回归问题的置信区间AUC_互助问答第193期:倾向得分匹配法与面板数据问题

问题一:老师您好!我的问题是倾向得分匹配法之前要对匹配变量进行选择,我看见连玉君老师的一篇文章中主要是对处理变量和匹配变量做logit回归,然后根据准R方和AUC值判断,两者越大越好,通常来说AUC应该大于0.8,但是我现在论文选择不同匹配变量与处理变量做了5个模型回归,AUC值都为0.8附近,都是0.79几,这样可以吗?

问题二:关于面板数据有些问题想要咨询一下。数据是大N小T的某一行业的企业数据,其中包含企业性质这一几乎不随时间变化的变量,想请问一下老师在固定效应分析中还可以利用该变量以及该变量和一个连续变量生成的交互项吗?

3dfd5c939e7fde9bbaba60fde40fbd2a.png

回答一:可以。AUC值为0.8是个一般参考值。另可以参考psestimate命令筛选匹配变量的一阶及二阶形式。

回答二:可以。

往期回顾:

互助问答第191期:关于PSM-DID的问题

互助问答第190期:关于弱工具变量检验问题

互助问答第189期

互助问答第188期:倾向得分匹配检验问题

如果您在计量学习和实证研究中遇到问题,请及时发到邮箱szlw58@126.com,专业委员会有30多名编辑都会看,您的问题会得到及时关注!请您将问题描述清楚,任何有助于把问题描述清楚的细节都能使我们更方便地回答您的问题,提问细则参见:实证研究互助平台最新通知(点击文末阅读原文查看详情)

如果您想成为问题解答者,在帮助他人过程中巩固自己的知识,请发邮件至szlw58@126.com(优先)或给本公众号留言加微信793481976给群主留言,我们诚挚欢迎热心的学者和学生。具体招募信息请参见:实证研究互助平台志愿者团队招募公告

鲜活的事例更有助于提高您的研究水平,呆板的教科书让人生厌。如果您喜欢,请提出您的问题,也请转发推广!

(欢迎转发,欢迎分享转载请注明出处引用和合作请留言。本文作者拥有所有版权,原创文章最早发表于“学术苑”任何侵权行为将面临追责!)

学术指导:张晓峒老师

本期解答人:任婉婉老师

统筹:李丹丹

编辑:杨志媛

技术:林毅

c9e34d3c95e303a3538f424366bd5d09.png
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用 `multiclass_roc_auc_score()` 函数计算多类分类问题的 ROC AUC 分数,您需要进行以下步骤: 1. 导入 `multiclass_roc_auc_score()` 函数: ```python from sklearn.metrics import multiclass_roc_auc_score ``` 2. 将真实标签 `y_test` 和预测得分 `y_score` 作为参数传递给 `multiclass_roc_auc_score()` 函数,并指定 `average` 参数。`average` 参数指定了多类分类问题的 ROC AUC 分数如何计算。可以设置为以下值之一: - `'macro'`:对所有类别的 ROC 曲线分数进行平均,每个类别的权重相等。 - `'weighted'`:对所有类别的 ROC 曲线分数进行加权平均,每个类别的权重由其样本数占比决定。 - `None`:返回每个类别的 ROC 曲线分数。 例如,计算用于多类分类问题的加权平均 ROC AUC 分数的代码如下: ```python roc_auc = multiclass_roc_auc_score(y_test, y_score, average='weighted') ``` 3. `multiclass_roc_auc_score()` 函数会返回多类分类问题的 ROC AUC 分数。您可以将其打印到控制台或将其用于后续分析。 完整的代码示例如下: ```python from sklearn.metrics import multiclass_roc_auc_score # 计算多类分类问题的 ROC AUC 分数 roc_auc = multiclass_roc_auc_score(y_test, y_score, average='weighted') # 打印 ROC AUC 分数 print('ROC AUC score:', roc_auc) ``` 请注意,`multiclass_roc_auc_score()` 函数仅适用于多类分类问题。如果您的问题是二分类问题,请使用 `roc_auc_score()` 函数来计算 ROC AUC 分数。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值