求助！被解释变量是专利数据，对其加1取对数回归显著，但利用ppmlhdfe回归则很不显著

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！！！ppmlhdfe VS ln(n+1)——被解释变量是城市层面的专利数据，对被解释变量加1取对数回归显著，但利用ppmlhdfe回归则很不显著（ppmlhdfe命令如下：ppmlhdfe patent_total Z, a(year cityid)  cluster(cityid)），请各位大神帮忙解答[em23][em23]

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：解释变量 专利数 取对数 PML Cluster

这说明你的结果确实会受到专利泊松分布的影响，得到的结论可能不是很稳健。可以采用截面的零膨胀泊松回归zip或者负二项回归zinb试一试(参考文献：How do patent subsidies drive SMEs to patent? Evidence from China，JDE)，或者就直接不取对数线性回归就是，就是经济学上的弹性意义解释就没了。

JFE在2022年的方法论文章指出，ln(n+1)这种方式既不具备弹性的解释含义，又导致模型估计的扭曲，因此推荐使用泊松模型。换言之，对于专利数据，正确的做法是使用泊松模型而非ln(n+1)。

但是你如果看得文章足够多，就会发现，很多文章依然使用ln(n+1)的方式，尤其以中文文章为甚，其实就是因为他们都面临了你面临的问题：ln(n+1)显著，但是泊松模型不显著。

正确的做法不一定是结果显著的做法，看你自己如何想的了。