估计边际效应时出错答案

【问题标题】：Error while estimating marginal effects估计边际效应时出错
【发布时间】：2018-01-22 20:13:55
【问题描述】：

我在检索 Stata 15 中拟合逻辑回归模型的边际效应时遇到问题。结果变量 mathtsbv 是二元变量，性别变量 sex 也是虚拟变量，记录的种族 eth 变量是分类值范围从 0 到 5。所有缺失值均已排除。

这是我的文件的摘录：

logit mathtsbv sex eth sex##i.eth if (mathtsbv>=0&mathtsbv<.)&(sex>=0&sex<.)&(eth>=0&eth<.)
margins, dydx(sex eth sex##i.eth) atmeans

这是我在 Stata 日志中得到的错误：

. margins, dydx(sex eth sex##i.eth) atmeans
    invalid dydx() option;
    variable sex may not be present in model as factor and continuous predictor

我花了一个多小时在谷歌上搜索和试验：从模型中删除 sex 并只保留 eth，并在预测变量列表中添加一个连续变量。不幸的是，这些都没有解决问题。

【问题讨论】：

在网上复查详情后，发现TATA不能对交互项产生边际效应：交互项的值取决于其组件的值，因此无法估计一个“单独的”对它的影响。但是，我仍然不确定。无论如何，希望这对未来的社区成员有所帮助。
你可能会找到this post useful。

标签： statistics stata logistic-regression mlogit

【解决方案1】：

您可以计算平均边际效应的对比，从而得到与您想要的结果相似的结果：当您改变一个变量时，成功概率的变化如何随着第二个变量的变化而变化。

这是 Stata 中的一个可复制示例：

. webuse lbw, clear
(Hosmer & Lemeshow data)

. qui logit low i.smoke##i.race

. margins r.smoke#r.race

Contrasts of adjusted predictions
Model VCE    : OIM

Expression   : Pr(low), predict()

---------------------------------------------------------------------------
                                        |         df        chi2     P>chi2
----------------------------------------+----------------------------------
                             smoke#race |
(smoker vs nonsmoker) (black vs white)  |          1        0.00     0.9504
(smoker vs nonsmoker) (other vs white)  |          1        1.59     0.2070
                                 Joint  |          2        1.67     0.4332
---------------------------------------------------------------------------

-----------------------------------------------------------------------------------------
                                        |            Delta-method
                                        |   Contrast   Std. Err.     [95% Conf. Interval]
----------------------------------------+------------------------------------------------
                             smoke#race |
(smoker vs nonsmoker) (black vs white)  |   .0130245   .2092014     -.3970027    .4230517
(smoker vs nonsmoker) (other vs white)  |  -.2214452   .1754978     -.5654146    .1225242
-----------------------------------------------------------------------------------------

例如，与白人相比，吸烟对生育低体重孩子概率的影响要低 22 个百分点。这种差异并不显着。

这些结果与使用完全饱和的 OLS 模型得到的结果相同，您可以直接解释交互系数：

. reg low i.smoke##i.race, robust

Linear regression                               Number of obs     =        189
                                                F(5, 183)         =       5.09
                                                Prob > F          =     0.0002
                                                R-squared         =     0.0839
                                                Root MSE          =     .45072

-------------------------------------------------------------------------------
              |               Robust
          low |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
--------------+----------------------------------------------------------------
        smoke |
      smoker  |   .2744755   .0809029     3.39   0.001     .1148531    .4340979
              |
         race |
       black  |   .2215909   .1257293     1.76   0.080    -.0264745    .4696563
       other  |   .2727273   .0792791     3.44   0.001     .1163086    .4291459
              |
   smoke#race |
smoker#black  |   .0130245   .2126033     0.06   0.951    -.4064443    .4324933
smoker#other  |  -.2214452   .1783516    -1.24   0.216    -.5733351    .1304447
              |
        _cons |   .0909091    .044044     2.06   0.040     .0040098    .1778083
-------------------------------------------------------------------------------

【讨论】：