多元线性回归的STATA应用.pdf

《多元线性回归的STATA应用.pdf》由会员分享，可在线阅读，更多相关《多元线性回归的STATA应用.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、多元线性回归分析（Stata）回归分析的介绍与分类回归分析的任务是：通过研究变量X和因变量Y的关系，尝试去解释Y的形成机制，进达到通过X去预测Y的的三个关键字：相关性、因变量Y、变量X常见的回归分析有五类（划分的依据是因变量Y的类型）：线性回归：因变量Y为连续性数值变量，例如GDP的增长率0-1回归：因变量Y为0-1型变量，例如P2P公司研究借款是否能按时还贷，那么Y可以设计为值变量，Y=0时代表可以还贷，Y=1时代表不能还贷定序回归：因变量Y为定序变量，例如1表不喜欢，2表般般，3表喜欢计数回归：因变量Y为计数变量，例如管理学中的RFM模型，F代表定时间内，客户到访的次数，次数其实就是个负整

2、数存回归：因变量Y为存变量（截断数据），例如研究产品寿命，企业寿命和的寿命，假设做吸烟对寿命的影响，选取的样本中王60岁，但是王此时体很健康，不能等王去世再做研究，所以只能记他的寿命为60+，这种数据就是截断的数据回归分析的使命：1.识别重要变量，那些变量X是同Y真的相关2.判断相关性的向，正相关还是反相关3.要估计权重回归分析的分类数据的分类横截数据：在某时点收集的不同对象的数据，eg：全国各省份2021年GDP数据时间序列数据：在同对象在不同时间连续观察所得的数据，eg：某地每隔时测得的温度数据板数据：横截数据和时间序列数据综合在起的种数据多元线性回归模型的条件模型符合线性模式X满秩（多重

3、共线性）零均值价值 E(iXi)=0（变量外）内性问题同差：Var(iXi)=相关：Cov(i,Xi)=0线性理解与内性问题研究回归分析中对线性的理解回归分析中的线性假定并不要求初始模型都呈严格的线性关系，变量和因变量可以通过变量替换来转换成线性模型例如：标准化回归系数我们通常得到的回归程中的回归系数都是标准化回归系数，表的是在其他变量不变的时候，该系数对应的变量每增加个单位的量，因变量就增加该系数的值，体现的是对因变量绝对的影响，并不能去判断不同变量之间谁对因变量的影响；标准化回归系数就是指对数据进标准化处理标准化处理：讲原始数据减去它的均数后除以它的标准差，计算得到新的变量值，消除了量纲、

4、数量级等差异的影响标准化处理后得到的回归程即为标准化回归程，使得不同变量间具有可变性，标准回归系数的绝对值越即对因变量的影响最（只关注显著的回归系数）stata操作：在regress 后添加参数bregress y x1 x2.xk,b对数据进描述性统计的法excel数据分析stata-summarizeStata具的使1.数据的描述性统计1.定量数据：summarize 变量1 变量2.2.定性数据：tabulate 变量名,(gen(A)返回对应这个变量的频率分布表，可选择并成对应的虚拟变量（以A开头）虚拟变量是针对定性数据设置的特殊变量详细解释看 Chapter72.回归分析regres

5、sion y x1 x2.xk（默认采的是OLS普通最乘法）利Stata对数据进回归分析的注意点解释：1.上表格第依次为SS（sum of squares），df（degree of freedom），MS（mean square）2.右边的F(df of model,df of residual)=MS of Model/MS of Residual=7.7543e+10/5.1386e+9=15.093.F值的H0假设是：所有的变量predictor都对y不会产影响，即所有predictor的coef都=0，所有的predictor都不significant4.下的prob F是指上述H0

6、成的可能性。当其趋于0时表少会有些predictor的coef不为0（即相关）模型合理5.Adj R-squared 由于R2存在个问题：论什么predictor加到模型中，R2都会变。为了避免这个问题，adjR2惩罚了模型的复杂度6.下这张表格的第列为coef回归系数7.第列为Coef的Std.Err，值越说明Coef的值越可信8.第三列t值=Coef/Std.Err，|t-statistics|2对应的predictor就是significant9.第三列是p|t|，表prob|t|，值于0.05般就是significant核关注点：模型是否合理：联合显著性检验，如果P值0.05说明存在相

7、关性，否则不存在置信度低（系数显著与否）：如果P值（蓝）90%，0.05说明置信度于95%，Regession coeffient显著异差问题第张为同差：成的线性模型到每个数据的垂直平距离相差就是同差；后三张即为不同类型的异差 异差的检验1.残差图检验（应该是稳定的平于X轴）Stata中的操作：1.rvfplot（画残差与拟合值的散点图）2.rvpplot x（画残差与变量X的散点图）2.怀特检验（white检验）Stata中的操作：estat imtest,white 怀特检验的原假设：不存在异差 若p值0.05说明在置信度95%以上认为原假设不成异差的纠正1.OLS+稳健的标准差如果发现存

8、在异差，种处理法是，仍然进OLS 回归，但使稳健标准误。这是最简单，也是前通的法。只要样本容量较，即使在异差的情况下，若使稳健标准误，则所 有参数估计、假设检验均可照常进。换之，只要使了稳健标准误，就可以与异差“和平共处”了。Stata的操作：regress y x1 x2.xk,robust2.义最乘法GLSStock and Watson(2011)推荐，在多数情况下应该使“OLS+稳健标准误”多重共线性问题表现:系数估计值符号相反某些重要的解释变量t值低但是R2不低当不太重要的解释变量被删除后，回归结果显著变化原因：某解释遍历可以由其他解释变量线性表解释变量享有共同的时间趋势由于数据收集的基础不够宽，某些解释变量可能会起变动个解释变量是另个的滞后，者往往遵循个趋势检验（VIF）Stata操作：estat vifSoution