logit回归模型_【DCM03】Stata应用：Logit模型的边际效应和交互效应分析

本文是离散选择模型系列的第3篇文章，详细介绍二元Logit模型的边际效应实现和交互项分析，并利用Stata进行实操演示。【关注本公众号，可以获取数据和代码】

目录

1、二元Logit模型的边际效应详解

2、二元Logit模型的交互项分析

3、结语

---

1 二元Logit模型的边际效应详解

上一篇文章简要介绍了二元Probit模型的边际效应计算，本文将继续介绍边际效应的计算方法，并用二元Logit模型进行实操演示。针对离散选择模型，实际上有三种边际效应计算方法，分别为MEM(Maginal Effects at Means)、AME(Average Maginal Effects)和MER(Marginal Effects at Representative Values)：

暮雪寒泉：【专栏-02】二元Logit模型和Probit模型及其Stata实现zhuanlan.zhihu.com

上一篇文章介绍了边际效应的计算公式，并且提到针对连续变量和离散变量需要通过不同的计算公式进行计算。针对连续变量，比较好理解，边际效应就是对概率进行求偏导；而针对离散变量，边际效应实际上是求0-1变量的相对概率变化，理解较为抽象。 因此，本文主要介绍针对离散变量的三种边际效用的计算方法。

1.1 样本均值处的边际效应(MEM)

MEM，即为样本均值处的边际效应。当需要计算0-1变量   的MEM时，则需要将Logit模型中的其他变量设置为平均值，然后计算   和   的差值，即为样本均值处的边际效应。在Stata中可以用下述命令实现：

margins,dydx(x1) atmeans   (计算x1在样本均值处的边际效应)

下面我们利用2002年3206名美国老年人是否购买私人医疗保险的数据集进行实操演示。数据集主要包含了如下变量： ins(因变量，是否购买私人保险)，female(是否女性)，age(年龄) ，hstatusg (自我评估的健康状况)，hhincome(家庭收入) ，educyear(受教育年限) ，married(是否结婚) ，chronic (慢性病数目)，adl(日常生活中受限活动数目)。首先看下这些变量的描述性统计：

. sum ins female age hstatusg hhincome educyear married chronic adl

    Variable |        Obs        Mean    Std. Dev.       Min        Max
-------------+---------------------------------------------------------
         ins |      3,206    .3870867    .4871597          0          1
      female |      3,206     .477854    .4995872          0          1
         age |      3,206    66.91391    3.675794         52         86
    hstatusg |      3,206    .7046163    .4562862          0          1
    hhincome |      3,206    45.26391    64.33936          0   1312.124
-------------+---------------------------------------------------------
    educyear |      3,206    11.89863    3.304611          0         17
     married |      3,206    .7330006     .442461          0          1
     chronic |      3,206    2.063319    1.416434          0          8
         adl |      3,206     .301622    .8253646          0          5

下面考察性别和家庭收入对是否购买私人保险的影响。

. logit ins female hhincome

Logistic regression                             Number of obs     =      3,206
                                                LR chi2(2)        =      96.76
                                                Prob > chi2       =     0.0000
Log likelihood = -2091.3891                     Pseudo R2         =     0.0226

------------------------------------------------------------------------------
         ins |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      female |