stata学习笔记|受限被解释变量
受限被解释变量类型
- 普通断尾随机变量——断尾回归:对于分析的样本解释变量有上限或者下限的要求
- 零断尾计数数据——零断尾泊松回归和负二项回归:正整数
- 偶然断尾(自选择问题)——样本选择模型:因为某些原因,导致被解释变量的取值有所不同
- 归并数据——归并Tobit模型和跨栏模型:一个离散点和一个连续分布
普通断尾回归
ll(#)表示左边断尾,ul(#)表示右边断尾,两个都用则表示双边断尾。
truncreg y x1 x2 x3,ll(#) ul(#)
结果与普通回归没有很大区别。
零断尾泊松回归和负二项回归
样本中仅包括正整数,而不包括为0的样本(本身存在一定的样本选择问题),例如,在公交车上发放问卷调查每周乘坐公交车的次数。
第二个和第三个是负二项回归,其中第二个是默认的NB2模型,第三个是NB1模型。
ztp y x1 x2 x3,r
ztnb y x1 x2 x3,r
ztnb y x1 x2 x3,r disperision(constant)
偶然断尾回归
即被解释变量y的断尾与z变量相关,这被称为偶然断尾,即存在样本自选择问题。
类似于零断尾现象的存在,样本本身被选择就是由于某些其他因素的存在。
此时需要采取heckman两步法,第一步需要测算样本被选择的概率,第二步再对规律进行回归。
第一个为默认使用的MLE法进行测算的,第二个是Heckit的两步法,第三个是选择方程的被解释变量不再是y而是w。
heckman y x1 x2 x3,select(z1 z2)
heckman y x1 x2 x3,select(z1 z2) twostep
heckman y x1 x2 x3,select(w=z1 z2)
在最后一行的p值表示拒绝原假设,即应该选择样本选择模型。
归并回归
Tobit模型
当满足某个条件时,被解释变量的取值全部归为了一个数。
即被解释变量的分布变成了一个离散点和一个连续分布。
tobit y x1 x2 x3,ll(#) ul(#)
但是其对被解释变量的分布要求很高,需要服从同方差以及正态分布的特征。(最大似然估计的衍生)
用下面的方法对正态性进行检验。(需要在进行tobit回归之后使用)
tobcm,pbs
观察CM值,将其与各个百分比的数值进行对比,大于则拒绝原假设,即不认为其为正态分布。
或者可以采用clad方法,其对分布的要求较低。
clad y x1 x2 x3,ll(#) ul(#)
若进行CLAD法,发现其与Tobit存在较大差异,则表示确实不应当采用Tobit回归。
两部分模型
将决策分为两个阶段,第一个是是否会做这件事,第二个才是做这件事的结果数值大小。
即分别进行回归,首先第一阶段,生成一个被解释的虚拟变量,利用全样本进行Probit或者Logit回归。
gen newvar=(y>0)
probit y x1 x2 x3,nolog
第二阶段,利用被解释变量>0的子样本进行回归。
reg y x1 x2 x3 if y>0,r
stata学习笔记|受限被解释变量相关推荐
- stata学习笔记|离散被解释变量
离散被解释变量 二值选择型--二值选择模型 多值选择型--多项选择模型.条件选择.混合 排序数据--排序模型 非负整数计数型--泊松.负二项 二值选择型 采用logit和probit模型(probit ...
- (7)stata的基本使用--受限被解释变量
受限被解释变量 断尾回归 概念: 命令: 示例 首先进行回归,对工作时间大于零的进行回归 下面进行断尾回归 和普通回归比较,断尾回归的差异还是很明显的 零断尾泊松回归与负二项回归 命令 示例 进行零断 ...
- STATA 学习笔记 :相关系数
STATA 学习笔记 :相关系数 为什么要计算变量之间的相关系数? 检测变量之间的多重共线性 相关系数呈现的几种方法 1. 散点图矩阵 help graph matrix Description: g ...
- STATA学习笔记:缺漏值的处理
STATA学习笔记:缺漏值的处理 1. 缺漏值的标记 stata中缺漏值默认标记为"." "."是数值,且是一个大于任何自然数的数值 [注意] sum.gene ...
- STATA学习笔记:分组统计和分组回归
STATA学习笔记:分组统计和分组回归 1. 分组统计 (1)对一个类别变量进行统计时 tabulate命令 tabulate oneway //for one-way tables of frequ ...
- STATA学习笔记:数据合并
STATA学习笔记:数据合并 一 横向合并数据:merge 1. One-to-one merge on specified key variables merge 1:1 varlist using ...
- STATA学习笔记:egen函数
STATA学习笔记:egen函数 1. egen (1)mean() webuse egenxmpl,clear egen avg = mean(cholesterol) gen deviation ...
- STATA学习笔记:外部命令
STATA学习笔记:外部命令 1.设置外部命令存储地址 //在电脑里设置好文件夹以备存储外部命令 //Set location where packages will be installed //方 ...
- 炼数成金Tensorflow学习笔记之2.2_变量
炼数成金Tensorflow学习笔记之2.2_变量 代码及分析 代码及分析 import tensorflow as tfx = tf.Variable([1, 2]) a = tf.constant ...
最新文章
- Matlab与线性代数 -- 矩阵的水平连接和垂直连接
- 一文攻破共用体-C语言
- 2.3.3 操作系统之实现临界区进程互斥的硬件实现方法
- Little Sub and Triangles
- mysql 中 add2_计算器中的F,4,2,0,ADD2怎么调,MU键有什么用??急急急
- 【转】asp.net中bind()和eval()的区别
- C语言小技巧之怎么找到需要的部分
- 关于控件开发的几点意见
- C语言Register关键字:利用寄存器提升访问效率
- 计算机期末考试方案,初中信息技术期末考试方案.doc
- 国际市场营销知识框架图_留学热门丨伦敦里士满大学市场营销本科专业
- zui之0001 npm install zui
- 数十位院士/大咖亮相,近千人到场交流,物联网人年终必聚的产业盛会来了!...
- 课程表的实现(基于强智科技教务系统)
- TR1 tuple的用法
- win10开启最小化托盘/系统托盘
- C#使用OleDB操作ACCESS插入数据时提示:参数 @p_Contract 没有默认值
- PCB软件弹出网页的解决方法之一
- 软件设计的不同模型:瀑布式、快速原型法以及迭代式
- error: invalid application of 'sizeof' to an incomplete type 'JNINativeMethod []'