wald检验_笔记:分位数回归斜率相等性检验(Wald检验)

首先我并不是统计学、数学类专业的,对很多统计模型搞不明白的,下文所写也仅是学渣的学习笔记吧,都是些基础操作,希望能帮到忙吧。

从毕业论文角度出发的分位数回归模型分享:

我是一个文科类、经济类的专业,我的毕业论文选择的是面板分位数回归模型。这个模型其实跟普通OLS差不多,但这个模型的逼格感觉比OLS高很多。我觉得类似于我专业的本科毕业论文用分位数回归模型还是很香的。

关于这个回归办法直接在网上能找到很多学习资料的,我也是在写论文时从零开始学习这个模型的。下面这个推文就很好用,包含了最基础的分位数回归的stata代码。

计量专栏(三十七)-分位数回归(Quantile Regression)​mp.weixin.qq.com
667fbf755d1bba20a72ab034b7493779.png

还有可以康康张晓峒教授的分位数回归讲义,很行的这个讲义,包含了各种检验以及eviews软件操作步骤

3-分位数回归.doc​max.book118.com
f016aedeaa03bbcd8ac4a47394c52557.png

文章实证框架可以参考:

1、变量选择

包含单位根检验和描述性统计分析

这是一个针对“Filled_pause_frequency”响应变量的偏差分析表,它使用Type III Wald卡方检验进行了假设检验。每个自变量都被单独测试,以确定它是否对响应变量产生显著影响。在此表格中,“Chisq”列显示了卡方值,“Df”列显示了自由度,“Pr(>Chisq)”列显示了对应的p值。 - 截距项(Intercept)的卡方值为49.7207,自由度为1,p值小于0.001,因此截距项对响应变量有显著影响。 - Chinese_level的卡方值为1.2587,自由度为2,p值为0.53293,因此在这个模型中,Chinese_level对响应变量没有显著影响。 - Request_scenario的卡方值为3.4722,自由度为1,p值为0.06241,因此在这个模型中,Request_scenario对响应变量的影响可能不显著,但也存在一定程度的不确定。 - Strategy_type的卡方值为177.5540,自由度为2,p值小于0.001,因此Strategy_type对响应变量有极显著的影响。 - Chinese_level:Request_scenario的卡方值为4.1748,自由度为2,p值为0.12401,因此在这个模型中,Chinese_level:Request_scenario对响应变量的影响可能不显著,但也存在一定程度的不确定。 - Chinese_level:Strategy_type的卡方值为95.3308,自由度为4,p值小于0.001,因此Chinese_level:Strategy_type对响应变量有极显著的影响。 - Request_scenario:Strategy_type的卡方值为4.6560,自由度为2,p值为0.09749,因此在这个模型中,Request_scenario:Strategy_type对响应变量的影响可能不显著,但也存在一定程度的不确定。 - Chinese_level:Request_scenario:Strategy_type的卡方值为23.9163,自由度为4,p值小于0.001,因此Chinese_level:Request_scenario:Strategy_type对响应变量有极显著的影响。 总之,这个偏差分析表提供了每个自变量对响应变量的影响程度和显著,以及交互作用的影响。
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