chap10 计数模型chp10 计数模型chap10 计数模型chap10 计数模型.ppt

习题 1.利用本书附带光盘data文件夹下“poissonreg.dta”工作文件对决定初中生旷课天数的因素进行分析。主要变量包括： id=学生的编号，school=学校，male=是否男生，math=数学课成绩，langarts=语言艺术课成绩，daysatt=在校天数，daysabs=旷课天数。 以daysabs为被解释变量，以male和langarts为解释变量，进行泊松回归模型的拟合。 下图列出了数据的基本情况。 2.在习题1的回归之后，对旷课天数进行预测，并比较使用不同选项时的预测结果。 3.对习题1中的泊松回归模型进行拟合优度检验，并对结果进行解释。 4.对于习题1中的数据，使用负二项回归重新进行拟合。 5.使用实验10-3中“fish.dta”文件的前150个数据进行零膨胀泊松回归，并对结果进行解读。 6.使用“fish.dta”文件的前150个数据进行零膨胀负二项回归，尝试使用不同的选项和模型设定形式，并对结果进行解读。 7.使用“fish.dta”文件的全部数据进行ZINB回归，然后进行预测，使用不同的选项。 主要内容 泊松回归模型 负二项和广义负二项回归模型 零膨胀回归模型 实验10-1：泊松回归模型 实验基本原理 对上式两边取对数可得对数似然函数，之后对β求导便可得最大似然估计值。 实验内容及数据来源 本书附带光盘data文件夹下的“airinjure.dta”工作文件，给出了美国九家大的航线一年中的伤亡人数数据。 变量包括airline=航线，injuries=该航线一年的伤亡人数，n=各航线飞离纽约的航班数量占全部飞离纽约的航班数量的比例，XYZowned=航线是否为XYZ公司所拥有（1代表为XYZ公司拥有，0代表为其他公司拥有）。利用这些数据，我们分析XYZ公司拥有的航线是否有更高的伤亡率。 因为被解释变量injuries为计数数据，所以我们考虑使用泊松模型。利用“airinjure.dta”的数据，我们将讲解泊松回归的操作、拟合优度的检验以及模型的预测。 实验操作指导 1 泊松回归的操作 （1）泊松回归的基本操作 进行泊松回归的基本命令如下： poisson depvar [indepvar] [if] [in] [weight] [,options] 其中，poisson代表“泊松回归”的基本命令语句，depvar代表被解释变量的名称，indepvar代表解释变量的名称，if代表条件语句，in代表范围语句，weight代表权重语句，options代表其他选项。 表10.2显示了各options选项及其含义。 （2）计算发生率比IRR 我们重新进行前面的回归，令其汇报发生率比。输入命令： poisson injuries XYZowned, exposure(n) irr 其中，选项exposure()约束ln(n)的系数为1，irr表示结果汇报发生率比。 （3）水平形式的泊松回归 我们先产生一个变量ln(n)，然后再进行泊松回归。 gen lnn=ln(n) poisson injuries XYZowned lnn 其中，第一步为产生一个新变量lnn，其值为n的自然对数；第二步进行泊松回归，被解释变量为injuries，解释变量为XYZowned和lnn。 2.泊松回归的检验和预测 （1）拟合优度（goodness of fit）检验 命令estat gof 用于检验模型是否与数据吻合良好。在泊松回归之后进行该检验，原假设为模型服从泊松分布。当p值很小时，我们就应该拒绝原假设。 对前面回归的模型进行拟合优度检验，命令为： quietly poisson injuries XYZowned, exposure(n) estat gof 其中，第一步命令中的quietly用于指示stata不显示该步的结果；第二步为拟合优度的检验。 （2）泊松回归的预测 预测的基本命令格式为： predict [type] newvar [if] [in] [, statistic nooffset] 其中，predict是预测的基本命令语句，newvar代表生成的新变量的名称，type代表新变量的类型，if代表条件语句，in代表范围语句，statistic代表要预测的统计量。表10.3显示了各statistic统计量及其含义。 实验10-2：负二项和广义负二项回归模型 实验基本原理 实验内容及数据来源 本书附带光盘data文件夹下的“mortality.dta”工作文件给出了不同时期儿童死亡人数的调查数据。变量包括：cohort=分组变量（1代表出生于1941-1959