描述性统计中的变量个数与实际回归用到的变量个数不相等是为什么？

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

在描述性统计中，我的主要被解释变量和解释变量样本量基本在30000多。在没有控制其他变量的情况下，只做面板数据基本回归 xtreg y x i.year,fe cluster(city)，样本量减少为18000多，逐步加入其它控制变量样本量就逐渐减少，尤其是控制了两个变量就减少到1000多。但这两个变量在描述性统计中分别有15000和6700的样本量。为什么回归后样本量减少这么多呢？

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7 回帖

关键词：描述性统计 变量个数 描述性 Cluster xtreg

简单而言，就是有存在 missing values。

黃河泉 发表于 2018-11-9 16:15
简单而言，就是有存在 missing values。

请问描述性统计时如何去掉missing values呢？感谢版主。

bellman2010 发表于 2018-11-9 16:50
请问描述性统计时如何去掉missing values呢？感谢版主。

请参考

1. sysuse nlsw88.dta, clear
   
2. sum wage hours tenure union
   
3. 
   
4. foreach v of varlist wage hours tenure union {
   
5.   drop if `v' == .
   
6. }  
   
7. 
   
8. sum wage hours tenure union
   
9. 
   
10. reg wage hours tenure
    
11. reg wage hours union

复制代码

bellman2010 发表于 2018-11-9 16:50
请问描述性统计时如何去掉missing values呢？感谢版主。

1. . sysuse nlsw88.dta, clear
   
2. (NLSW, 1988 extract)
   
3. 
   
4. .
   
5. . sum wage hours tenure union
   
6. 
   
7.     Variable |        Obs        Mean    Std. Dev.       Min        Max
   
8. -------------+---------------------------------------------------------
   
9.         wage |      2,246    7.766949    5.755523   1.004952   40.74659
   
10.        hours |      2,242    37.21811    10.50914          1         80
    
11.       tenure |      2,231     5.97785    5.510331          0   25.91667
    
12.        union |      1,878    .2454739    .4304825          0          1
    
13. 
    
14. .
    
15. . foreach v of varlist wage hours tenure union {
    
16.   2.   drop if `v' == .
    
17.   3. }  
    
18. (0 observations deleted)
    
19. (4 observations deleted)
    
20. (15 observations deleted)
    
21. (360 observations deleted)
    
22. 
    
23. .
    
24. . sum wage hours tenure union
    
25. 
    
26.     Variable |        Obs        Mean    Std. Dev.       Min        Max
    
27. -------------+---------------------------------------------------------
    
28.         wage |      1,867     7.58762    4.168964   1.344605   39.23074
    
29.        hours |      1,867    37.61007    9.963119          1         80
    
30.       tenure |      1,867    6.567488    5.640066          0   25.91667
    
31.        union |      1,867    .2463846    .4310206          0          1
    
32. 
    
33. .
    
34. . reg wage hours tenure
    
35. 
    
36.       Source |       SS           df       MS      Number of obs   =     1,867
    
37. -------------+----------------------------------   F(2, 1864)      =     81.84
    
38.        Model |  2617.89903         2  1308.94952   Prob > F        =    0.0000
    
39.     Residual |  29813.6624     1,864  15.9944541   R-squared       =    0.0807
    
40. -------------+----------------------------------   Adj R-squared   =    0.0797
    
41.        Total |  32431.5615     1,866   17.380258   Root MSE        =    3.9993
    
42. 
    
43. ------------------------------------------------------------------------------
    
44.         wage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
45. -------------+----------------------------------------------------------------
    
46.        hours |    .041123   .0094084     4.37   0.000      .022671    .0595751
    
47.       tenure |   .1860066   .0166198    11.19   0.000     .1534112    .2186019
    
48.        _cons |   4.819383   .3655205    13.18   0.000     4.102511    5.536256
    
49. ------------------------------------------------------------------------------
    
50. 
    
51. . reg wage hours union
    
52. 
    
53.       Source |       SS           df       MS      Number of obs   =     1,867
    
54. -------------+----------------------------------   F(2, 1864)      =     38.00
    
55.        Model |  1270.56143         2  635.280717   Prob > F        =    0.0000
    
56.     Residual |       31161     1,864  16.7172747   R-squared       =    0.0392
    
57. -------------+----------------------------------   Adj R-squared   =    0.0381
    
58.        Total |  32431.5615     1,866   17.380258   Root MSE        =    4.0887
    
59. 
    
60. ------------------------------------------------------------------------------
    
61.         wage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
62. -------------+----------------------------------------------------------------
    
63.        hours |   .0539032   .0095185     5.66   0.000     .0352352    .0725711
    
64.        union |   1.378362   .2200208     6.26   0.000     .9468494    1.809875
    
65.        _cons |   5.220711   .3710056    14.07   0.000     4.493081    5.948341
    
66. ------------------------------------------------------------------------------

复制代码

黃河泉 发表于 2018-11-9 17:08

感谢！

黃河泉 发表于 2018-11-9 17:08
请参考

请问变量的样本量不一样也可以直接进行logit和tobit回归吗？我尝试了一下可以回归出结果，但是不知道这样是不是正确的。

没词儿1 发表于 2019-3-7 12:09
请问变量的样本量不一样也可以直接进行logit和tobit回归吗？我尝试了一下可以回归出结果，但是不知道这样 ...

OK 的。

黃河泉 发表于 2019-3-7 14:53
OK 的。

我像您这样做了，描述性统计和回归的样本量还是不一致

M小白 发表于 2019-9-27 09:59
我像您这样做了，描述性统计和回归的样本量还是不一致

先将所有指令与结果发出来看看！