|
Logit回归（又称逻辑回归、罗杰斯蒂回归、Logistic回归）无疑是社会科学，尤其是社会学研究中使用最广的方法，没有之一。这也是因为社会科学中变量的类型所决定的。因变量的类型决定着回归模型的使用，对于社会科学中常用的类别变量对应的就是Logit回归。 Logit回归又不同于一般线性回归，一般线性回归的回归系数以及R方等较容易解释，但是Logit回归的数学原理中涉及到了对数转换等，所以解释起来与一般线性回归有着较多的不同之处。 下面给一个具体的例子，研究的是某一地区农户耕种土地占总可耕种土地的情况。 1．Logit和Probit的模型差别 Logit回归和Probit回归本质上都是对二分类变量进行转换，而且转换的关键都是针对事件发生的概率p。其中Logit模型是进行对数转换。 Probit模型顾名思义就是进行了Probit转换，Probit转换是得到一个关于p的单调函数，并且该函数和自变量呈线性关系。 2．二分类Logistic回归 sysuse 'auto.dta',clear**一般Logistic回归logit foreign mpg weight**胜算比 (odds)获取的回归logit foreign mpg weight,or在计量经济学中，（多元）Logit模型是非常常用的建模离散选择的计量工具。Filip Matejka和 Alisdair McKay 2015年AER上的文章《Rational inattention to discrete choices: A new foundation for themultinomial logit model》通过不完全信息下「理性疏忽」的角度，提出了多元Logit 模型的一个新的基础。 在实证研究中，我们会遇到被解释变量为类别变量的情形。在部分情境下，被解释变量为非此即彼的二元选择变量 (如是否考取大学、是否结婚等)，即我们熟知的0-1变量，此时应采用二元 Logit 模型进行估计；但在很多情形中，被解释变量涉及 3 种以上的类别变量。
**计算所有系数估计值对应的胜算比mlogit, rrr
下面讨论连续变量 write 在不同取值情况下对应的平均预测概率，平均预测概率为不同 ses 层级对应的预测概率的平均值。 margins, at(write = (30(10) 70)) predict(outcome(1)) vsquishmargins, at(write = (30(10) 70)) predict(outcome(2)) vsquishmargins, at(write = (30(10) 70)) predict(outcome(3)) vsquishredict p1 p2 p3sort writetwoway (line p1 write if ses ==1) (line p1 write if ses==2) (line p1 write if ses ==3), legend(order(1 'ses = 1' 2 'ses = 2' 3 'ses = 3') ring(0) position(7) row(1)) title('general')twoway (line p2 write if ses ==1) (line p2 write if ses==2) (line p2 write if ses ==3), legend(order(1 'ses = 1' 2 'ses = 2' 3 'ses = 3') ring(0) position(7) row(1)) title('academic')twoway (line p3 write if ses ==1) (line p3 write if ses==2) (line p3 write if ses ==3), legend(order(1 'ses = 1' 2 'ses = 2' 3 'ses = 3') ring(0) position(7) row(1)) title('vocation')
**展示回归后的分类结果，包括敏感度和特异度lstat
**使用ROC评估回归效果lroc
|
|
|
