Stata学习笔记|非线性回归分析:代码实操+结果全解读(新手必看)

·2.1 二元Logit常用代码

*对因变量重新进行编码，是为1，否为0gen y = 0 if 变量1 != 1replace y = 1 if 变量1 == 1logit y x1 x2   //二元logit回归一般表达logit y x1 x2,r  //r为稳健标准误logit y x1 x2 控制变量 , or robust  //输出优势比（OR）*如果自变量中有分类变量，可考虑在变量前面+i.，如：logit y i.x1 i.x2 控制变量 , or robust

·2.2 多元Logit回归代码

mlogit y x1 x2 x3 x4   //多元logit回归一般表达mlogit y x1 x2 x3 x4, nolog r   //r为稳健标准误，nolog表示不显示MLE数值计算的迭代过程，MLE是最大似然估计

· 2.3 二元Probit模型

如果回归分析用Logit回归，可考虑在稳健性检验中采取——更换模型检验——更换为Probit回归模型。

* probit回归（与logit用法一致，仅分布假设不同，logit服从逻辑分布，probit服从正态分布）probit foreign price weight* 可选：加入聚类稳健标准误（解决异方差问题）probit foreign price weight, vce(cluster id)

logit和probit的核心区别的是误差项分布，结果解读逻辑一致，均关注系数符号和显著性，无需比较R²（用伪R²衡量拟合优度）

· 2.4 结果导出

回归结果导出命令——三种方式：

outreg2/estout/asdoc：

（1）outreg2 命令

* 安装必备包（仅首次执行，需联网）ssc install outreg2, replace  // 最常用的结果导出包，支持Word/Excelssc install estout, replace   // 专业排版包，支持LaTeX/精修Wordssc install asdoc, replace    // 简洁型导出包，适合快速整理* 加载已安装包（每次使用前执行）estimates clear  // 清空之前的回归结果，避免混淆

精简版

outreg2   using  wtnXXX.doc  //结果导出

XXX：doc文件名，可自定义

* 第一步：跑logit回归（带or/robust）logit y x1 x2 age gender, or robust  // y为二元因变量，x1/x2核心自变量，age/gender控制变量* 第二步：导出为Word（保存到当前工作路径，可通过`pwd`查看路径）outreg2 using logit_result.doc, replace title(Logit回归结果) ///    eqlabel(模型1) coeflabels(x1="收入" x2="负债率" age="年龄" gender="性别") ///    stats(coef pval) addstat(伪R², e(r2_p)) ///    note注: 标准误为稳健标准误，***p<0.01, **p<0.05, *p<0.1* 第三步：导出为Excel（适合数据整理）outreg2 using logit_result.xls, replace title(Logit回归结果) ///    eqlabel(模型1) coeflabels(x1="收入" x2="负债率")

以上为单模型导出命令

* 1. 模型1：仅控制变量logit y age gender, or robustestimates store m1  // 保存模型1结果* 2. 模型2：加入核心变量logit y x1 x2 age gender, or robustestimates store m2  // 保存模型2结果* 3. 模型3：加入交互项（可选）gen x1x2 = x1*x2logit y x1 x2 x1x2 age gender, or robustestimates store m3  // 保存模型3结果* 4. 一键导出多模型到Wordoutreg2 [m1 m2 m3] using logit_multi.doc, replace title(Logit回归对比结果) ///    eqlabel(模型1 模型2 模型3) coeflabels(x1="收入" x2="负债率" x1x2="收入×负债率") ///    stats(coef pval) addstat(伪R², e(r2_p) m1 e(r2_p) m2 e(r2_p) m3) ///    note注: 标准误为稳健标准误，***p<0.01, **p<0.05, *p<0.1

logit和probit的核心区别的是误差项分布，结果解读逻辑一致，均关注系数符号和显著性，无需比较R²（用伪R²衡量拟合优度）

（2）estout 命令

* 1. 保存回归结果logit y x1 x2 age gender, or robustestimates store m1logit y x1 x2 age gender region, or robustestimates store m2* 2. 导出LaTeX格式（带三线表，期刊标准）esttab m1 m2 using logit_latex.tex, replace ///    style(tex) fragment title(Logit回归结果) ///    coeflabels(x1="收入" x2="负债率" region="地区") ///    stats(N r2_p, label("样本量" "伪R²")) ///    cells(b(star fmt(3)) se(par fmt(2))) ///    starlevels(* 0.1 ** 0.05 *** 0.01) ///    prehead{\begin{tabular}{lccc}\toprule} ///    posthead{\midrule} ///    postfoot{\bottomrule\end{tabular}}

* 导出为Word，支持复制后直接排版esttab m1 m2 using logit_estout.doc, replace ///    title(Logit回归结果) coeflabels(x1="收入" x2="负债率") ///    stats(N r2_p, label("样本量" "伪R²")) ///    cells(b(star) se) starlevels(* 0.1 ** 0.05 *** 0.01)

（3）asdoc 命令

* 1. 跑回归并保存结果logit y x1 x2 age gender, or robustestimates store m1logit y x1 x2 age gender region, or robustestimates store m2* 2. 一键导出多模型asdoc esttab m1 m2 using logit_asdoc.doc, ///    title(Logit回归结果) replace ///    coeflabels(x1="收入" x2="负债率" region="地区") ///    stats(N r2_p, label("样本量" "伪R²"))

LR chi2(2) & Prob > chi2：模型整体显著性检验，替代nl命令的F检验，p<0.05表示模型整体显著（本例为0.0000，显著）。

Pseudo R2（伪R²）：非线性选择模型的拟合优度，替代线性回归的R²，取值0-1，与R²不同，伪R²不表示“解释力比例”，仅用于同类模型比较（越大越好），通常0.2以上即为较好拟合。

Coef.（系数）：logit模型的系数表示“自变量每变动1单位，因变量为1的对数几率（log(odds)）变动量”，符号表示影响方向（本例中price系数为负，说明价格越高，车辆为进口（foreign=1）的几率越低）。

z & P>|z|：参数显著性检验，替代nl命令的t检验，p<0.05表示参数显著（本例中price和weight的p值均<0.01，显著）。