Stata实验指导、统计分析与应用chap10课件.pptVIP

第十章;主要内容;实验10-1：泊松回归模型

;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：

poissondepvar[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：

poissoninjuriesXYZowned,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。;2.泊松回归的检验和预测

（1）拟合优度（goodnessoffit）检验

命令estatgof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：

quietlypoissoninjuriesXYZowned,exposure(n)

estatgof

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。;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年间，2代表出生于1960-1967年间，3代表出生于1968-1976年间），age_mos=死亡时的年龄（单位为月），deaths=死亡人数，exposure=暴露于风险的总年数（=儿童人数*相应的年龄）。

利用这些数据，我们研究不同年代对儿童死亡率的影响。我们会进行泊松回归及其拟合优度检验，负二项回归以及广义负二项回归。

;实验操作指导

1泊松回归及拟合优度检验

因为我们要进行的回归分析中，被解释变量死亡人数是计数变量，因此，我们首先考虑进行泊松回归。命令如下：

genlogexp=ln(exposure)

xi:poissondeathsi.cohort,offset(logexp)

其中，第一步生成了一个新变量logexp，其值为变量exposure的自然对数；第二步为泊松回归。

在第二步中，xi表示生成扩展交互项（interactionexpansion），在这里，解释变量cohort之前有前缀“i.”，即表示生成cohort的虚拟变量??因为分组变量cohort取值为1、2、3，所以会生成3个虚拟变量）。也就是说，被解释变量为deaths，解释变量为虚拟变量_Icohort_1、_Icohort_2和_Icohort_3。为避免多重共线性，stata会自动删掉一个虚拟变量。此外，选项offset(logexp)表明约束logexp的系数为1，这是因为我们要研究组别对死亡率的影响，而死亡人数除以暴露期才是死亡率。;对上面的回归进行拟合优度检验：

estatgof

结果显示，我们应当拒绝数据服从泊松回归的原假设。

;2负二项回归

对“mortality.dta”的数据进行泊松回归后，拟合优度检验表明泊松回归模型是不合适的。这样，我们考虑用负二项回归模型。

负二项回归的基本命令格式为：

nbregdepvar[indepvar][if][in][weight][,nbreg_options]

其中，nbreg代表“负二项回归”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，nbreg_options代表其他选项。

;下面，我们利用“mortality.dta”的数据进行负二项回归，命令为：

xi:nbregdeathsi.cohort,offset(logexp)nolog

其中，被解释变量为deaths，解释变量为cohort的虚拟变量，选项offset(logexp)约束logexp的系数为1，nolog表明不显示迭代过程。

;4模型的预测

负二项回归和广义负二项回归的模型预测和泊松回归的模型预测大致相同，只有几个选项不一样。预测的基本的命令格式如下：

predict[type]newvar[if][in][,statisticnooffset]

其中，predict代表预测的基本命令语句，newvar代表生成的新