Thủ Thuật Hướng dẫn Cách chạy quy mô hồi quy trong Stata 2022
You đang tìm kiếm từ khóa Cách chạy quy mô hồi quy trong Stata được Cập Nhật vào lúc : 2022-01-18 08:17:11 . Với phương châm chia sẻ Bí kíp về trong nội dung bài viết một cách Chi Tiết 2022. Nếu sau khi tìm hiểu thêm tài liệu vẫn ko hiểu thì hoàn toàn có thể lại phản hồi ở cuối bài để Mình lý giải và hướng dẫn lại nha.
Hướng dẫn phân tích hồi quy tuyến tính với Stata
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản khá đầy đủ của tài liệu tại đây (839.86 KB, 37 trang )
HỒI QUY TUYẾN TÍNH VỚI 01 BIẾN ĐỘC LẬP ĐỊNH LƯỢNG………………….2
HỒI QUY TUYẾN TÍNH VỚI 01 BIẾN ĐỊNH TÍNH…………………………………….10
HỒI QUY TUYẾN TÍNH ĐA BIẾN VỚI NHIỀU BIẾN ĐỘC LẬP ĐỊNH
LƯỢNG…………………………………………………………………………………………………….12
HỒI QUY TUYẾN TÍNH VỚI BIẾN ĐỘC LẬP CÓ BIẾN ĐỊNH TÍNH HAI GIÁ
TRỊ (MÔ HÌNH ANCOVA)…………………………………………………………………………19
HỒI QUY TUYẾN TÍNH VỚI BIẾN ĐỘC LẬP CÓ BIẾN ĐỊNH TÍNH TRÊN
HAI GIÁ TRỊ (MÔ HÌNH ANCOVA)…………………………………………………………..27
CHỌN COVARIATE ĐƯA VÀO MÔ HÌNH…………………………………………………34
HỒI QUY TUYẾN TÍNH VỚI 01 BIẾN ĐỘC LẬP
ĐỊNH LƯỢNG
Kết quả quy mô tuyến tính đã cho toàn bộ chúng ta biết ngân sách (expense) càng nhiều thì điểm
SAT càng thấp.
F test ở trên cùng dùng để xem nhận giả thuyết H0 rằng thông số của toàn bộ những
biến tiên đoán trong quy mô (ở đấy là biến expense) đều bằng 0. Giá trị F = 13,61
với với cùng 1 và 49 độ tự do, và p. < 0,001 đã bác bỏ giả thuyết này. Prob > F nghĩa là
xác suất F to nhiều hơn nếu toàn bộ chúng ta rút ra một mẫu ngẫu nhiên từ dân số mà giả
thuyết H0 là đúng.
Ở góc trên phải, toàn bộ chúng ta có R2 = 0,2174. Chi phí lý giải cho 22% sự thay
đổi trong chỉ số SAT của bang. Adjusted R2 = 0,205 liên quan đến độ phức tạp của
quy mô.
Bảng dưới cho phương trình Dự kiến SAT:
csat = 1060.732 0.0222758 x expense
Cột thứ hai liệt kê sai số chuẩn ước lượng của thông số. Các số này dùng để tính
t test (cột 3-4) và khoảng chừng tin cậy (cột 5-6) cho từng thông số hồi quy. Giá trị t (hệ
số/sai số chuẩn) test giả thuyết H0 tương ứng thông số của dân số bằng 0. Với alpha =
0,05 thì cả hai giả thuyết cho thông số và điểm chặn đều bị bác.
. predict yhat, xb
Sau khi chạy lệnh regress toàn bộ chúng ta hoàn toàn có thể tạo giá trị tiên đoán bằng lệnh predict.
Otion xb nghĩa là xs times betas và tượng trưng cho β1 + β2xi
. twoway (scatter salary market) (line yhat market, sort), ytitle(Academic salary)
20000
Academic salary
40000
60000
80000
100000
xtitle(Marketability)
.6
.8
1
Marketability
salary
1.2
1.4
Linear prediction
Đồ thị Một trong những giá trị quan sát (yi, xi) và đường thẳng nối những điểm tiên đoán từ mô
hình.
Đồ thị đã cho toàn bộ chúng ta biết đường thẳng có vẻ như thích hợp tốt và giả định phương sai hằng định
không biến thành vi phạm.
Có sự phân tán đáng kể xung quanh đường hồi quy với chỉ có 16.6% (R-squared
trong kết quả hồi quy) sự biến thiên trong salaries là được lý giải bởi
marketbility.
Chúng ta cũng hoàn toàn có thể tạo biến mới là thông số dư của quy mô bằng lệnh predict
với option resid.
. graph twoway mspline yhat percent,band(50) || scatter csat percent ||, ytitle(mean
800
900
mean of sat
1000
1100
of sat) legend(off)
0
20
40
% HS graduates taking SAT
60
80
Vừa vẽ đồ thị phân tán đồ giữa biến csat và percent và đường hồi quy tuyến
tính giữa giá trị tiên đoán và biến percent.
mspline: là vẽ đường cong bậc ba ứng với 50 trung vị cắt ngang. Trong
trường hợp tuyến tính thì chỉ vẽ một đường thẳng còn trong trường hợp giá trị
tiên đoán không tuyến tính thì sẽ là một đường cong.
. rvfplot, yline(0)
100
50
Residuals
0
-50
850
900
950
Fitted values
1000
1050
Vẽ biểu đồ giá trị tiên đoán và thông số dư (residual-versus-predicted-values
plots). Biểu đồ đã cho toàn bộ chúng ta biết quy mô hiện tại nhìn ra được kiểu hiển nhiên trong dữ
liệu. Hệ số dư hoặc sai số trong Dự kiến dường như hầu hết dương tính lúc ban
đầu (do tiên đoán quá cao), tiếp theo đó hầu như âm tính và tiếp theo đó là dương tính trở
lại. Điều này đã cho toàn bộ chúng ta biết quan hệ giữa điểm SAT và percent là quan hệ U-shape
chứ không phải tuyến tính.
. graph twoway lfitci csat percent,stdp || scatter csat percent,msymbol(0) ||,
ytitle(mean of sat) legend(off)
named style 0 not found in class symbol, default attributes used)
800
900
mean of sat
1000
1100
(note:
0
20
40
% HS graduates taking SAT
60
80
Vẽ khoảng chừng tin cậy 95% cho trung bình có Đk (nghĩa là giá trị trung
bình với một giá trị x ước lượng trước). Khoảng tin cậy 95% trong trường hợp này
diễn tả sự không chắc như đinh trong ước lượng trung bình có Đk của y tại một
giá x cho trước (hay là phối hợp nhiều x trong hồi quy tuyến tính). Khoảng tin cậy có
hình thu nhỏ lại ở TT đó đó là trung bình của x.
. gen percent2 = percent^2
. regress csat percent percent2
Source |
SS
df
MS
————-+———————————-
Number of obs
=
51
F(2, 48)
=
153.48
Model |
193721.829
2
96860.9146
Prob > F
=
0.0000
Residual |
30292.6806
48
631.097513
R-squared
=
0.8648
Adj R-squared
=
0.8591
Root MSE
=
25.122
————-+———————————Total |
224014.51
50
4480.2902
—————————————————————————–csat |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————percent |
-6.111993
.6715406
-9.10
0.000
-7.462216
-4.76177
percent2 |
.0495819
.0084179
5.89
0.000
.0326566
.0665072
_cons |
1065.921
9.285379
114.80
0.000
1047.252
1084.591
—————————————————————————–. predict yhat2
(option xb assumed; fitted values)
. graph twoway mspline yhat2 percent, bands(50)|| scatter csat percent||, legend (off)
ytitle(mean sat)
1100
1000
mean sat
900
800
0
20
40
% HS graduates taking SAT
. quietly regress csat percent percent2
. rvfplot, yline(0)
60
80
50
Residuals
0
-50
850
900
950
Fitted values
1000
1050
Vì mối liên quan giữa csat và percent có dạng U-shaped nên toàn bộ chúng ta phải
chạy quy mô hồi quy lũy thừa bằng những thêm biến bình phương percent vào mô
hình.
Mô hình lũy thừa có R2 tốt hơn quy mô tuyến tính (0,86 so với 0,83). Đồ thị
thông số dư đã và đang cho toàn bộ chúng ta biết quan hệ đã hầu như trở thành đường thẳng.
HỒI QUY TUYẾN TÍNH VỚI 01 BIẾN ĐỊNH TÍNH
. regress salary male
Source |
SS
df
MS
————-+———————————-
Number of obs
=
514
F(1, 512)
=
76.96
Model |
1.0765e+10
1
1.0765e+10
Prob > F
=
0.0000
Residual |
7.1622e+10
512
139887048
R-squared
=
0.1307
Adj R-squared
=
0.1290
Root MSE
=
11827
————-+———————————Total |
8.2387e+10
513
160599133
—————————————————————————–salary |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————male |
10582.63
1206.345
8.77
0.000
8212.636
12952.63
_cons |
42916.6
1045.403
41.05
0.000
40862.8
44970.41
Chạy quy mô hồi quy cho biến định tính. Mô hình này tương tự như chạy phép
kiểm t-test hai mẫu độc lập chỉ khác là biến hiệu hai trung bình có dấu rất khác nhau.
. regress salary male, vce(robust)
Linear regression
Number of obs
=
514
F(1, 512)
=
105.26
Prob > F
=
0.0000
R-squared
=
0.1307
Root MSE
=
11827
—————————————————————————–|
salary |
Robust
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————male |
10582.63
1031.462
10.26
0.000
8556.213
12609.05
_cons |
42916.6
808.184
53.10
0.000
41328.84
44504.37
Chúng ta hoàn toàn có thể giải phóng giả định homoskedasticity (and normality) trong hồi
quy tuyến tính bằng phương pháp thay model-based estimator truyền thống cuội nguồn riêng với sai số
chuẩn bằng sandwich estimator.
Option vce(robust) (vce là variancecovariance matrix of estimates) sẽ chạy mô
hình với sandwich estimator.
Số t hầu như giống với t trong phép kiểm t-test với phương sai không bằng nhau.
HỒI QUY TUYẾN TÍNH ĐA BIẾN VỚI NHIỀU
BIẾN ĐỘC LẬP ĐỊNH LƯỢNG
Chạy quy mô hồi quy tuyến tính ước lượng expense tiên đoán cho csat,
hiệu chỉnh theo những biến percent, income, high và college.
Phương trình hồi quy có dạng
Chỉ có thông số của percent là có ý nghĩa thống kê. Phương trình này gọi là hệ
số hồi quy từng phần bậc 4 vì hiệu chỉnh theo 4 biến (percent, income, high và
college).
Phương trình lý giải như sau: chỉ có điểm SAT sẽ giảm -2,618 điểm cho
mỗi Phần Trăm số người tốt nghiệp trung học thi SAT tăng thêm, nếu high, expense,
income, high và college không thay đổi.
Cả 5 biến trong quy mô này lý giải cho 80% những thay đổi trong điểm
SAT trung bình (R2 = 0,8048). trái lại quy mô ban đầu chỉ lý giải cho 20%
sự thay đổi mà thôi.
Sau khi chạy lệnh regress toàn bộ chúng ta hoàn toàn có thể tạo giá trị tiên đoán bằng lệnh
predict.
Chúng ta cũng hoàn toàn có thể tạo biến mới là thông số dư của quy mô bằng lệnh predict
với option resid. Hệ số dư tính bằng phương pháp lấy giá trị quan sát được trừ cho giá trị
tiên đoán từ quy mô. Nếu thông số dư âm nghĩa là quy mô đã tiên đoán quá lố những
giá trị quan sát. Nghĩa là tại những bang này, điểm trung bình SAT thấp hơn so với
toàn bộ chúng ta mong đợi. Nếu thông số dư dương thì có nghĩa giá trị quan sát to nhiều hơn giá trị
tiên đoán.
. histogram res, normal
Vẽ phân phố của thông số dư tiên đoán từ quy mô. Phân phối thông số dư có vẽ bị lệch
do đó biến phụ thuộc là salary nên phải log tranform.
. graph matrix
percent percent2 high csat, half msymbol(+)
% HS
graduates
taking
SAT
6000
4000
percent2
2000
0
90
%
adults
HS
diploma
80
70
60
1100
Mean
composite
SAT
score
1000
900
800
0
50
1000
2000 4000 600060
70
80
90
Ma trận phân tán đồ đã cho toàn bộ chúng ta biết tương quan giữa 4 biến trong quy mô. Biến
percent2 được cho phép quy mô sữa chữa được quan hệ đường cong giữa csat và
percent.
. ovtest
Ramsey RESET test using powers of the fitted values of csat
Ho:
model has no omitted variables
F(3, 44) =
1.48
Prob > F =
0.2319
Phép kiểm biến vô hiệu (omitted-variable test) hầu hết hồi quy y theo những
biến x, và cũng là sức mạnh hai, ba và 4 của biến tiên đoán y (sau khi chuẩn hóa
giá trị tiên đoán với trung bình 0 và phương sai 1). Phép kiểm thực thi F test với
giả thuyết H0 rằng toàn bộ 3 thông số trên sức mạnh mẽ và tự tin của giá trị tiên đoán = 0. Nếu
toàn bộ chúng ta bác bỏ H0 những bậc lũy thữa cao hơn sẽ cải tổ quy mô. Với quy mô
này, toàn bộ chúng ta không cần bác bỏ giả thuyết H0.
. hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of csat
chi2(1)
=
4.86
Prob > chi2
=
0.0274
Phép kiểm giống hệt lệch (heeroskedasticity test) kiểm tra giả định phương
sai sai lệch hằng định bằng phương pháp kiểm tra thông số dư chuẩn bình phương có tuyến
tính với giá trị tiên đoán hay là không. Kết quả quy mô đã cho toàn bộ chúng ta biết rằng toàn bộ chúng ta bác
bỏ giả thuyết H0 về phương sai hằng định.
-40
-20
Residuals
0
20
40
. rvfplot, yline(0)
850
900
950
Fitted values
1000
1050
Đồ thị giữa giá trị tiên đoán và thông số dư của quy mô gồm có một đường
ngang tại giá trị 0 đó đó là trung bình thông số dư. Đồ thị đã cho toàn bộ chúng ta biết thông số dư phân loại
đều xung quanh giá trị 0 (phân loại đều đó đó là điểm lưu ý của giả định sai số bình
thường), và không còn mức giá trị ngoại lai hoặc đường cong. Tuy nhiên, sự phân tán
của thông số dư dường như to nhiều hơn cho những giá trị tiên đoán trên trung bình của y, là
nguyên do mà phép kiểm hettest trước đó bác bỏ giả thuyết phương sai hằng định.
100
-100
-50
e( csat | X )
0
50
e( csat | X )
-50
0
50
100
. avplots
-10
-5
0
e( percent | X )
5
10
0
500
e( percent2 | X )
1000
coef = .05365555, se = .00636777, t = 8.43
-50
e( csat | X )
0
50
coef = -6.5203116, se = .50958046, t = -12.8
-500
-10
-5
0
e( high | X )
5
10
coef = 2.9865088, se = .48575023, t = 6.15
Đồ thị giữa biến y và những biến predictor x gọi là đồ thị thông số dư hiệu chỉnh
từng phần hoặc đồ thị biến số hiệu chỉnh, mô tả quan hệ giữa biến y và x hiệu
chỉnh ảnh hưởng của những biến số x khác.
Đồ thị giúp mày mò những quan sát gây ra ảnh hưởng sự không tương đương lên quy mô
hồi quy. Đồ thị đã cho toàn bộ chúng ta biết giữa biến high và csat có một số trong những số ngoại lai.
. regress salary i.male c.marketc##c.yearsdg i.rank
Source |
SS
df
MS
=
514
F(6, 507)
=
247.16
Prob > F
=
0.0000
R-squared
=
0.7452
Adj R-squared
=
0.7422
Root MSE
=
6434.4
————-+———————————-
Number of obs
Model |
6.1397e+10
6
1.0233e+10
Residual |
2.0990e+10
507
41401072
————-+———————————Total |
8.2387e+10
513
160599133
————————————————————————————salary |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
——————–+—————————————————————male |
Men
|
926.1298
712.2859
1.30
0.194
-473.2657
2325.525
marketc |
46905.65
3455.747
13.57
0.000
40116.31
53695
yearsdg |
540.73
51.40369
10.52
0.000
439.7395
641.7205
-750.415
214.1251
-3.50
0.000
-1171.097
-329.7334
|
c.marketc#c.yearsdg |
|
rank |
Associate
|
3303.134
859.6452
3.84
0.000
1614.229
4992.04
Full
|
11573.46
1165.936
9.93
0.000
9282.799
13864.12
36044.19
711.6195
50.65
0.000
34646.1
37442.28
|
_cons |
Chạy quy mô hồi quy với tương tác giữa hai biến liên tục là marketc và yearsdg.
HỒI QUY TUYẾN TÍNH VỚI BIẾN ĐỘC LẬP CÓ
BIẾN ĐỊNH TÍNH HAI GIÁ TRỊ (MÔ HÌNH
ANCOVA)
. regress salary i.male marketc yearsdg
Source |
SS
df
MS
————-+———————————-
Number of obs
=
514
F(3, 510)
=
367.56
Model |
5.6333e+10
3
1.8778e+10
Prob > F
=
0.0000
Residual |
2.6054e+10
510
51087083.4
R-squared
=
0.6838
Adj R-squared
=
0.6819
Root MSE
=
7147.5
————-+———————————Total |
8.2387e+10
513
160599133
—————————————————————————–salary |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————male |
Men
|
2040.211
783.122
2.61
0.009
501.6684
3578.753
marketc |
38402.39
2171.689
17.68
0.000
34135.83
42668.95
yearsdg |
949.2583
35.94867
26.41
0.000
878.6326
1019.884
_cons |
34834.3
733.7898
47.47
0.000
33392.68
36275.93
——————————————————————————.
Lệnh regress đơn thuần cũng chạy quy mô ANCOVA như lệnh xi: tuy nhiên đối
với lệnh regress chỉ dành riêng cho biến định tính có hai giá trị (male có mức giá trị male = 1
và female=0). Còn lệnh xi: giúp lập quy mô cho biến định tính nhiều giá trị.
margins male, (marketc=0 yearsdg=10)
Adjusted predictions
Number of obs
Model VCE
: OLS
Expression
: Linear prediction, predict()
: marketc
=
0
yearsdg
=
10
=
514
—————————————————————————–|
|
Delta-method
Margin
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————male |
Women
|
44326.89
639.7602
69.29
0.000
43070
45583.78
Men
|
46367.1
444.0554
104.42
0.000
45494.7
47239.5
Chúng ta hoàn toàn có thể đạt được ước lượng trung bình tiên đoán cho toàn bộ hai giới tính với
một giá trị nhất định của những covariate khác trong quy mô. Ở đây toàn bộ chúng ta chọn
marketc==0 và year==10.
Sự khác lạ trong trung bình hiệu chỉnh tương tự thông số ước lượng của biến giả
giới tính.
.
margins male
Predictive margins
Number of obs
Model VCE
: OLS
Expression
: Linear prediction, predict()
=
514
—————————————————————————–|
|
Delta-method
Margin
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————male |
Women
|
49331.73
667.2756
73.93
0.000
48020.78
50642.68
Men
|
51371.94
370.7068
138.58
0.000
50643.64
52100.24
Chúng ta cũng hoàn toàn có thể ước lượng trung bình lương mà male và female sẽ có được nếu cả
hai giới đều phải có cùng phân phối covariate marketc và yearsdg, rõ ràng là phân phối
của mẫu phối hợp nam và nữ
. generate male_years = male*yearsdg
. regress salary male marketc yearsdg male_years
Source |
SS
df
MS
————-+———————————-
Number of obs
=
514
F(4, 509)
=
279.95
Model |
5.6641e+10
4
1.4160e+10
Prob > F
=
0.0000
Residual |
2.5746e+10
509
50581607.4
R-squared
=
0.6875
Adj R-squared
=
0.6850
Root MSE
=
7112.1
————-+———————————Total |
8.2387e+10
513
160599133
—————————————————————————–salary |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————male |
-593.3088
1320.911
-0.45
0.654
-3188.418
2001.8
marketc |
38436.65
2160.963
17.79
0.000
34191.14
42682.15
yearsdg |
763.1896
83.4169
9.15
0.000
599.3057
927.0734
male_years |
227.1532
91.99749
2.47
0.014
46.41164
407.8947
_cons |
36773.64
1072.395
34.29
0.000
34666.78
38880.51
Chạy quy mô hồi quy tuyến tính với biến tương tác giữa male và yearsdg. Kết quả
đã cho toàn bộ chúng ta biết khi thời hạn từ khi tốt nghiệp là 0 năm (yearsdg=0) thì lương trung bình
dân số của nam thấp hơn lương trung dân dã số của nữ (sau khi hiệu chỉnh cho
marketc) là 593$. Khi mỗi năm kinh nghiệm tay nghề tăng thêm, thì toàn bộ chúng ta thêm vào lương
trung bình của nam là 227$. Đến trên 2 năm kinh nghiệm tay nghề một chút ít thì sự khác lạ
về lương của hai giới gần như thể bằng 0. Sau 10 năm kinh nghiệm tay nghề thì mức lương của
nam cao hơn nữ là -$593.31+$227.15×10 = $1,678. Sau 20 năm thì mức lương của
nam cao hơn nữ là -$593.31+$227.15×20 = $3,949. Sau 30 năm thì mức lương của
nam cao hơn nữ là -$593.31 + $227.15×30 = $6,221.
Mặc dù khoảng chừng cách lương giới tính ước lượng khi mức kinh nghiệm tay nghề sau tốt
nghiệp bằng 0 không còn ý nghĩa thống kê ở tại mức 5% (t=-0,45, df=509, p.=0,65), sự
thay đổi về lương theo giới tính khi số năm kinh nghiệm tay nghề tăng thêm lại sở hữu ý nghĩa
thống kê (t=2,47, df=509, p.=0,01).
. lincom male + male_years*10
( 1)
male + 10*male_years = 0
—————————————————————————–salary |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
————-+—————————————————————(1) |
1678.223
792.9094
2.12
0.035
120.4449
3236.001
——————————————————————————
Nếu toàn bộ chúng ta muốn biết rằng một nhân viên cấp dưới có 10 năm kinh nghiệm tay nghề thì khoảng chừng
cách lương theo giới tính là bao nhiêu và có ý nghĩa thống kê hay là không toàn bộ chúng ta
sử dụng lệnh lincom (linear combination) để chạy test thống kê H0: β2 + β5 × 10 =
0. Kết quả đã cho toàn bộ chúng ta biết sự khác lạ có ý nghĩa thống kê (p.=0,035).
. twoway (function Women =_b[_cons] + _b[yearsdg]*x, range(0 41) lpatt(dash))(function
Men =_b[_cons] + _b[male] + (_b[yearsdg] +_b[male_years])*x,range(0 41) lpatt(solid)),
M e a n s a la ry
40000 50000 60000 70000 80000
xtitle(Time since degree (years)) ytitle(Mean salary)
0
10
20
Time since degree (years)
Women
30
Men
40
Sau khi chạy quy mô toàn bộ chúng ta cũng hoàn toàn có thể vẽ đường tiên đoán lương của hai giới
nam và nữ theo thời hạn kinh nghiệm tay nghề. Để vẽ được đồ thị này toàn bộ chúng ta phải giả
định trong quy mô những covariate khác có mức giá trị =0. ở đây có biến marketc thì biến
marketc sẽ có được mức giá trị = 0. Khi đó đồ thị sẽ màn biểu diễn hàm tuyến tính lương của hai
giới theo số năm có kinh nghiệm tay nghề.
. regress salary male marketc yearsdg i.male#c.yearsdg
Source |
SS
df
MS
————-+———————————-
Number of obs
=
514
F(4, 509)
=
279.95
Model |
5.6641e+10
4
1.4160e+10
Prob > F
=
0.0000
Residual |
2.5746e+10
509
50581607.4
R-squared
=
0.6875
Adj R-squared
=
0.6850
Root MSE
=
7112.1
————-+———————————Total |
8.2387e+10
513
160599133
——————————————————————————-salary |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
—————+—————————————————————male |
-593.3088
1320.911
-0.45
0.654
-3188.418
2001.8
marketc |
38436.65
2160.963
17.79
0.000
34191.14
42682.15
yearsdg |
763.1896
83.4169
9.15
0.000
599.3057
927.0734
227.1532
91.99749
2.47
0.014
46.41164
407.8947
36773.64
1072.395
34.29
0.000
34666.78
38880.51
|
male#c.yearsdg |
Men
|
|
_cons |
Thay vì tạo biến tương tác male_years, toàn bộ chúng ta chỉ việc đưa vào quy mô một biến
tương tác với cấu trúc cách nhau bởi dấu #. Phần i trước biến male chỉ rằng đấy là
biến phân loại (indicator) còn phần c trước biến yearsdg chỉ rằng đấy là biến định
lượng (continuous)
Reply
9
0
Chia sẻ
Review Cách chạy quy mô hồi quy trong Stata ?
Bạn vừa đọc Post Với Một số hướng dẫn một cách rõ ràng hơn về Video Cách chạy quy mô hồi quy trong Stata tiên tiến và phát triển nhất
Chia Sẻ Link Down Cách chạy quy mô hồi quy trong Stata miễn phí
Bạn đang tìm một số trong những Chia Sẻ Link Cập nhật Cách chạy quy mô hồi quy trong Stata miễn phí.
Hỏi đáp vướng mắc về Cách chạy quy mô hồi quy trong Stata
Nếu Pro sau khi đọc nội dung bài viết Cách chạy quy mô hồi quy trong Stata , bạn vẫn chưa hiểu thì hoàn toàn có thể lại phản hồi ở cuối bài để Mình lý giải và hướng dẫn lại nha
#Cách #chạy #mô #hình #hồi #quy #trong #Stata