Ich bin derzeit Forschung mit binären logistischen Regression der Panel-Daten. Für jetzt, Ich plane die Durchführung der Spezifikation Test mit linktest. (Hosmer amp Lemeshows-Test) und Multikollinearitätstest mit collin in Stata. Ist dies korrekt Sekunde, wie überprüfe ich für Heteroskedastizität in Panel-Logistik Regression in Stata Einmal gefunden, wie kann ich sie korrigieren Sie könnten dieses Problem mit probit Modelle zu nähern, und sobald Sie herausgefunden, ob theres ein Ausgabe und wie es Griff sein sollte, dann könnten Sie gleichwertige Logistik für die Leichtigkeit der Interpretation tun, wenn Sie nicht wollen, um mit Probit-Stick - sie sind im Wesentlichen das gleiche Modell in vielerlei Hinsicht, aber es gibt einige Optionen mit probit, die auf Ihre Frage beziehen. Ich glaube, Sie könnten Ihr Modell mit etwas wie xtgee oder oglm passen, um ein erstes Modell zu bekommen. Dann können Sie ein heteroskedastic probit (oglm oder ein ähnliches Kommando) passen. Sobald Sie beide Modelle haben, da das probit-Modell innerhalb des het prob-Modells verschachtelt ist, können Sie dann einen LR-Test von verschachtelten Modellen durchführen, um zu sehen, ob es bei der Verwendung des heteroskedastischen Modells eine Verbesserung der Passform gibt. Ive gelesen eine überraschende Menge von Ignorieren es bezüglich Heterosedastizität und binäre Ergebnisse. Das scheint eine schlechte Idee, vor allem mit vielen Korrekturen zur Verfügung. Verschiedene robuste Optionen sind in den Stata-Befehlen verfügbar, die einige verwandte Probleme adressieren und sind gut in der Stata-Dokumentation erklärt. Id sagen Im etwas Vergangenheit Anfänger-Status mit dieser Detaillierung auf erweiterte Modelle - die übersetzt, um meinen Rat als guten Ausgangspunkt zu verwenden. Ich könnte in der Lage, kommen mit etwas besser, da mehr Informationen über Ihre Daten. Hier sind einige Orte, wo Sie einige Graben auf, was Sie bereits wissen und was wenig Richtung Ive angeboten haben könnte - rwilliamoglmoglmStata. pdf - ziemlich ausführliche Diskussion und erklärt Dinge mit Bezug auf einen bestimmten Stata-Befehl zu tun. Allison, Paul. Vergleich von Logit - und Probit-Koeffizienten über Gruppen. Soziologische Methoden und Forschung 28 (2): 186-208. Yatchew, Adonis und Zvi Griliches. Spezifikationsfehler in Probit Modellen. 1985. Die ökonomische und statistische Analyse 67 (1): 134-139. Hope this helps. Stata: Datenanalyse und statistische Software Stata Press eBooks werden mit VitalSource Bookshelf Reg Plattform. Bookshelf ist kostenlos und ermöglicht es Ihnen, Ihr Stata Press eBook von Ihrem Computer, Smartphone, Tablet oder eReader zugreifen. So greifen Sie auf Ihr eBook zu 2) Sobald Sie angemeldet sind, klicken Sie oben rechts auf Erlös. Geben Sie Ihren eBook-Code ein. Ihr eBook-Code wird in Ihrer Bestellbestätigung E-Mail unter dem eBooks-Titel sein. 3) Das eBook wird zu Ihrer Bibliothek hinzugefügt. Sie können dann Bookshelf auf anderen Geräten downloaden und Ihre Bibliothek synchronisieren, um das eBook anzuzeigen. Bücherregal ist verfügbar auf den folgenden: Online Bookshelf ist online von fast jedem Internet-verbundenen Computer durch den Zugriff auf online. vitalsourceusernew verfügbar. PC Bookshelf ist für Windows 788.110 (sowohl 32- als auch 64-Bit) erhältlich. Laden Sie Bookshelf Software auf Ihren Schreibtisch, damit Sie Ihre eBooks mit oder ohne Internet-Zugang ansehen können. IOS Bookshelf ist für iPad, iPhone und iPod touch erhältlich. Laden Sie die Bookshelf-App im Itunes Store herunter. Android Bookshelf ist für Android-Handys und Tabletten mit 4.0 (Ice Cream Sandwich) und später verfügbar. Laden Sie die mobile Bookshelf-App im Google Play Store herunter. Kindle Fire Bookshelf ist für Kindle Fire 2, HD und HDX verfügbar. Laden Sie die mobile Bookshelf App vom Kindle Fire App Store herunter. Mac Bookshelf ist für Mac OS X 10.8 oder höher erhältlich. Laden Sie Bookshelf Software auf Ihren Schreibtisch, damit Sie Ihre eBooks mit oder ohne Internet-Zugang ansehen können. Bookshelf können Sie 2 Computer und 2 mobile Geräte zu einem bestimmten Zeitpunkt aktiviert haben. Ich war erstaunt, auf die VitalSource Weise der Präsentation der Bücher. Alles sieht tadellos aus, aber dennoch können Sie das Buch in der gleichen Weise durchblättern, die Sie durch eine sehr lange Webseite in Ihrem Webbrowser durchblättern würden. Und am besten von allen, wenn ich meine Tablette mit mir haben, sind meine Bücher nur ein Swipe entfernt. Mdash Michael Mitchell Senior Statistiker am USC Childrens Data Network. Autor von vier Stata Press-Bücher und ehemalige UCLA statistischen Berater, der die UCLA statistische Beratungsressourcen Website vorgestellt und entworfen. Rückgaberecht für eBooks Stata Press eBooks sind nicht rückzahlbar und nicht zurückerstattet. Kommentar von der Stata-Fachgruppe Heteroskedastizität in der Regression: Erkennung und Korrektur ist eine ideale Referenz für angewandte Forscher, die die Herausforderungen der Heteroskedastizität und die Möglichkeiten, diese zu erkennen und zu adressieren, verstehen wollen. Das Buch beginnt mit einer Beschreibung der Konsequenzen der Heteroskedastizität. Dann überprüft es Tests, um Heteroskedastizität zu erkennen und stellt verschiedene Lösungen für das Problem vor. Die Diskussionen unterstreichen die Vorteile und Warnungen der vorgestellten Methoden und ergänzen die rigorosen technischen Diskussionen mit Hilfe von Stata-Beispielen mit online verfügbaren Dossiers. Inhaltsverzeichnis Inhaltsverzeichnis ansehen gtgt Danksagungen Über den Autor Serie Herausgeber Einleitung 1. Was ist Heteroskedastizität und warum sollten wir uns um die Konsequenzen der Heteroskedastizität kümmern? Gemeinsame Formen der Heteroskedastizität Anwendungsbeispiele 2. Erkennen und Diagnostizieren der Heteroskedastizität Informelle Diagnostik: Streudiagramme und Tabulatoren von mittleren quadratischen Residuen Formale statistische Tests: Breusch-Pagan, White und Goldfeld-Quandt Vorsichtshinweis zum Modell Misspecification und Heteroskedastizitätsprüfung Anwendung auf die anderen Beispiele 3. Variance-Stabilisierungstransformationen zur Korrektur der Heteroskedastizität Box-Cox-Transformation Signierte Modul-Power Transformation 4. Heteroskedastizität-konsistent (Robust) Standardfehler Anwendungen Zusammenfassung und Einschränkungen 5. (veranschlagt) Generalisierte Least Squares Regression Modell für Heteroskedastizität Hintergrund auf GLS Schätzung des EGLS-Modells für Heteroskedastizität Anwendung auf Beispiele Zusammenfassung und Einschränkungen 6. Auswahl unter Korrekturoptionen VST gegen HCCM oder EGLS HCCM gegen EGLS Allgemeine Empfehlungen und Erweiterungen Anhang: Verschiedene Ableitungen und Tabellen Ableitung der Gleichung 1.5 Ableitung der Gleichung 1.7 Ableitung der Gleichung 2.7 Ableitung der Gleichung 5.5 Ableitung von Gleichung 5.9 Nachweis der Gleichwertigkeit von GLS an OLS-Regression mit transformierten Variablen Autorenindex Themenindex
No comments:
Post a Comment