[求助]logit模型中解释变量的分组设置与常数的边际效应？

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

<p>新手求教，先多谢各位高手！</p><p>问题一：</p><p>如下表中变量的定义和单位以及回归结果，我在stata中做logit模型时，想得到类似的收入分组（以小于800元为参照组）的回归系数，我在输入数据时具体该怎么做？就是说：我想以最低等级的组为参照组，其他各组均与该参照组进行比较，在回归分析中我该怎么录入我的数据？具体应该怎么做？另外，这样分组与参照组比较得出的结果与直接按照定距变量的方式回归（只有一个回归系数），有什么不同的含义吗？  </p><p>变量                                          变量的定义和单位</p><p></p>月人均收入              小于800元组（参照组）=1；800-1500元组=2；1500-3000元组=3；3000-5000元组=4；大于5000元组=5<p></p><p></p><p>变量                                                          回归系数                     Z值                       P值</p><p></p>家庭月人均收入（800-1500元组）          -.1417572                    -0.63                     0.532<p></p><p></p>家庭月人均收入（1500-3000元组）        -.2602678                     -1.03                    0.304<p></p>家庭月人均收入（大于3000元组）          -.6557719                     -1.90*                   0.058<p></p><p></p><p>问题二：</p><p>如下表中，为什么很多文章中在做回归模型时，常数项也有边际效应？stata中mfx compute 命令求边际效应时也没有直接得出常数项的边际效应，如果这样的常数项边际效应是有意义的，那么stata中该怎么求常数项边际效应？</p><p>变量           回归系数       Z值            P值            边际效应</p><p></p>常数项      1.033517      1.86*          0.064        0.25837925<p></p><p></p>

[此贴子已经被作者于2008-5-16 12:28:25编辑过]

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：logit模型 logit 解释变量 边际效应 Log 人均收入 回归分析 模型

我也正在找，好像现在用margins， dydx（*），不过离散的因子变量都估计不出来

. webuse margex
(Artificial data for margins)
. logit outcome i.sex i.group sex#group age, vce(robust)

Iteration 0:   log pseudolikelihood = -1366.0718  
Iteration 1:   log pseudolikelihood = -1100.3054  
Iteration 2:   log pseudolikelihood = -1052.9586  
Iteration 3:   log pseudolikelihood = -1051.4452  
Iteration 4:   log pseudolikelihood = -1051.4383  
Iteration 5:   log pseudolikelihood = -1051.4383  

Logistic regression                               Number of obs   =       3000
                                                  Wald chi2(6)    =     381.86
                                                  Prob > chi2     =     0.0000
Log pseudolikelihood = -1051.4383                 Pseudo R2       =     0.2303

------------------------------------------------------------------------------
             |               Robust
     outcome |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       1.sex |  -.1486283   .1724598    -0.86   0.389    -.4866433    .1893867
             |
       group |
          2  |  -1.660621   .2405489    -6.90   0.000    -2.132088   -1.189154
          3  |  -1.886826    .321239    -5.87   0.000    -2.516443   -1.257209
             |
   sex#group |
        1 2  |   1.587323   .2820969     5.63   0.000     1.034423    2.140222
        1 3  |    .675973    .812765     0.83   0.406    -.9170172    2.268963
             |
         age |   .0915069   .0063334    14.45   0.000     .0790937    .1039202
       _cons |  -5.079056   .3477436   -14.61   0.000    -5.760621   -4.397491
------------------------------------------------------------------------------

. margins sex group, vce(unconditional)

Predictive margins                                Number of obs   =       3000

Expression   : Pr(outcome), predict()

------------------------------------------------------------------------------
             |            Unconditional
             |     Margin   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         sex |
          0  |   .1600644   .0131685    12.16   0.000     .1342546    .1858743
          1  |   .1966902   .0104563    18.81   0.000     .1761963    .2171841
             |
       group |
          1  |   .2251302   .0127069    17.72   0.000      .200225    .2500354
          2  |    .150603   .0118399    12.72   0.000     .1273972    .1738088
          3  |   .0736157   .0343188     2.15   0.032     .0063522    .1408793
------------------------------------------------------------------------------

. margins, dydx(*) vce(unconditional)

Average marginal effects                          Number of obs   =       3000

Expression   : Pr(outcome), predict()
dy/dx w.r.t. : 1.sex 2.group 3.group age

------------------------------------------------------------------------------
             |            Unconditional
             |      dy/dx   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       1.sex |   .0366258   .0163029     2.25   0.025     .0046727    .0685788
             |
       group |
          2  |  -.0745272   .0174613    -4.27   0.000    -.1087506   -.0403037
          3  |  -.1515145   .0370448    -4.09   0.000     -.224121    -.078908
             |
         age |   .0101952   .0006414    15.90   0.000     .0089381    .0114522
------------------------------------------------------------------------------
Note: dy/dx for factor levels is the discrete change from the base level.

怎么估计不出来？
人家提供的例子中sex、group就是离散的

学习了

蓝色 发表于 2012-5-18 10:39
. webuse margex
(Artificial data for margins)
. logit outcome i.sex i.group sex#group age, vce(rob ...

这个边际效应的回归结果怎么解释呢？谢谢