二值选择模型-以stata为工具

最新推荐文章于 2024-07-26 09:43:10 发布

侯小啾

最新推荐文章于 2024-07-26 09:43:10 发布

阅读量1.6k

点赞数 25

CC 4.0 BY-SA版权

分类专栏： stata技术宝典文章标签： stata 逻辑回归二值模型计量经济1

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_48964486/article/details/135172907

stata技术宝典专栏收录该内容

11 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

这篇博客介绍了如何在Stata中应用二值选择模型，特别是逻辑回归模型，来处理二值因变量的问题。通过读取数据、建立模型和进行预测，详细展示了如何用Stata实现模型的构建和分析，以泰坦尼克数据为例，探讨不同身份人群的生存概率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

二值选择模型-以stata为工具

在这里插入图片描述

文章目录

1. 命令语法
2. 模型代码示例

1. 命令语法

二值选择模型是计量经济学中常用的一种模型，用于处理因变量为二值（0或1）的情况。
这种模型通常用来研究个体在面临两个或多个离散选择时的决策行为。其中，最常见的二值选择模型是Logit和Probit模型。

Logit模型基于逻辑回归，假设被解释变量服从二项分布，通过对概率模型的线性组合进行logistic转换，将连续的预测值映射到[0, 1]之间，从而进行概率估计。Probit模型则基于正态分布，假设被解释变量服从二项分布，在预测值与概率之间建立累积分布函数的联系。

下面以Logit模型为例，演示如何使用Stata软件来实现二值选择模型。

// 导入数据
use data, clear

// 做Logit回归模型
logit y x1 x2 x3

// 只显示回归结果
estimates table

// 获取预测概率
predict p, pr

// 展示预测概率
list y x1 x2 x3 p

了解本专栏

超级会员免费看

博客等级

码龄5年

Python领域优质创作者

273
原创

6297
点赞

1万+
收藏

10万+
粉丝

关注

私信

热门文章

分类专栏

展开全部收起

上一篇：: 异方差的 BP检验方法及原理详解

下一篇：: 固定效应模型-以stata为工具

最新评论

python Scrapy项目之古诗文网案例呈现
北风之神c: 你这个scrapy爬虫总结的很全面很有条理，写得好赞，博主用心了！ scrapy写成代码地狱，funboost一行解千愁！我来安利一下我最近发现的神器：但是scrapy来爬虫非常麻烦，写法难度高，国产分布式函数调度框架 funboost python万能通用函数加速器 https://funboost.readthedocs.io/zh-cn/latest/articles/c8.html ，只需要@boost一行代码，加到任意新/旧爬虫项目就又强又自由又简单。此框架如果用于爬虫，不管从任何方面比较可以领先scrapy 20年，因为从根本理念上对scrapy api方式的框架造成巨大的降维打击。昔有Scrapy窃据神器，挟Twisted之技而令诸侯，然其框架繁苛，回调如狱，岁月更迭，其势已衰，其道已孤，弊病丛生，开发者苦之久矣！今有Funboost，顺天应人，聚函数神力，携`@boost`之雷霆，以大道至简之义，破枷锁，扫陈规，伐无道，正本清源，布告天下！此诚不可逆之大势也！依托于funboost的强大可视化管理，不登录机器可以轻松掌控分布式大规模爬虫运行状态，一目了然。可视化截图： https://funboost.readthedocs.io/zh-cn/latest/articles/c13.html Scrapy十败如山崩，Funboost十胜如日升！ funboost剑锋所指，scrapy框架枷锁必将斩断！函数光辉，普照四海！ pip install funboost
python爬虫selenium操作下拉框详解
北风之神c: 总结的很全面的爬虫，写得赞，博主用心了。此国产分布式函数调度框架 funboost python万能通用函数加速器 https://funboost.readthedocs.io/zh-cn/latest/articles/c8.html ，只需要@boost一行代码，加到任意新/旧爬虫项目就又强又自由又简单。 funboost 分布式函数调度框架，定位于调度用户的任何函数，只要用户在函数里面写爬虫代码，就可以分布式调度爬虫，此框架如果用于爬虫，不管从任何方面比较可以领先scrapy 20年，也比任意写的爬虫框架领先10年。普通爬虫框架一般就设计为url请求调度框架，url怎么请求都是被框内置架束缚死了，所以有些奇葩独特的想法在那种框架里面难以实现，用户需要非常之精通框架本身然后改造框架才能达到随心所欲的驾驭的目的。普通的爬虫框架与用户手写requests 请求解析存储，在流程逻辑上是严重互斥的，要改造成使用那种框架改造需要大改特改。而此框架是函数调度框架，函数里面用户可以随意写一切任意自由想法，天生不会有任何束缚。与用户使用别的爬虫框架或者无框架用户手写多线程爬虫相比， funboost都代码更少更强更简单更自由。 pip install boost_spider (powerd by funboost ，boost_spider比funboost增加了更加专门的针对爬虫请求和解析和存储） https://github.com/ydf0509/boost_spider 依托于funboost的强大可视化管理，不登录机器可以轻松掌控分布式大规模爬虫运行状态，一目了然。可视化截图： https://funboost.readthedocs.io/zh-cn/latest/articles/c13.html
python爬虫代理ip
北风之神c: 总结的很全面的爬虫，写得赞，博主用心了。此国产分布式函数调度框架 funboost python万能通用函数加速器 https://funboost.readthedocs.io/zh-cn/latest/articles/c8.html ，只需要@boost一行代码，加到任意新/旧爬虫项目就又强又自由又简单。 funboost 分布式函数调度框架，定位于调度用户的任何函数，只要用户在函数里面写爬虫代码，就可以分布式调度爬虫，此框架如果用于爬虫，不管从任何方面比较可以领先scrapy 20年，也比任意写的爬虫框架领先10年。普通爬虫框架一般就设计为url请求调度框架，url怎么请求都是被框内置架束缚死了，所以有些奇葩独特的想法在那种框架里面难以实现，用户需要非常之精通框架本身然后改造框架才能达到随心所欲的驾驭的目的。普通的爬虫框架与用户手写requests 请求解析存储，在流程逻辑上是严重互斥的，要改造成使用那种框架改造需要大改特改。而此框架是函数调度框架，函数里面用户可以随意写一切任意自由想法，天生不会有任何束缚。与用户使用别的爬虫框架或者无框架用户手写多线程爬虫相比， funboost都代码更少更强更简单更自由。 pip install boost_spider (powerd by funboost ，boost_spider比funboost增加了更加专门的针对爬虫请求和解析和存储） https://github.com/ydf0509/boost_spider 依托于funboost的强大可视化管理，不登录机器可以轻松掌控分布式大规模爬虫运行状态，一目了然。可视化截图： https://funboost.readthedocs.io/zh-cn/latest/articles/c13.html
三、多元线性回归模型（计量经济学学习笔记）
CSDN-Ada助手: 人生只有走出来的美丽，没有等出来的辉煌。
二、简单线性回归模型（计量经济学学习笔记）
CSDN-Ada助手: 哇, 你的文章质量真不错，值得学习！不过这么高质量的文章, 还值得进一步提升, 以下的改进点你可以参考下: (1)使用更多的站内链接；(2)提升标题与正文的相关性。

大家在看

最新文章

目录

展开全部

收起

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

侯小啾 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。