进行回归分析往往要看边际影响，
对于线性模型边际影响就是其系数；
但对于许多非线性模型边际影响是不等于系数值的，特别是如：logit、probit、tobit、mlogit，ologit等模型

在stata中求边际影响的命令，早期是用mfx
但到stata11以后，命令为margins（虽然mfx命令也可以用，但是功能不如margins强大）；
margins 命令很强大，正因为强大，所以，命令也变的复杂，可以处理许多情况（手册上面有详细的例子），

对于不同的模型采用的参数也是不同的，因此，在用margins求边际影响的时候，一定要查看该命令的帮助，看看该命令可以用哪些参数。

每个模型估计的命令都有postestimation ，即估计后可以做的。

如：

mlogit 命令就有对应的postestimation -- Postestimation tools formlogit

几个简单的例子

*例子1：线性回归模型

sysuse auto, clear

reg price weight rep78

margins, dydx(*) /*对所有变量求*/

margins, dydx(rep78) /*对rep78求边际影响*/

margins, dydx(rep78) at(weight==2000)/*对rep78求边际影响在weight=1000的时候*/

*****************************************************************************

*例子2： probit 模型

sysuse auto, clear

probit foreign price weight rep78

margins, dydx(*) /*对所有变量求*/

margins, dydx(rep78) /*对rep78求边际影响*/

margins, dydx(rep78) at(weight==2000)/*对rep78求边际影响在weight=1000的时候*/

*************************************************************************

*例子3： mlogit 模型

sysuse auto, clear

tab rep78 /*rep78有5种值*/

mlogit rep78 mpg displ, base(5) /*第五个为参照组，具体模型看计量经济学*/

*mlogit回归结果有多个方程，因此，需要计算不同方程的边际影响

*计算rep78分别等于1,2,3时的边际影响

margins, dydx(*) predict(outcome(1))

margins, dydx(*) predict(outcome(2))

margins, dydx(*) predict(outcome(3))

*****************************************************************************

*例子4;ivprobit 模型

webuse laborsup

ivprobit fem_work fem_educ kids (other_inc= male_educ)

*计算平均边际影响: 关键是后面的选项 predict(pr)

* pr calculates the probability of a positive outcome..

margins, dydx(*)predict(pr)

*****************************************************************************

*例子5;tobit模型

sysuse auto,clear

generate wgt =weight/100

tobit mpg wgt price,ll(17) ul(24)

margins, dydx(*)

margins, dydx(*)predict(ystar(17,24))

margins, dydx(*)predict( e(17,24))

*****************************************************************************

*例子6;xtlogit模型*面板数据的其他命令，也是类似，一定要去查manual里面的介绍
webuse union,clear
xtlogit union age grade i.not_smsa south##c.year

margins,dydx(*)predict(pu0)


*****************************************************************************