[回归分析求助] 连玉君老师的xtthres，每次回归门槛值都不一样 [推广有奖]

21楼

manggo味的你 发表于 2019-5-10 09:58:01

您好，想请问下为什么我装xtthres在personal的时候一直不成功呢？在论坛下载的压缩包，解压后放在了personal下面，新人学习中，求指教

22楼

张淼儿

发表于 2020-4-6 12:19:53

黃河泉发表于 2016-8-15 14:56
可试试 xthreg (Stata Journal 之正式指令)：https://bbs.pinggu.org/thread-4715386-1-1.html

老师您好，我用王群勇老师做门槛回归的时候发现部分控制变量的加入会改变门槛值的大小，还有部分控制变量的加入没有改变门槛值的大小，请问这是什么原因呢？

23楼

黃河泉

发表于 2020-4-7 06:35:58

张淼儿发表于 2020-4-6 12:19
老师您好，我用王群勇老师做门槛回归的时候发现部分控制变量的加入会改变门槛值的大小，还有部分控制变量 ...

就统计上，本来就可能！

24楼

方文龙 发表于 2021-1-16 20:44:55 来自手机

gongshundaren 发表于 2015-11-10 08:48
如果置信区间的下界包括0，那么这个估计系数就很可能为0，该系数不显著，你这个情况应该直接用双重门槛模 ...

您好，问一下您，用连玉君老师的门槛命令xtthres，发现回归完后，三重门槛的F和P值都通过1%水平下显著，但是置信区间全是0，请问这是咋回事呢？

25楼

gongshundaren 发表于 2021-1-16 21:58:35

方文龙发表于 2021-1-16 20:44
您好，问一下您，用连玉君老师的门槛命令xtthres，发现回归完后，三重门槛的F和P值都通过1%水平下显著，但 ...

没看到截图结果，推测可能有以下原因：
1、数据本身很小，所以算出来门槛趋近于0；
2、程序有问题.

解决方案：
1、把数据乘以10的倍数，直到数据不趋近于0未为止；
2-1、非面板数据：使用Bruce Hansen的thresholdreg.ado，程序来源Bruce Hansen本人官网；
2-2、非平衡面板数据：使用连玉君的xtthres.ado，请确保在输入“which xtthres”后，版本文号中有“This version 2014.5.21”字样，程序来源连玉君共享文件夹；
2-3、平衡面板数据：使用王永群的xthreg.ado，来源是直接在stata里面输入ssc install xthreg,replace后回车。

26楼

方文龙 发表于 2021-1-17 10:29:26 来自手机

gongshundaren 发表于 2015-11-9 10:19
就我自己的的话，如果在do文件中一次运行，我就只在开头设一个seed;如果分段测试的话，我就每一段前面都 ...

您好，结果如下

27楼

方文龙 发表于 2021-1-17 10:39:20 来自手机

gongshundaren 发表于 2015-11-9 10:19
就我自己的的话，如果在do文件中一次运行，我就只在开头设一个seed;如果分段测试的话，我就每一段前面都 ...

您好，我的被解释变量用两种方式衡量的，一种是0-1虚拟变化，一种是实际值，我的是平衡面板数据，我已经用xtbalance平衡了。

28楼

gongshundaren 发表于 2021-1-17 11:14:12

方文龙发表于 2021-1-17 10:29
您好，结果如下

本人才疏学浅，以下仅为个人观点，不一定对啊，仅供参考。

F=(ESS/K)/(RSS/(n-k-1)）
ESS表示回归平方和(Explained Sum of Squares)是y的估计值-y的平均值的离差平方和
RSS表示残差平方和(Reidual Sum of Square)
平方和/自由度=均方，回归均方MSR=RSS / (k-1)、误差均方MSR=RSS /(n-k-1)
如果F或其置信区间等于0的话，可能是ESS非常小或RSS非常大导致的，即要么y的估计值十分接近y的平均值，此时为过度拟合状态，该估计可舍弃；要么估计精度很差使得残差非常大，此时估计结果同样可舍弃。
综上，三门槛的结果有问题，舍弃即可）。在结果选用时，可解释“因三门槛模型所得F值及其置信区间均为0，该结果为无效估计，舍弃，选择双门槛模型。”
如果一定还想再试试三门槛模型，那就只能对数据做缩尾处理、改变指标计算方法或者增减变量，再看看结果的情况。

本质上，门槛模型回归应该依然使用的是OLS估计法，如果你有（0,1）被解释变量，那应该使用MLE估计法，根据分布选择Logit还是Probit。使用OLS估计（0,1）被解释变量，结果就是LPM模型。
从开发门槛模型的初衷或者现阶段技术和程序水平而言，仍旧主要针对数值型被解释变量，似乎并没有针对（0,1）被解释变量；故而以门槛模型估计（0,1）被解释变量会带来一些意想不到的不良结果。
Paul Allison发文指出，Logit （Probit同理）优于 LPM的主要原因包括：（1）LPM 可能会产生无效的概率预测值，而 Logit 不会。由于 LPM 的被解释变量是 1 和 0，在进行线性回归时，最终得到的概率预测值可能大于 1 或小于 0，然而这是无效的概率预测值。（2）第二，对于二分类的情况，Logit 的系数及估计值将比 LPM 更稳定；LPM 不是真实的产生二分结果的机制。（3）第三，Logit 模型受解释变量间相互作用影响小，参数更加稳定。
综上，不建议将数值型的被解释变量转化为（0,1）定性变量，以来会导致信息量的巨大损失，二来在计量上不好估计。

如果你的数据确定是平衡面板，建议使用王永群的xthreg.ado，这个经过Stata认证过，意想不到的bug会少一些。注意，因为我没有探索过的原因，在相同条件下，王永群的xthreg.ado和连玉君的xtthres.ado的估计结果可能会有差异。