面板泊松回归中，如何得到pseudo-R-squared？如果确实不存在pseudo-R-squared，那在论

相似文件 换一批

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

使用xtpoisson命令进行回归，运行后stata没有报告Pseudo-R2。然后我用asdoc把回归结果导出到Word中，看到有Pseudo-R2这一行，但是它的值是空的。

我查了一些资料，看到有一个类似的例子，是说Negativebinomial regression，想要得到Pseudo-R2，可以调用宏得到。点击help nbreg，然后看stored results那里 e(r2_p) pseudo-R-squared，存在这个宏里面的数据就是。

我照着做了一下，help xtpoisson，但是发现stored results里面并没有类似的e(r2_p)。o(╥﹏╥)o

【我的问题就是】：在面板泊松回归中，如何得到pseudo-R-squared？如果确实不存在pseudo-R-squared，那在论文的回归结果表中，应该报告什么指标来展示模型的拟合优度？

【附上我的指令和回归结果：】

指令：xtpoisson freq loss dual big4 i.year i.industry

回归结果：
Random-effects Poisson regression        Number of obs     =    14,888
Group variable: id        Number of groups  =    2,174

Random effects u_i ~ Gamma        Obs per group:
        min =    1
        avg =    6.8
        max =    9

        Wald chi2(39)     =    253.97
Log likelihood  = -7245.2721        Prob > chi2       =    0.0000

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3 回帖

关键词：Squared Square pseudo 泊松回归 red

. use https://www.stata-press.com/data/r16/ships, clear

. xtpoisson accident op_75_79 co_65_69 co_70_74 co_75_79, exp(service) irr fe vce(robust)

Iteration 0:   log pseudolikelihood = -80.738973  
Iteration 1:   log pseudolikelihood = -54.857546  
Iteration 2:   log pseudolikelihood = -54.641897  
Iteration 3:   log pseudolikelihood = -54.641859  
Iteration 4:   log pseudolikelihood = -54.641859  

Conditional fixed-effects Poisson regression    Number of obs     =         34
Group variable: ship                            Number of groups  =          5

                                                Obs per group:
                                                              min =          6
                                                              avg =        6.8
                                                              max =          7

                                                Wald chi2(4)      =    2582.51
Log pseudolikelihood  = -54.641859              Prob > chi2       =     0.0000

                                   (Std. Err. adjusted for clustering on ship)
------------------------------------------------------------------------------
             |               Robust
    accident |        IRR   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    op_75_79 |   1.468831   .1114026     5.07   0.000      1.26594     1.70424
    co_65_69 |   2.008002   .1253984    11.16   0.000     1.776672    2.269453
    co_70_74 |    2.26693   .2340937     7.93   0.000     1.851566    2.775474
    co_75_79 |   1.573695   .2495366     2.86   0.004     1.153315    2.147303
ln(service) |          1  (exposure)
------------------------------------------------------------------------------

. poisson accident op_75_79 co_65_69 co_70_74 co_75_79 i.ship, exp(service) irr vce(cluster ship)

Iteration 0:   log pseudolikelihood = -120.33891  
Iteration 1:   log pseudolikelihood = -68.554441  
Iteration 2:   log pseudolikelihood = -68.280965  
Iteration 3:   log pseudolikelihood = -68.280771  
Iteration 4:   log pseudolikelihood = -68.280771  

Poisson regression                              Number of obs     =         34
                                                Wald chi2(3)      =          .
                                                Prob > chi2       =          .
Log pseudolikelihood = -68.280771               Pseudo R2         =     0.4408

                                   (Std. Err. adjusted for 5 clusters in ship)
------------------------------------------------------------------------------
             |               Robust
    accident |        IRR   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    op_75_79 |   1.468831   .1245519     4.53   0.000     1.243921    1.734406
    co_65_69 |   2.008002   .1401996     9.98   0.000     1.751189    2.302478
    co_70_74 |    2.26693   .2617247     7.09   0.000     1.807857    2.842577
    co_75_79 |   1.573695   .2789904     2.56   0.011     1.111774    2.227536
             |
        ship |
          2  |   .5808026   .0342346    -9.22   0.000     .5174349    .6519306
          3  |    .502881   .0147863   -23.38   0.000     .4747197     .532713
          4  |    .926852   .0419759    -1.68   0.093     .8481265    1.012885
          5  |   1.384833    .034818    12.95   0.000     1.318245    1.454784
             |
       _cons |   .0016518   .0001088   -97.22   0.000     .0014517    .0018795
ln(service) |          1  (exposure)
------------------------------------------------------------------------------
Note: _cons estimates baseline incidence rate.

. ppmlhdfe accident op_75_79 co_65_69 co_70_74 co_75_79, exp(service) irr absorb(ship) vce(cluster ship)
Iteration 1:   deviance = 1.1044e+02  eps = .         iters = 1    tol = 1.0e-04  min(eta) =  -3.81  P   
Iteration 2:   deviance = 4.3458e+01  eps = 1.54e+00  iters = 1    tol = 1.0e-04  min(eta) =  -4.74      
Iteration 3:   deviance = 3.8741e+01  eps = 1.22e-01  iters = 1    tol = 1.0e-04  min(eta) =  -5.01      
Iteration 4:   deviance = 3.8695e+01  eps = 1.18e-03  iters = 1    tol = 1.0e-04  min(eta) =  -5.03      
Iteration 5:   deviance = 3.8695e+01  eps = 1.81e-07  iters = 1    tol = 1.0e-04  min(eta) =  -5.03      
Iteration 6:   deviance = 3.8695e+01  eps = 8.49e-15  iters = 1    tol = 1.0e-05  min(eta) =  -5.03   S O
------------------------------------------------------------------------------------------------------------
(legend: p: exact partial-out   s: exact solver   h: step-halving   o: epsilon below tolerance)
Converged in 6 iterations and 6 HDFE sub-iterations (tol = 1.0e-08)

HDFE PPML regression                              No. of obs      =         34
Absorbing 1 HDFE group                            Residual df     =          4
Statistics robust to heteroskedasticity           Wald chi2(4)    =    2066.01
Deviance             =  38.69505154               Prob > chi2     =     0.0000
Log pseudolikelihood = -68.28077143               Pseudo R2       =     0.8083

Number of clusters (ship)   =          5
                                   (Std. Err. adjusted for 5 clusters in ship)
------------------------------------------------------------------------------
             |               Robust
    accident |     exp(b)   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    op_75_79 |   1.468831   .1245519     4.53   0.000     1.243921    1.734406
    co_65_69 |   2.008002   .1401996     9.98   0.000     1.751189    2.302478
    co_70_74 |    2.26693   .2617247     7.09   0.000     1.807857    2.842577
    co_75_79 |   1.573695   .2789904     2.56   0.011     1.111774    2.227536
       _cons |   .0011254   .0000395  -193.37   0.000     .0010506    .0012056
ln(service) |          1  (exposure)
------------------------------------------------------------------------------

Absorbed degrees of freedom:
-----------------------------------------------------+
Absorbed FE | Categories  - Redundant  = Num. Coefs |
-------------+---------------------------------------|
        ship |         5           5           0    *|
-----------------------------------------------------+
* = FE nested within cluster; treated as redundant for DoF computation

黃河泉 发表于 2020-6-21 12:03
. use https://www.stata-press.com/data/r16/ships, clear

. xtpoisson accident op_75_79 co_65_69 co ...

明白了，谢谢黄教授耐心解答！

没看懂解答，求楼主解答

看不懂+1，求解答

mrcsheryl 发表于 2022-3-7 09:30
看不懂+1，求解答

注意看黄教授给的操作代码，已经汇报的结果就知道了
xtpoisson accident op_75_79 co_65_69 co_70_74 co_75_79, exp(service) irr fe vce(robust)
poisson accident op_75_79 co_65_69 co_70_74 co_75_79 i.ship, exp(service) irr vce(cluster ship)
ppmlhdfe accident op_75_79 co_65_69 co_70_74 co_75_79, exp(service) irr absorb(ship) vce(cluster ship)

泊松回归，学习了！谢谢！

exp(service)  是什么意思，括号里的service是指回归的自变量吗。回答挺专业，就是回答得不清不楚。