switchr 出来的结果看起来为何像是ols那种感觉？

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

用switchr写了命令来完成转换回归模型，
# delimit ;
  eq main :  lnwage eduyear1   age  age2 nonruralspeci  marriage health   middle west
  eq regime  :  primary  eduyear1  age   nonruralspeci marriage health   middle west
  switchr  main  regime , noisyn(2064)
结果是如下，问题是
       1.它的结果不像是最大似然法估计呢？
       2.如果它是最大似然估计的话，那些常见的用ml估计的sigma值如何估算呢？
       3 如果它果真没用最大似然估计，如何才能让它用最大似然估计呢？
      Here is the regression for the switching eq'n
      Source |       SS       df       MS              Number of obs =    1629
-------------+------------------------------           F(  7,  1621) =26313.76
       Model |  5216.31194     7  745.187419           Prob > F      =  0.0000
    Residual |  45.9055909  1621  .028319303           R-squared     =  0.9913
-------------+------------------------------           Adj R-squared =  0.9912
       Total |  5262.21753  1628  3.23232035           Root MSE      =  .16828
------------------------------------------------------------------------------
     primary |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    eduyear1 |  -.9784693   .0028502  -343.29   0.000    -.9840599   -.9728788
         age |   .0374545   .0005546    67.53   0.000     .0363667    .0385423
nonruralsp~i |   1.045758   .0176384    59.29   0.000     1.011162    1.080355
    marriage |   .8806161   .0138539    63.56   0.000     .8534426    .9077896
      health |  -1.386456   .0104205  -133.05   0.000    -1.406895   -1.366017
      middle |   .7592778   .0093303    81.38   0.000      .740977    .7775786
        west |  -.9105324   .0120501   -75.56   0.000    -.9341677    -.886897
       _cons |   9.548603   .0433628   220.20   0.000      9.46355    9.633656
------------------------------------------------------------------------------
On iter 1914 the mean absolute change in the probability vector is : 0.00000
Average of the probability vector  is: 0.407
First component regression
(sum of wgt is   6.6346e+02)
Linear regression                                      Number of obs =    1633
                                                       F(  8,  1624) =   33.60
                                                       Prob > F      =  0.0000
                                                       R-squared     =  0.2135
                                                       Root MSE      =   .7663
------------------------------------------------------------------------------
             |               Robust
      lnwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    eduyear1 |   .1300825   .0179894     7.23   0.000     .0947977    .1653674
         age |   -.006009   .0264371    -0.23   0.820    -.0578633    .0458453
        age2 |   .0000323   .0003137     0.10   0.918    -.0005831    .0006476
nonruralsp~i |  -.1530307   .0909135    -1.68   0.093    -.3313507    .0252894
    marriage |    .116729   .1091475     1.07   0.285    -.0973557    .3308137
      health |   .0260576   .0594114     0.44   0.661    -.0904733    .1425886
      middle |  -.6332437   .0566271   -11.18   0.000    -.7443136   -.5221738
        west |  -.7282977   .0820213    -8.88   0.000    -.8891764    -.567419
       _cons |   1.623735   .6129788     2.65   0.008      .421423    2.826048
------------------------------------------------------------------------------
Second component regression
(sum of wgt is   9.6954e+02)
Linear regression                                      Number of obs =    1628
                                                       F(  8,  1619) =   52.79
                                                       Prob > F      =  0.0000
                                                       R-squared     =  0.2482
                                                       Root MSE      =  .56289
------------------------------------------------------------------------------
             |               Robust
      lnwage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    eduyear1 |  -.0662246    .018213    -3.64   0.000     -.101948   -.0305011
         age |    .026922   .0163721     1.64   0.100    -.0051908    .0590348
        age2 |  -.0002956   .0002058    -1.44   0.151    -.0006993    .0001081
nonruralsp~i |  -.3702438   .0646978    -5.72   0.000    -.4971441   -.2433435
    marriage |  -.4167082   .0584343    -7.13   0.000     -.531323   -.3020934
      health |   .0708556   .0451728     1.57   0.117    -.0177477     .159459
      middle |  -.4965058   .0374989   -13.24   0.000    -.5700574   -.4229542
        west |  -.4896273   .0431322   -11.35   0.000    -.5742281   -.4050265
       _cons |   3.049916   .3908002     7.80   0.000     2.283389    3.816443
------------------------------------------------------------------------------
(1633 real changes made)
This Switching Regression took 39 seconds.

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：Switchr switch Witch OLS CHR marriage primary health middle sigma

`switchr` 是 Stata 中的一个命令，用于估计有状态转移的回归模型。当您看到其结果时，它可能看起来像是普通最小二乘法（OLS）的结果，这是因为 `switchr` 使用的是两步或三步的方法来估计参数，其中第一步通常涉及到一个类似于 OLS 的步骤。

1. 结果不完全像最大似然估计是因为 `switchr` 实际上是在使用一种混合了OLS和极大似然（ML）方法的技术。首先，它通过OLS估计每个模型的初步系数，然后这些系数被用来确定状态转移的概率。最后，这个过程可能会与极大似然估计迭代结合起来。

2. 对于`switchr`命令的结果中的sigma值，这通常指的是误差项的标准差或者方差分量。在`switchr`的最终输出中可能不直接报告sigma值，但您可以根据模型参数和残差来计算它，或通过后续分析命令（如`estat vce`）获取。

3. 如果您想使用纯极大似然估计方法来进行状态转移回归建模，您将需要使用Stata中的`ml`命令。这要求你明确写出对数似然函数并手动指定模型参数和优化过程。这种方法会更复杂，但可以提供更多的灵活性和控制权。

为了使用最大似然法，您可能需要编写自己的ML程序来定义状态转移回归的似然函数，并通过Stata的 `ml` 命令进行估计。这通常涉及对数据分布的理解、参数的初始化以及优化算法的选择等步骤。对于不熟悉 ML 方法的人来说，这个过程可能会相当复杂。

总结来说，`switchr` 的结果可能看起来像 OLS 结果是因为其初步估计方法使用了类似 OLS 的技术，但最终它通过迭代过程接近极大似然解。要获得基于最大似然法的sigma值或进行纯ML估计，则需要采取不同的Stata命令和编程途径。

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