华宇娱乐主管6811559981.ppt

（3）进行嵌套logit模型的回归： Stata中进行嵌套logit模型回归的命令语句如下所示： nlogit y x1 x2 … [if] [in] [weight] [|| lev1_equation[||lev2_equation…]] || altar :[byaltvarlist] case (varname), [options] 其中nologit表示对y,x进行嵌套logit模型回归，if和in表示回归的条件和范围，weight表示观测值加入的权重，case(varname)表示个体识别变量。levk_equation的形式如下： altar:[byaltvarlist] [,base(#|label) estconst] altvar 为每个水平上决策者选择的识别变量。 byaltvarlist设定不同水平上的解释变量。在一个水平上，每一个解释变量都有k个回归系数，k为类别个数，即每一个选择都有一个回归系数。如果变量为常数（比如反映决策者特征的个体特定变量），基础选择的回归系数是不能识别的。通过base()选项设定每个水平的基础类别，默认选项为频数最高的类别。 estconst 用于除了底层水平之外的某一个水平。其作用是在设定的水平上，除了基础类别外，其他选择都带有常数项。由于只能在其中一个水平上存在常熟项，Stata默认值是底层水平是带有常数项的（当然除了基础类别）。即如果设定了这个选项，那么底层水平必须通过noconstant选项设定不能含常数项。命令中options的内容如下表： 在本实验中，在Stata命令窗口中输入如下命令，可以得到回归估计结果： nlogit chosen cost distance rating || type: income kids, base(family) || restaurant: , noconst case(family_id) 此命令表示一个一层水平是type且其解释变量是income kids，二层选择水平是restaurant，其解释变量是cost distance rating的嵌套回归模型。且要求在一层水平上的基础类别是family，底层水平的估计不含有常数项。 此回归图显示了嵌套回归模型是通过不断迭代最终找到最大化的估计量。结果图给出了每个层次的回归的系数估计值和显著性检验结果，可以用来分析问题。比如结果显示收入（income）越高的人越倾向选择fancy这个就餐类型，在第二水平的选择上，成本低距离近等级高的餐馆容易被选择，但是rating这个变量的系数没有通过显著性检验。 4）预测： 使用嵌套模型对其估计结果进行预测的Stata命令格式如下所示： predict [type] newvar [if] [in] [,statistics hlevel(#) altwise] predict [type] {stub* | newvarlist} [if] [in] , scores 对于第一个命令，type表示预测出这个新变量newvar的类型，if和in表示回归的条件和范围，hlevel(#) 表示在水平#上的预测概率，altwise表示当存在缺失值时，根据预测的替代选择删除观测值。statistics所代表内容如下表所示。 第二个命令可以是用来预测每一个水平的概率。此命令中type表示预测设定新变量的类型，{stub*|newvarlist}表示预测的新变量名称，if和in表示对检测拟合优度时的条件和范围的设定，score表示对数似然函数对每个方程的一阶导数，第1、2、…、k个变量为对数似然函数对地1、2、3、…、k个方程的一阶导数。 在本实验中在回归后，在Stata命令窗口中输入如下命令语句： predict pr 此命令可以用来预测底层水平的各个选择的概率。 list family_id restaurant pr 输入此命令显示个体识别变量，被解释变量和预测概率结果。 要预测每个水平的概率，可以在Stata中输入如下命令： predict p*,pr list family_id restaurant type p* 从上图可以看出，显然p1表示的是第一水平的选择概率，p2表示的概念与pr是一致的。观察可以得到，p1表示的是层次概率，且三个层次概率的和是1。而p2表示的是底层选择概率，其所有底层选择的概率之和亦是1。当然如果在list语句中加入chosen变量，就可以和前面几个实验中一样来观察和计算模型对数据的拟合优度了。 如果要在第一水平的基础上，计算第2水平的各个选择的概率在Stata命令窗口中输入如下命令： predict condp,condp hlevel (2) 此命令就是预测模型选择的条件概率，就是既定第一水平后，第二水