为什么残差里很多都是缺失值？

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

我的回归命令是：reg lexp cognst gender marry age res edu      预测残差后产生了非常多的缺失值，这是怎么回事呢？

1. * Example generated by -dataex-. To install: ssc install dataex
   
2. clear
   
3. input double(cognst abist) byte(gender marry) double(age res edu lexp)
   
4.   2.077196275077051  .38464802811812926 2 1 48 1 2  9.045613123583179
   
5. .40195014229083526  .38464802811812926 1 1 50 1 4  9.045613123583179
   
6. .40195014229083526  .38464802811812926 2 1 59 1 1  7.411297361968365
   
7. .40195014229083526 -1.7706489997657628 1 1 62 1 1  7.411297361968365
   
8. .40195014229083526  .38464802811812926 1 1 50 1 .   8.51585896738449
   
9. .40195014229083526  .38464802811812926 2 1 48 1 5   8.51585896738449
   
10. .40195014229083526 -1.7706489997657628 1 1 63 1 2  7.109062135687172
    
11. -1.2732959904953804                   . 2 1 55 1 1  7.109062135687172
    
12. .40195014229083526                   . 2 1 69 1 1  7.911324018963353
    
13.   2.077196275077051  .38464802811812926 1 1 70 1 5  7.911324018963353
    
14. .40195014229083526                   . 2 5 83 1 1                  .
    
15. -1.2732959904953804  .38464802811812926 1 1 81 1 2  8.439231649946526
    
16. -1.2732959904953804 -3.9259460276496547 2 1 83 1 1  8.439231649946526
    
17. -1.2732959904953804 -1.7706489997657628 2 1 58 1 1 7.7475968386928855
    
18. .40195014229083526  .38464802811812926 1 1 61 1 4 7.7475968386928855
    
19. -1.2732959904953804 -3.9259460276496547 2 1 59 1 1  8.755159680442194
    
20. -1.2732959904953804  .38464802811812926 1 1 67 1 2  8.755159680442194
    
21. .40195014229083526  .38464802811812926 1 5 59 1 5  7.209609170707105
    
22. .40195014229083526  .38464802811812926 1 1 53 1 5  8.308938252595779
    
23. .40195014229083526 -1.7706489997657628 2 1 56 1 1  8.308938252595779
    
24. -1.2732959904953804                   . 2 1 57 1 1  8.250097752572845
    
25. .40195014229083526  .38464802811812926 1 1 64 1 2  8.250097752572845
    
26. -1.2732959904953804  .38464802811812926 1 1 52 1 2  8.093971386570262
    
27. -1.2732959904953804  .38464802811812926 2 1 47 1 1  8.093971386570262
    
28. .40195014229083526  .38464802811812926 1 1 55 1 5  8.256693864117974
    
29. .40195014229083526 -1.7706489997657628 2 1 59 1 1  8.256693864117974
    
30. .40195014229083526  .38464802811812926 2 1 59 1 1  8.501741119916304
    
31. .40195014229083526  .38464802811812926 1 1 68 1 2  8.501741119916304
    
32. -1.2732959904953804 -1.7706489997657628 1 1 56 1 2  8.180929675381973
    
33. -1.2732959904953804                   . 2 1 53 1 1  8.180929675381973
    
34. -1.2732959904953804 -1.7706489997657628 2 1 48 1 1  8.541022945546988
    
35.   2.077196275077051  .38464802811812926 1 1 47 1 2  8.541022945546988
    
36. -1.2732959904953804  .38464802811812926 1 1 46 1 4  8.951077319167593
    
37. -1.2732959904953804 -1.7706489997657628 2 1 47 1 1   6.85470603643884
    
38. -1.2732959904953804  .38464802811812926 1 1 49 1 4   6.85470603643884
    
39. .40195014229083526 -1.7706489997657628 2 5 66 1 1   9.20552881497896
    
40. .40195014229083526  .38464802811812926 1 1 46 1 5  8.426538824261886
    
41. .40195014229083526  .38464802811812926 2 1 45 1 1  8.426538824261886
    
42. -1.2732959904953804 -1.7706489997657628 1 1 63 1 1  7.868381825649481
    
43. -1.2732959904953804 -1.7706489997657628 1 1 62 1 1  7.868381825649481
    
44. -1.2732959904953804 -3.9259460276496547 2 1 57 1 1  8.948282736747414
    
45. .40195014229083526  .38464802811812926 1 1 64 1 2  8.948282736747414
    
46. -1.2732959904953804                   . 2 1 58 1 1  7.677863521870973
    
47. -1.2732959904953804 -1.7706489997657628 1 1 72 1 1  7.677863521870973
    
48. .40195014229083526  .38464802811812926 2 1 56 1 1  8.177328534676049
    
49. -1.2732959904953804  .38464802811812926 1 1 61 1 1  8.177328534676049
    
50. .40195014229083526  .38464802811812926 1 1 45 1 5  7.272398392570047
    
51. .40195014229083526                   . 1 2 54 1 5   9.74449182104567
    
52. .40195014229083526  .38464802811812926 2 2 56 1 1   9.74449182104567
    
53. -1.2732959904953804 -1.7706489997657628 1 1 67 2 2 5.3471075307174685
    
54. -1.2732959904953804 -1.7706489997657628 2 1 59 1 . 5.3471075307174685
    
55. .40195014229083526  .38464802811812926 2 5 59 2 1   8.47897197859604
    
56. -1.2732959904953804 -1.7706489997657628 2 1 48 2 2  8.992184362173012
    
57. .40195014229083526  .38464802811812926 1 1 52 2 6  8.992184362173012
    
58. .40195014229083526  .38464802811812926 2 1 49 2 2  9.353285640797012
    
59. .40195014229083526  .38464802811812926 1 1 56 2 5  9.353285640797012
    
60. .40195014229083526  .38464802811812926 1 1 73 2 1 7.8632667240095735
    
61. -1.2732959904953804 -1.7706489997657628 2 1 70 2 1 7.8632667240095735
    
62. .40195014229083526  .38464802811812926 2 5 61 2 2  7.454430555641825
    
63. -1.2732959904953804                   . 2 5 80 2 1                  .
    
64. -1.2732959904953804 -1.7706489997657628 2 5 76 2 1  8.226840890408578
    
65. -1.2732959904953804  .38464802811812926 2 5 63 2 1  7.945909598613133
    
66. .40195014229083526  .38464802811812926 2 1 50 2 5   8.44820032428894
    
67. .40195014229083526  .38464802811812926 1 1 58 2 2   8.44820032428894
    
68.   2.077196275077051  .38464802811812926 2 4 50 2 5  8.616133139271142
    
69. .40195014229083526                   . 2 4 52 2 6                  .
    
70. -1.2732959904953804 -3.9259460276496547 2 5 66 1 1                  .
    
71. .40195014229083526  .38464802811812926 2 1 59 2 5  5.886104031450156
    
72. -1.2732959904953804 -1.7706489997657628 1 1 60 2 2  5.886104031450156
    
73. .40195014229083526  .38464802811812926 2 1 54 2 2   7.92193135219777
    
74. .40195014229083526  .38464802811812926 1 1 55 2 5   7.92193135219777
    
75. .40195014229083526  .38464802811812926 2 2 48 2 5  9.075207697984686
    
76. .40195014229083526  .38464802811812926 1 1 75 2 4  8.134645279106527
    
77. .40195014229083526  .38464802811812926 2 1 66 2 2  8.134645279106527
    
78. .40195014229083526  .38464802811812926 2 1 59 2 5   8.47484224238563
    
79. .40195014229083526  .38464802811812926 1 1 58 2 2   8.47484224238563
    
80. -1.2732959904953804 -3.9259460276496547 2 2 74 2 1 10.089967119478747
    
81. .40195014229083526                   . 1 2 62 1 .  8.457867725331422
    
82. .40195014229083526  .38464802811812926 2 2 60 1 1  8.457867725331422
    
83. .40195014229083526  .38464802811812926 2 2 64 2 4   8.45553053102413
    
84. -1.2732959904953804  .38464802811812926 1 2 67 2 5   8.45553053102413
    
85. .40195014229083526 -1.7706489997657628 1 4 51 2 5  9.938693776844762
    
86. .40195014229083526  .38464802811812926 2 1 51 2 5   9.05874198545753
    
87. .40195014229083526                   . 1 2 53 2 5   9.05874198545753
    
88. -1.2732959904953804  .38464802811812926 1 1 70 1 2  8.099655505162627
    
89. .40195014229083526 -1.7706489997657628 2 1 70 1 1  8.099655505162627
    
90. .40195014229083526  .38464802811812926 2 1 61 2 4 10.372057873592121
    
91. .40195014229083526 -1.7706489997657628 1 1 61 2 5 10.372057873592121
    
92. -1.2732959904953804  .38464802811812926 1 1 67 2 4   8.42098460630512
    
93. -1.2732959904953804  .38464802811812926 2 1 61 1 1   8.42098460630512
    
94. -1.2732959904953804  .38464802811812926 2 2 56 1 1  8.103191752285786
    
95. .40195014229083526  .38464802811812926 1 1 52 1 4   8.77082379117891
    
96. .40195014229083526                   . 2 1 53 1 1   8.77082379117891
    
97. .40195014229083526  .38464802811812926 1 5 72 1 2  8.490438454107418
    
98. -1.2732959904953804                   . 1 5 55 1 1   6.61338421837956
    
99. -1.2732959904953804  .38464802811812926 2 1 59 1 2  6.887552571664617
    
100. -1.2732959904953804  .38464802811812926 1 1 64 1 4  8.879402790853444
     
101. .40195014229083526  .38464802811812926 2 1 61 1 1  8.879402790853444
     
102. -1.2732959904953804 -1.7706489997657628 1 1 50 1 1  8.757783656334167
     
103. -1.2732959904953804                   . 2 1 45 1 1  8.757783656334167
     
104. end
     
105. label values gender ba000_w2_3
     
106. label def ba000_w2_3 1 "1 male", modify
     
107. label def ba000_w2_3 2 "2 female", modify
     
108. label values marry be001
     
109. label def be001 1 "1 Married with spouse present", modify
     
110. label def be001 2 "2 Married but not living with spouse temporarily for reasons such as work", modify
     
111. label def be001 4 "4 Divorced", modify
     
112. label def be001 5 "5 Widowed", modify

复制代码

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

那是因为你回归中的所有变量只要有一个有缺失值，估计时就不会 (也不能) 用此观察值，而导致很多缺失值。

黃河泉 发表于 2019-1-4 17:34
那是因为你回归中的所有变量只要有一个有缺失值，估计时就不会 (也不能) 用此观察值，而导致很多缺失值。

请问需要剔除吗