AVISO: O grupo de consultoria estatística IDRE estará migrando o site para o WordPress CMS em fevereiro para facilitar a manutenção e criação de novos conteúdos. Algumas de nossas páginas antigas serão removidas ou arquivadas de modo que elas não serão mais mantidas. Vamos tentar manter os redirecionamentos para que os URLs antigos continuem a funcionar da melhor maneira possível. Bem-vindo ao Instituto de Pesquisa e Educação Digital, ajudando o Grupo de Consultoria Estatal, dando um presente Usando Margens para Probabilidades Previsíveis O comando de margens (introduzido no Stata 11) é muito versátil com inúmeras opções. Esta página fornece informações sobre o uso do comando de margens para obter probabilidades previstas. Permite obter alguns dados e executar um modelo logit ou um modelo probit. Isso realmente não importa, pois podemos usar os mesmos comandos de margens para qualquer tipo de modelo. Usaremos logit com a variável variável de resposta binária com a fêmea como um preditor categórico e lido como um preditor contínuo. Observe que as mulheres. Que é categórico, é incluído como uma variável de fator (ou seja, i. female) para que o comando de margens o trate como uma variável categórica, caso contrário, seria assumido como contínuo. Começaremos o uso de margens por prever as probabilidades para cada nível feminino, mantendo-se constante no seu meio. Você pode ignorar a parte do cabeçalho que dá a média para 0.female e 1.female porque as margens vão calcular as probabilidades previstas para cada nível feminino. Verificamos que a leitura será mantida constante no seu valor médio de 52,23. Os valores na coluna intitulada Margem são as probabilidades previstas para machos e fêmeas enquanto mantém a leitura como média. Também obtemos erros padrão, estatísticas z e valores p, testando a diferença de zero e um intervalo de confiança 95 para cada probabilidade prevista. Em seguida, usaremos margens para obter as probabilidades previstas para os valores de leitura de 20 a 70 em incrementos de 10 enquanto mantém 1.female na sua média. Também incluiremos a opção de postagem para que possamos obter as estimativas e os erros padrão. Também incluiremos a opção vsquish para produzir uma saída mais compacta. A variável 1.female está sendo realizada no valor médio de 0,545. Você pode ignorar o valor médio para 0.female, pois zero é o nível de referência da fêmea em nosso exemplo. A coluna Margem mais uma vez dá a probabilidade prevista. O cabeçalho acima da parte principal da tabela nos diz qual linha está associada ao valor de leitura. Portanto, a linha 1 é associada com leitura igual a 20 e linha 6 com leitura igual a 70. É fácil dizer a partir desta tabela que, como o valor da leitura aumenta, a probabilidade de honras sendo uma também está aumentando a partir de uma probabilidade de 0,002 Para uma probabilidade de 0,75. Uma maneira alternativa de ver esses resultados é como um gráfico que inclui as probabilidades previstas, juntamente com o intervalo de confiança. Faremos isso usando uma série de comandos de matriz Stata seguidos por um gráfico de twoway (observe que o esquema lean1 está disponível no gr0002). O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software da Universidade da Califórnia. NOTICE: O grupo de consultoria estatística IDRE estará migrando o site para o WordPress CMS em fevereiro para facilitar Manutenção e criação de novos conteúdos. Algumas de nossas páginas antigas serão removidas ou arquivadas de modo que elas não serão mais mantidas. Vamos tentar manter os redirecionamentos para que os URLs antigos continuem a funcionar da melhor maneira possível. Bem-vindo ao Instituto de Pesquisa e Educação Digital Ajuda ao Grupo de Consultoria Stat ao oferecer um presente FAQ do Stata Como posso usar o comando das margens para entender múltiplas interações na regressão logística (Stata 11) O comando das margens, novo no Stata 11, pode ser um Ferramenta muito útil para entender e interpretar as interações. Vamos ilustrar o comando para um modelo de regressão logística com duas categorias por interações contínuas. Começamos carregando o conjunto de dados mlogcatcon. Neste conjunto de dados, e é a variável de resposta binária e m e s são preditores contínuos. A variável f. Que significa feminino, é um preditor binário. Nós iremos interagir f com m e s. Aqui está o modelo de regressão logística. Você notará que a interação f por s é estatisticamente significante enquanto a interação f por m não é. Uma vez que este é um modelo não-linear, teremos que levar em conta os valores de todas as covariáveis para entender o que está acontecendo no modelo. Começaremos com um comando de margens que analisa a discreta diferença de probabilidade entre machos e fêmeas por cinco níveis diferentes de s enquanto mantém m em seu valor médio. Obtemos a discreta diferença de probabilidade usando a opção dydx com o preditor binário. A variável m será mantida em seu valor médio usando a opção atmeans. Enquanto os resultados do comando das margens acima são perfeitamente corretos, eles refletem a discreta mudança na probabilidade de um único valor de m. Se removemos a opção atmeans, obtemos o efeito marginal médio, isto é, a discreta mudança de probabilidade para cada um dos valores de s em média nos valores observados de m. Aqui é como o comando das margens parece agora. Vamos seguir em frente e graficar esses resultados, incluindo os 95 intervalos de confiança. Começaremos colocando os valores necessários em uma matriz usando técnicas mostradas em Stata FAQ: Como posso representar graficamente os resultados do comando de margens. Os comandos da matriz serão seguidos por um gráfico de linha twoway. O comando das margens e o gráfico acima nos da uma boa idéia de como a discreta mudança de probabilidade varia em diferentes valores de s, mas ainda não sabemos como isso muda com valores diferentes de m. Vamos tentar o comando das margens mais uma vez, esta vez variando tanto s como m. As cinco primeiras linhas dão a discreta mudança para os cinco valores de s enquanto mantém m em 30. Os próximos cinco mantêm m em 40. E assim por diante. Uma das características mais interessantes é como algumas das mudanças discretas são estatisticamente significativas, embora a interação global de f por s seja significativa. Agora podemos coletar os valores necessários em uma matriz em preparação para a representação gráfica. Comece por representar graficamente o efeito de diferentes valores de s com linhas separadas para cada valor de m. Embora não houvesse muitos valores significativos na tabela de margens acima, as linhas para cada um dos valores de m aparecem bastante diferentes entre si. Enquanto a linha para m igual a 30 é bastante plana, a linha para m igual a 70 exibe muito mais variabilidade, primeiro a cair e, em seguida, subindo abruptamente em torno de s igual a 50. Agora que sabemos quais diferenças em s para valores de m parece, podemos Inverta as variáveis no comando de gráficos (linha twoway) para ver quais diferenças em m para valores de s parece. Claro, estamos olhando os mesmos 25 valores que o gráfico anterior, simplesmente organizados de forma diferente. Desta vez, a linha para s igual a 70 é a que se destaca dos outros. Se o seu modelo for mais complexo do que este, você deve decidir o que fazer com cada uma das covariáveis. Você pode mantê-los constantes em um ou mais valores, ou você pode ter uma média sobre eles. Seja qual for a escolha que você faz, você precisa perceber que os valores de todas as covariáveis são importantes em modelos não-lineares. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia.
No comments:
Post a Comment