Stata进阶2

Stata进阶2

在一般的模型中，被解释变量的取值是连续的，如果解释变量是离散的（比如，虚拟变量），则不会影响回归。但有时被解释变量是离散的，而非连续的。那么就要选择相应的离散选择模型进行分析。

一、二值选择模型

1.线性概率模型、logit与probit模型

直接以案例进行讲解，以数据集womenwk.dta为例，估计决定美国妇女就业与否的二值选择模型。该数据集包括以下变量：work(是否就业)，age（年龄）,married （婚否），children(子女数)，education(教育年限)。考虑以下模型：

reg work age married children education,r //线性概率模型
*logit模型
logit work age married children education,nolog //nolog是不显示迭代过程
logit work age married children education //显示迭代过程
logit work age married children education,r nolog //使用异方差稳健标准误进行logit估计

*显示几率比
logit work age married children education, or nolog
*为了与ols估计的回归系数比较，计算logit模型的平均效应
margins ,dydx(*)

*probt模型
probit work age married children education, nolog
*下面考察probit模型的边际效应
margins ,dydx(*)

//含有内生变量的二值选择模型的stata命令
ivprobit y1 x1 x2  (y2=z1 z2),r
ivlogit y1 x1 x2 (y2=z1 z2),first twostep

//面板二值选择模型
xtlogit  y x1 x2 x3 x4 x5,fe nolog     //nolog表示不显示迭代过程
//面板probit无固定效应模型

二、多值选择模型（因变量类个数大于2）

当因变量的选择不只有两个时，而是多值时，则采用多项logit与多项probit模型。

//多项logit
mlogit y x1 x2,rrr base
//多项probit
mprobit y x1 x2,rrr base //其中base(#)用于指定参考组，rrr表示汇报“相对风险比率”

1.排序模型（因变量为定序变量）

有些离散数据有排序。比如，公司债券的评级(AAA, AA, A, B, C 级)；对社区服务的满意度(很满意、满意、不满意、很不满意)；排序模型的stata命令为：

oprobit y x1 x2 //order probit模型
ologit y x1 x2 //order logit模型

2.泊松回归（因变量为计数变量）

有些被解释变量只能取非负数整数，即0，1，2…，对于这类计数数据，常使用“泊松回归”

poisson y x1 x2 ,r irr //irrr表示显示发生率比
poisson y x1 x2 ,r irr  exposure(x1) //exposure(x1)表示把ln(x1)作为解释变量，并令其系数为1
poisson y x1 x2 ,r irr offset(x1)  //选择项offset(x1)表示x1作为解释变量，并令其系数为1
xtpoisson y x1 x2,fe irr //面板泊松回归

3.负二项回归

泊松分布的期望与方差一定相等，称为“均等分散”；但是这个特征常与实际数据不符。如果被解释变量的方差明显大于期望，即存在“过度分散”，这种情况下，应使用负二项回归。

nbreg y x1 x2 x3,r exposure(x1) //选择项含义与泊松回归一样
nbreg y x1 x2 x3,r  offset(x1)
//面板负二项回归
xtnbreg y x1 x2 x3,fe irr
xtnbreg y x1 x2 x3,fe irr

4.零膨胀泊松回归

如果计数数据中含有大量的“0”值，可考虑使用“零膨胀泊松回归”（ZIP），那么应该使用标准的泊松回归还是零膨胀泊松回归(ZIP)？可以查看“Vuong 统计量”，其渐近分布为标准正态。如果统计量很大，则应选择零膨胀泊松回归，反之使用标准泊松回归。

zip y x1 x2 , inflate(varlist) vuong      //零膨胀泊松回归
zinb y x1 x2, inflate(varlist) vuong    //零膨胀负二项回归
//其中选择项inflate(varlist)必须要有，括号里为所有解释变量，选择项vuong表示显示vuong统计量

5.受限被解释变量（tobit模型）

被解释变量的取值范围有时受限制，称为“受限被解释变量”，这时可以选用归并回归。其stata命令为：

tobit y x1 x2 x3 , ll(#)  ul(#)
//其中，选择项 ll(#) 表示lower limit,即左归并；选择项ul(#)表示upper limit,即右归并；如果同时使用这两个选择项，则表示双边归并。如果把选择项ll(#) 写成ll，则stata将把样本中y的最小值作为左归并点。类似地，如果把选择项ul(#)写成ul,则stata将把样本中y的最大值作为右归并点。#为对应的临界值。

//含有内生解释变量的tobit模型
ivtobit y1 x1 x2 (y2=z1 z2), ll(#)  ul(#)
ivtobit y1 x1 x2 (y2=z1 z2), ll(#)  ul(#) fisrt twostep

//面板tobit
xttobit y x1 x2 x3 , ll(#)  ul(#)  tobit
//其中，tobit表示对原假设H0：随机扰动项=0进行LR检验。如果LR检验拒绝原假设，则认为存在个体效应，应使用随机效应的面板tobit回归。