888bd49e07.html