离散选择

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

求助：混合logit模型，在stata运行支付意愿时，有的人群分类可以得出结果，而有的一直跑不出来，一直循环这样的命令，这是为什么？？前面的总模型的支付意愿和人群分类的偏好结果却可以跑出来。。。

Iteration 53:  log likelihood = -1882.6654  (not concave)
Iteration 54:  log likelihood = -1882.5693  (not concave)
Iteration 55:  log likelihood = -1882.5664  (not concave)
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered
Iteration 56:  log likelihood = -1882.4804  (not concave)
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered
Iteration 57:  log likelihood = -1882.4734  (not concave)
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：derivatives Approximate ENCOUNTERED Derivative Continuous

在Stata中运行混合Logit模型时遇到“not concave”和“flat or discontinuous region encountered”这类错误信息，通常表明优化过程遇到了问题。这可能是由于数据的特性、模型设定或初始化值等原因导致的。

对于你提到的情况，其中一些人群分类可以成功估计支付意愿而另一些则不能，可能有以下几种可能性：

1. **数据稀疏性**：某些人群组的数据点可能过少，以至于优化算法难以找到一个稳定的解。确保每个分类中都有足够的观测值是非常重要的。

2. **模型设定问题**：可能是因为模型对特定群体的复杂度过高或过低。尝试简化或调整模型规格（例如，减少随机参数的数量）以提高稳定性。

3. **初始值选择**：优化算法对起始点敏感。不同的初始化值可能导致收敛到局部最优解。你可以尝试使用不同的启动值或者采用更稳健的估计方法。

4. **算法问题**：Stata默认的优化算法可能在某些情况下不适用。可以尝试改变优化器（例如，使用`ml`命令中的不同技术）或增加迭代次数看是否能解决问题。

5. **变量编码或标度问题**：检查你的模型中是否有极端值、缺失值或高度相关的变量。这些都可能导致数值稳定性问题。

为了解决这个问题，你可以采取以下步骤：

- 检查数据的完整性和质量。
- 尝试使用不同的初始化值进行估计。
- 调整模型复杂度，例如减少随机参数的数量。
- 改变优化算法或增加最大迭代次数。
- 分析无法收敛的人群分类的具体特征，看是否可以找到模式或共性。

如果上述方法都无法解决问题，可能需要更深入地分析数据和模型设定。有时候，问题的根源可能需要专家级的知识才能解决。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用