全面解读Logit模型
给定一组协变量 ,一个二元被解释变量的期望值等于以下概率:在线性概率模型 (LPM) 中,这一条件概率的表达式为 ,其中可以通过 OLS 来估计。但是线性概率模型的最大问题是估计出来的概率可能会超过区间。因此对于二元被解释变量,我们往往会采用 Logistic 方程来建模,具体而言:在 Stata 中, 的极大似然估计值可以通过命令估计。为了更好理解,我们使用一份包含 753 个已婚女性的调查数据
·
全文阅读:全面解读Logit模型| 连享会主页
- 1. 简要回顾
- 2. 连续变量的边际影响
- 3. 连续变量的预测概率
- 4. Logit 与 LPM 的对比
- 5. 连续变量的偏效应
- 6. 二元变量的边际影响
- 7. 弹性
- 8. odds ratio 和 risk ratio
- 9. 交互项
- 10. 相关推文
1. 简要回顾
给定一组协变量 ,一个二元被解释变量 的期望值等于以下概率:
在线性概率模型 (LPM) 中,这一条件概率的表达式为 ,其中 可以通过 OLS 来估计。但是线性概率模型的最大问题是估计出来的概率可能会超过 区间。因此对于二元被解释变量,我们往往会采用 Logistic 方程来建模,具体而言:
在 Stata 中, 的极大似然估计值可以通过 logit
命令估计。为了更好理解,我们使用一份包含 753 个已婚女性的调查数据 (Mroz 1987) 来估计劳动方程。其中,结果变量 inlf 是一个二元变量,取值为 1 意味着参加了工作,取值为 0 意味着未参加工作。协变量 nokid 是一个二元变量,取值为 1 意味着这一妇女在调查时没有小于 6 岁的孩子;nwifeinc 是一个连续变量,衡量了这一妇女的丈夫的年薪 (单位为千欧元)。
全文阅读:全面解读Logit模型| 连享会主页
更多推荐
已为社区贡献8条内容
所有评论(0)