面板logit交互项的显著性及影响效应相关问题

wdlbcj 发表于 2021-6-24 20:27
你好  这个不碍事的，可以认为要考虑不同地区的影响，加上这个i.行业 和随机效应是不冲突的。

谢谢！我可以再问您一个问题吗？我实证采取的是随机效应logit模型，存在不随时间变化的变量，且由于因变量为（0 1），而我设定的样本期如（2002-2018），个体若在2018年仍然存在的话那么02-18年因变量取值全为0，也就是说那些在28年仍然存在于数据库中的个体对应的因变量取值都为0.所以我在模型中引入时间虚拟变量就会显示“= 0 predicts failure perfectly”是这个原因吗？我若只加入地区行业的虚拟变量并不影响，但加入时间就会drop.但自己在看相关文献的时候发现他们把时间地区行业都控制了，样本观测值却没有减少，我不知道是不是自己在命令方面的问题？xtlogit y x1 x2 cv i.ind i.region  i.year就会出现“2018.year != 0 predicts failure perfectly”，但去掉时间，xtlogit y x1 x2 cv i.ind i.region就不会drop掉，不知您了解吗？

姜小花花 发表于 2021-6-27 12:53
谢谢！我可以再问您一个问题吗？我实证采取的是随机效应logit模型，存在不随时间变化的变量，且由于因变量 ...

你好，看起来确实是因为因变量取值的原因，1.这里出现predict perfectly的原因在于，当某些自变量大于0的时候，因变量取1 当这些自变量小于0的时候 因变量为0，因此就是一个非常准确的预测了。都不需要考虑其他因素了。但这种情况多数是因为模型设定有问题而导致的。  2. 建议检查对比你的研究和相关的文献，看因变量的设置是否合理，与其他文章相比，有什么不同。我个人觉得问题还是在于你们对于因变量的设定上出现了偏差。

wdlbcj 发表于 2021-6-27 13:33
你好，看起来确实是因为因变量取值的原因，1.这里出现predict perfectly的原因在于，当某些自变量大于0的 ...

因为这边传不了图片，我以参考的文献描述："文中定义企业的生存为企业成立到退出市场的状态，企业的生存时间 ( survival time) 定义为某一企业成立到退出市场所经历的时间，将企业退出市场的事件称之为 “失败” ( failure) 。为了避免左删失问题导致回归结果的偏误，本文选取 1999 － 2007年新成立的企业作为研究对象。因此，本文研究的企业中最长生存时间为 9 年。如果企业在 2007 年仍然没有退出市场，为解决右删失问题，本文将 2007年仍没有退出市场的企业的结局变量取值为 0。"我以上述文献描述为例，因此因变量中就会存在07年存在的企业因变量全为0.我就是根据这种定义进行实证，然后就出现了这种情况。

姜小花花 发表于 2021-6-27 13:46
因为这边传不了图片，我以参考的文献描述："文中定义企业的生存为企业成立到退出市场的状态，企业的生存时 ...

你好，可以把参考文献的题目发一下么，我看一下具体的内容

wdlbcj 发表于 2021-6-27 13:48
你好，可以把参考文献的题目发一下么，我看一下具体的内容

好的谢谢您！《信贷歧视、融资约束与企业生存》--蒋多灵///《ZF补贴、治理环境与中国企业生存》--许家云与毛其淋。

姜小花花 发表于 2021-6-27 14:02
好的谢谢您！《信贷歧视、融资约束与企业生存》--蒋多灵///《ZF补贴、治理环境与中国企业生存》--许家云与 ...

谢谢 已收到

姜小花花 发表于 2021-6-27 14:02
好的谢谢您！《信贷歧视、融资约束与企业生存》--蒋多灵///《ZF补贴、治理环境与中国企业生存》--许家云与 ...

文章大概读过了，你可以先检查一下 你的数据中，有多少企业发生了退出，我觉得可能数据不太多

wdlbcj 发表于 2021-6-27 14:46
文章大概读过了，你可以先检查一下 你的数据中，有多少企业发生了退出，我觉得可能数据不太多

       exit |      Freq.     Percent        Cum.
------------+-----------------------------------
          0 |    774,707       90.14       90.14
          1 |     84,709        9.86      100.00
------------+-----------------------------------
      Total |    859,416      100.00

wdlbcj 发表于 2021-6-27 14:46
文章大概读过了，你可以先检查一下 你的数据中，有多少企业发生了退出，我觉得可能数据不太多

我已列出企业退出率，发现确实比例较少。请问在这种情况下是无法进行分析吗？

姜小花花 发表于 2021-6-27 15:02
我已列出企业退出率，发现确实比例较少。请问在这种情况下是无法进行分析吗？

你好  这个看起来是可以分析的，并且文献中也用的是cloglog 来修正了这种稀有事件。
但是你的回归结果中显示 perfectly predict 这个可能还需要进一步检查这几个变量，感觉固定时间效应应该也是不影响的，所以还要想一下 问题出在哪里了

可以检查一下企业在什么时间退出的，每一年大概有多少的样子。
以及看一下 去除了缺失值之后的情况，因为回归中面对缺失值是会进行drop的
所以这里也可以看一下去除缺失值后的描述性统计之类的，来寻找问题可能出现在哪里

看起来code是没什么问题的，所以问题更多的还是在于数据上，