stata第六讲山大陈波.ppt

Stata上机实验 离散选择模型 1。二项选择模型 主要包括： Probit模型（标准正态分布） Logit模型（逻辑分布） Logit 模型 Logit模型假定模型的误差项服从Logistic分布 利用极大似然估计方法拟合， Yhat=0 负的产出 Yhat0（通常yhat=1） 正的产出 例如： sysuse auto,clear logit foreign weight mpg 相当于计算如下概率： Pr(foreign = 1) = F(B0 + B1weight + B2mpg) 1。获得个体取值为1的概率。 predict p1,pr list p1 foreign 对比一下结果，判断有正有误 2。对预测准确率的判断 estat class 结果解读 敏感性（Sensitivity）指 即真实值取1而预测准确的概率； 特异性（Specificity）是指 即真实值取0而预测准确的概率。 默认的门限值为0.5。 3。受试者操控曲线（Receiver operating characteristic，简称为ROC曲线）是指敏感性与（1-特异性）的散点图,即预测值等于1的准确率与错误率的散点图。 lroc 4。goodness-of-fit 拟合优度检验 estat gof 5。变量的边际影响 回归结果中，，估计量β并非“边际效应”（marginal effects），因此要用命令： mfx Probit模型 Probit模型假定误差项的分布形式为标准正态分布： 回归方法和检验方法与Logit模型类似。 probit foreign weight mpg 注意：由于Probit 与Logit 所使用的分布函数不同，其参数估计值并不直接可比。雨宫（Amemiya）提出：同一个模型的logit和probit模型大概具有如下关系： Blogit 约等于 1.6*BProbit 但利用mfx计算的两者的边际效应应该大致相同。 一个综合例子 使用美国妇女就业数据集“womenwork.dta”，估计决定就业的Probit与Logit模型。被解释变量为work=1，就业；work=0，不就业。解释变量为age（年龄）, married（婚否）, children（子女数）, education（教育年限）。 use womenwork,clear logit work age married children education mfx estat class predict p1,pr list work p1 lroc estat gof 注意：married是离散变量，因此执行mfx后的结果的含义不同。 probit work age married children education mfx estat class predict p2,pr list work p2 lroc estat gof tab work tab work if p20.5 2。多项选择模型 多项Logit模型：由于可选项目有多项，因此输出结果时stata将自动指定一个为基础类别(Base Output)，显示各个变量对另外几个类别的影响系数 。 use brand,clear tab brand mlogit brand age female 结果分析 可以利用predict提取个体选择概率 predict p1 p2 p3 list 可以根据研究需要，自由地指定用来比较的base outcome（参照点）。mlogit brand age female,base(3) 排序选择模型 根据GSS的调查数据，不同的家庭母亲与子女之间的关系也不同。根据调查显示，有的家庭母子（女）关系比较紧张，有的比较融洽。变量包括：warm=关系融洽度（0、1、2、3）；educ=子女接受教育的程度；age=子女年龄；male=儿子；prst=职业威望；white=白人；y89=89年调查结果。分析不同因素对母子（女）关系的融洽程度有何影响。 use ordwarm,clear tab warm 建立如下方程： ologit warm ed age male prst white yr89 oprobit warm ed age male prst white yr89 结果解读 predict p1 p2