对 Stata 来说非常陌生，因此在使用固定效果时有些吃力。这里的数据是虚构的，但请耐心等待。我有一堆我正在做回归的虚拟变量。我的因变量是一个虚拟变量，如果客户买了东西，则为 1，否则为 0。我的固定效果是前面是否有黄色标志（再次是虚拟变量）。我的自变量是商店经理是否打招呼（虚拟变量）。
基本上，我希望我的输出看起来像这样（显然有标准错误）
Yellow sign No Yellow sign
Manager said hi estimate estimate
【问题讨论】：
标签： stata
您可以在回归中使用## 运算符来获得具有固定效应的饱和模型：
首先，输入数据，使您有一个二元结果（bought）、一个因变量（saidhi）和一个固定效应变量（sign)。 saidhi 应该与您的结果相关（因此 saidhi 的一部分与 bought 不相关，而一部分与您的结果相关），并且您的FE 变量应该与 bought 和 saidhi 相关（否则，如果您只对 saidhi 的影响感兴趣，则在回归中没有任何意义em>)。
clear
set obs 100
set seed 45
gen bought = runiform() > 0.5 // Binary y, 50/50 probability
gen saidhi = runiform() + runiform()^2*bought
gen sign = runiform() + runiform()*saidhi + runiform()*bought > 0.66666 // Binary FE, correlated with both x and y
replace saidhi = saidhi > 0.5
现在，运行你的回归：
* y = x + FE + x*FE + cons
reg bought saidhi##sign, r
exit
你的输出应该是：
Linear regression Number of obs = 100
F(3, 96) = 13.34
Prob > F = 0.0000
R-squared = 0.1703
Root MSE = .46447
------------------------------------------------------------------------------
| Robust
bought | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
1.saidhi | .3571429 .2034162 1.76 0.082 -.0466351 .7609209
1.sign | .3869048 .1253409 3.09 0.003 .138105 .6357046
|
saidhi#sign |
1 1 | -.1427489 .2373253 -0.60 0.549 -.6138359 .3283381
|
_cons | .0714286 .0702496 1.02 0.312 -.0680158 .210873
------------------------------------------------------------------------------
1.saidhi是sign == 0时saidhi的效果。 1.sign 是符号的效果，单独，即saidhi == 0时。 saidhi#sign 下的部分描述了这两个变量之间的相互作用（即它们同时为 1 的边际效应......请记住，它们都为 1 的总效应包括前两项）。您的常数代表 bought 当两者都为 0 时的平均值（例如，这与您从 sum bought if saidhi == 0 & sign == 0 获得的值相同）。
【讨论】：