基础部分

先确定二元选择模型的类型，通常有Probit模型、Logit模型、Extreme模型等，前面两种最常用。如果随机误差项服从标准正态分布，就用Probit模型；如果随机误差项服从逻辑分布，就用Logit模型。当然，事先也不知道随机误差项究竟服从何种分布，所以Probit模型和Logit模型任选一种即可，问题不是很大。二元选择模型是非线性模型，所以参数估计要用最大似然估计法(MLE)。如果模型类型选择正确(即假设随机误差项服从何种分布判断正确)，那么用最大似然估计法就能得到一致的估计；反之，用最大似然估计法得到的是准最大似然估计值(QMLE)。
Probit模型的Stata命令为：

probit y x1x2 x3

Logit模型的Stata命令为：

logit y x1 x2x3

由此得到的估计系数，要看符号正负，至于具体数值没什么意义。如果系数符号为正，表明解释变量越大，被解释变量取1的概率越大(即取0的概率越小)；反之，如果系数符号为负，表明解释变量越大，被解释变量取1的概率越小(即取0的概率越大)。
对于不显著的解释变量，可以剔除后再次进行回归。另外，要检验下模型设定是否正确(即是否存在遗漏变量、无关变量、函数形式不对等问题)，所用的方法是比较普通标准误和稳健标准误。

前面Stata命令得到的是普通标准误，想得到稳健标准误，用下面Stata命令：
对于Probit模型是

probit y x1 x2 x3, r

对于Logit模型是

logit y x1 x2 x3, r

如果稳健标准误和普通标准误比较接近，就可认为模型设定没问题；反之，稳健标准误和普通标准误差异较大，则要怀疑模型设定有误。
当模型设定正确时，Stata命令就没必要用稳健标准误r了(当然用了也没错)。

在估计结果出来后，要评价估计结果好不好，主要看两个统计量：

一是似然比检验量LR，如果其p值小于设定的显著性水平，则表明整个方程除常数项以外的所有其他系数具有联合显著性；

二是正确预测的百分比(percent correctly predicted)，百分比越高表示拟合优度越高，计算正确预测百分比的Stata命令为：estat clas。
Probit模型、Logit模型在大样本时估计效果较好，在有限样本(样本容量小于200)情况下，可能会出现估计偏差。
由于聚类抽样原因，观测值之间可能会出现依赖性，即组内个体存在组内自相关性，这时需要使用聚类稳健标准误，Stata命令为：

对于probit模型

probit y x1 x2 x3, vce(cluster clustervar)

对于logit模型

logit y x1 x2 x3,vce(cluster clustervar)

clustervar表示聚类变量。

进阶部分：边际效应

前面用probit、logit命令得到的二元选择模型的估计系数，并不是偏导数的含义。那么，要像线性模型估计一样，使参数表示偏导数(边际效应)，如何做呢？这就需要在得到系数估计结果后，继续使用margin命令。这里要注意的是，对非线性模型，边际效应并非常数(在线性模型中是)，边际效应是随着解释变量的变化而发生变化的。因此，需要区分几种不同类型的边际效应概念：

一是平均边际效应(average marginal effect，AME)，其含义是分别计算在每个样本观测值上的边际效应，然后进行简单算数平均，AME在操作中是最常用的；二是样本均值处的边际效应(marginal effect at mean，MEM)；三是在某代表值处的边际效应(MER)。
如果要计算所有解释变量的边际效应，Stata命令为：

margin, dydx(*)     平均边际效应margin, dydx(*) atmeans    样本均值处的边际效应margin, dydx(*) at(x1=h)    在x1=h处的边际效应

如果只是计算某个解释变量(下面假设是x1)的边际效应，Stata命令为：

margin, dydx(x1)     x1的平均边际效应margin, dydx(x1) atmeans    x1在均值处的边际效应margin, dydx(x1) at(x1=h)    x1在x1=h处的边际效应

上述边际效应的含义为：解释变量每增加一单位，被解释变量取1的概率变化多少单位
另外，dydx也可以改为dyex(半弹性)，这时边际效应的含义是：解释变量每增加1%，被解释变量取1的概率变化多少单位。
有人会问，计算在某代表值处的边际效应有啥用处呢？主要有两个意义：
第一，便于创建一个基准值进行比较分析；
第二，可以比较解释变量取不同值时边际效应的大小，考察随着解释变量变化边际效应的相应变化趋势和特点，由此发现一些有规律或有政策启示的现象。

进阶部分：几率比

几率比(oddsratio)是被解释变量取1的概率与取0的概率的比值
估计几率比的stata命令为：

logit y x1 x2x3, or

得到的估计参数的含义为：解释变量每增加一单位，被解释变量几率比将变化(参数值-1)个单位。

对于Probit模型，无法获得几率比，这是其相对于logit模型的劣势。

进阶部分：异方差下的Probit模型

标准的Probit模型、logit模型均假设随机误差项是同方差的，在有异方差的情况下，对Probit模型进行估计的stata命令为：

hetprob y x1 x2 x3, het(varlist)

varlist为对随机误差项方差有影响的所有变量。

显示结果的最后一行有似然比检验(LR)，当其p值大于设定的显著性水平时，则接受同方差的原假设，只要用标准模型估计即可；反之，则说明存在异方差，需要用上面的方法进行估计。

进阶部分：稀有事件偏差

当y=1的发生频率极少时称为稀有事件，解决办法有两种：

第一种办法是仍使用logit模型，但对因稀有事件造成的小样本偏差进行估计，然后对原logit模型的估计系数进行修正，得到偏差修正估计，相应的stata命令为：

relogit y x1 x2 x3

(注意：relogit非自带程序，要专门下载，详见陈强(2014，P180)；另外，relogit命令默认使用稳健标准误，如不使用需在选项中加nor，即relogit y x1 x2 x3, nor)。

第二种办法是使用非对称的极值分析，得到“补对数-对数模型”，相应的stata命令为：

cloglog y x1 x2 x3

无论是用何种方法，均可进一步计算边际效应，但无法用estat clas命令得到正确预测的百分比，也无法用or命令得到几率比。

进阶部分：含内生变量的probit模型

第一步：解释变量的内生性检验，确定解释变量是否为内生变量。
stata命令为：

ivprobit y1 x1 x2  (y2=z1 z2)

或者

ivprobit y1 x1x2  (y2=z1 z2), first twostep

其中，y1是被解释变量，x1、x2均是外生解释变量，y2是内生解释变量，z1和z2均是工具变量。

如果wald检验结果的p值小于给定的显著性水平，说明y2确实是内生变量(注意：前一个命令用的是MLE法；后一个命令用的是两阶段法，first表示显示第一步结果，可选。另外，两种命令后，均可以用margin命令计算边际效应；MLE法后可用estat clas命令得到正确预测的百分比，但两阶段法后无法使用estat clas)。
第二步：过度识别检验，当工具变量个数大于内生解释变量个数时进行，目的是检验是否所有工具变量都是外生的，即与随机误差项无关
stata命令为：

overid

当检验结果的p值大于给定的显著性水平时，说明工具变量均是外生的。
第三步：弱工具变量检验，目的是判断所选择的工具变量是否为弱工具变量。
stata命令为：

weakiv ivprobit y1 x1 x2  (y2=z1 z2),twostep

(选项twostep是必不可少的)
如果检验结果的p值小于给定的显著性水平，说明工具变量不是弱工具变量。
注意：overid和weakiv命令都不是自带程序，要专门下载，下载命令ssc install。