随机效应多项式logit与Stata的边际效应
我有一些数据,参与者可以从三个选项中选择一个来回答一些相关的问题。在分析的一部分中,我将所有这些答案结合起来,这样我就可以从每个参与者那里得到一些观察结果。我对此进行建模的方法是使用多项式logit,参与者ID作为随机效应。然后,我使用随机效应多项式logit与Stata的边际效应,stata,logistic-regression,multinomial,Stata,Logistic Regression,Multinomial,我有一些数据,参与者可以从三个选项中选择一个来回答一些相关的问题。在分析的一部分中,我将所有这些答案结合起来,这样我就可以从每个参与者那里得到一些观察结果。我对此进行建模的方法是使用多项式logit,参与者ID作为随机效应。然后,我使用gllamm对模型进行了估算 我现在陷入的困境是,我似乎无法从这种回归中提取边际效应。到目前为止,我的搜索结果表明,解决方法包括gllapred,mu-marg。然而,运行它似乎返回在我的样本中选择特定选项的总体概率。相反,我想了解我的一个虚拟变量(例如男性)的变
gllamm
对模型进行了估算
我现在陷入的困境是,我似乎无法从这种回归中提取边际效应。到目前为止,我的搜索结果表明,解决方法包括gllapred,mu-marg
。然而,运行它似乎返回在我的样本中选择特定选项的总体概率。相反,我想了解我的一个虚拟变量(例如男性)的变化如何改变做出特定选择的概率
假设对于这种类型的对象,没有办法获得类似于
margins
的输出,有没有办法手动获得边缘效果?也就是说,我能估计出男性=0,男性=1,然后取差值吗?我感兴趣的变量是傻瓜,但我确实有一个连续变量(年龄),我大概不能这样估计——然而,我也对它的边际效应不太感兴趣。我也在学习gllam
,最后我开始做这个小例子,希望对讨论有所帮助(即使对于OP最初的需求来说已经太晚了)
该示例做了三件事:
e(b)
的结果计算
二分法变量(基于优势比;需要对
概率gllapred varname的结果,
mu marg
方法,不符合我们的利益gllamm
早期版本的第9.3节
首先是一些假数据。希望这符合OP的描述
clear
set more off
input id q1 q2 q3 q4 age female
1 3 1 2 3 10 1
2 3 1 2 3 12 0
3 3 3 1 1 11 0
4 1 1 2 3 9 1
5 1 3 1 1 10 1
6 2 3 1 2 11 1
7 2 1 1 3 11 1
8 2 1 3 3 11 1
9 1 2 3 1 11 1
10 1 2 3 1 11 1
11 2 1 3 2 12 0
12 3 1 1 2 12 1
13 2 1 2 3 12 0
14 2 1 1 1 12 0
15 3 2 1 1 12 0
end
reshape long q, i(id) j(item)
这是一个“幼稚”模型,仅产生一个随机效应方差,尽管对响应=2(对1)和响应=3(对1)的结果分别进行了估计
正如OP所指出的,gllapred varname,mu marg
方法基本上预测每个个体在每个响应中的概率。尽管名称相似,但这与Stata的margins
命令不同
// The -gllapred- approach
gllapred x1,outcome(1) mu marginal
gllapred x2,outcome(2) mu marginal
gllapred x3,outcome(3) mu marginal
sort id item
list id item q x1 x2 x3 // same probability for the same individual; x1+x2+x3=1
但是,我们可以使用e(b)
的结果手动估计当其他协变量固定时女性的边际效应
// fix age at mean
su age, meanonly // average age
loca mean_age=r(mean)
然后我们手动减去每个反应的两个预测优势比
// response: c2
loca c2m=exp(_coef[c2:age]*`mean_age'+_coef[c2:_cons])
loca c2f=exp(_coef[c2:age]*`mean_age'+_coef[c2:female]+_coef[c2:_cons])
loca diffc2=`c2f'-`c2m'
di "c2[OR_female - OR_male]=>" %5.3g `c2f' " -" %5.3g `c2m' " =" %5.3g `diffc2' // "OR" for odds ratio
// response: c3
loca c3m=exp(_coef[c3:age]*`mean_age'+_coef[c3:_cons])
loca c3f=exp(_coef[c3:age]*`mean_age'+_coef[c3:female]+_coef[c3:_cons])
loca diffc3=`cf'-`c3m'
di "c3[OR_female - OR_male]=>" %5.3g `c3f' " -" %5.3g `c3m' " =" %5.3g `diffc3' // "OR" for odds ratio
接下来,我们应用扩展模型,该模型产生相同的固定效应估计,但随机效应的两个方差加上它们的协方差
sort id item
gen patt=_n
expand 3 // triple number of cases
sort patt
rename q response // just to match help file
by patt, sort: gen alt=_n // create all three potential answers
gen chosen=response==alt // mark the case with the chosen answer
qui tab alt, gen(it)
eq i2: it2
eq i3: it3
gllamm alt age female,i(id) nrf(2) eqs(i2 i3) nip(4) expanded(patt chosen m) /*
*/ link(mlogit) family(binomial) trace // compare the random effects to the "naive" model
固定效应与上一个模型相同,但请注意,现在还有两个随机效应参数。上一个模型中的代码可用于计算女性的边际效应
// fix age at mean
su age, meanonly
loca mean_age=r(mean)
// c2
loca c2m=exp(_coef[c2:age]*`mean_age' + _coef[c2:_cons])
loca c2f=exp(_coef[c2:age]*`mean_age' + _coef[c2:female]+_coef[c2:_cons])
loca diffc2=`c2f'-`c2m'
di "c2[OR_female - OR_male]=>" %5.3g `c2f' " -" %5.3g `c2m' " =" %5.3g `diffc2' // "OR"=>odds ratio
// c3
loca c3m=exp(_coef[c3:age]*`mean_age' + _coef[c3:_cons])
loca c3f=exp(_coef[c3:age]*`mean_age' + _coef[c3:female]+_coef[c3:_cons])
loca diffc3=`cf'-`c3m'
di "c3[OR_female - OR_male]=>" %5.3g `c3f' " -" %5.3g `c3m' " =" %5.3g `diffc3' // "OR"=>odds ratio
希望我能做到这一点。如果犯了任何错误,请随时更正。您的模型是如何指定的,您是否使用了扩展的选项?如果有数据和代码,这将非常有用,因为gllamm
不是最简单的程序。同时,即使是gllamm
我认为您也可以semat list e(b)
手动提取系数并从中导出差异。由于它是多标称logit模型,您需要确定其他协变量的固定值。别忘了取指数!我没有使用(或知道?)gllamm
的扩展选项,但我通过使用gsem
构建与广义结构方程模型相同的模型,解决了我的问题。与gllamm
不同,我可以使用margin,dydx(*)
。代码更难看/更长,但结果是一样的(正如人们希望的那样!).感谢您对通过e(b)扩展和提取的建议
,我相信这会在未来派上用场的!gsem
是一个很好的选择,尽管概念化和代码概率都比较繁琐。是否使用扩展的
取决于如何指定随机效果。直觉上,我认为在mult中应该为每个响应使用单独的随机截取I级和多标称模型。以下示例。
// fix age at mean
su age, meanonly
loca mean_age=r(mean)
// c2
loca c2m=exp(_coef[c2:age]*`mean_age' + _coef[c2:_cons])
loca c2f=exp(_coef[c2:age]*`mean_age' + _coef[c2:female]+_coef[c2:_cons])
loca diffc2=`c2f'-`c2m'
di "c2[OR_female - OR_male]=>" %5.3g `c2f' " -" %5.3g `c2m' " =" %5.3g `diffc2' // "OR"=>odds ratio
// c3
loca c3m=exp(_coef[c3:age]*`mean_age' + _coef[c3:_cons])
loca c3f=exp(_coef[c3:age]*`mean_age' + _coef[c3:female]+_coef[c3:_cons])
loca diffc3=`cf'-`c3m'
di "c3[OR_female - OR_male]=>" %5.3g `c3f' " -" %5.3g `c3m' " =" %5.3g `diffc3' // "OR"=>odds ratio