Stata Journal

Sau khi mô hình hồi quy logistic được ước lượng, cần thực hiện một kiểm định tổng thể về độ vừa vặn của mô hình kết quả. Một kiểm định thường được sử dụng để đánh giá độ vừa vặn của mô hình là kiểm định Hosmer–Lemeshow, có sẵn trong Stata và hầu hết các phần mềm thống kê khác. Tuy nhiên, thường thì người ta quan tâm đến việc ước lượng mô hình hồi quy logistic cho dữ liệu khảo sát mẫu, chẳng hạn như dữ liệu từ Khảo sát Phỏng vấn Sức khỏe Quốc gia hoặc Khảo sát Kiểm tra Sức khỏe và Dinh dưỡng Quốc gia. Thật không may, trong những trường hợp như vậy chưa có quy trình kiểm định độ vừa vặn nào được phát triển hoặc triển khai trong phần mềm hiện có. Để giải quyết vấn đề này, một lệnh ado của Stata, svylogitgof, được phát triển nhằm ước lượng kiểm định trung bình dư F đã hiệu chỉnh sau khi ước lượng svy: logit hoặc svy: logistic, và bài báo này mô tả việc triển khai của nó.

Bài báo này mô tả một lệnh Stata mới gọi là xtwest, thực hiện bốn thử nghiệm đồng hội tụ dựa trên sửa lỗi do Westerlund (2007) phát triển. Các thử nghiệm này đủ tổng quát để cho phép một mức độ lớn của sự không đồng nhất, cả trong mối quan hệ đồng hội tụ dài hạn và trong động lực ngắn hạn, cũng như sự phụ thuộc trong và giữa các đơn vị cắt ngang.

Bài báo này mô tả lệnh mixlogit trong Stata để khớp các mô hình logit hỗn hợp bằng cách sử dụng ước lượng tối đa thông qua mô phỏng.

Trong bài viết này, chúng tôi trình bày lệnh aidsills mới để ước lượng các hệ thống cầu gần như lý tưởng và các mở rộng bậc hai của chúng. Tương phản với lệnh quaids của Poi (2012, Tạp chí Stata 12: 433–446), dựa trên lệnh nlsur phi tuyến, aidsills sử dụng ước lượng bình phương nhỏ nhất tuyến tính lặp lại hấp dẫn về mặt tính toán được phát triển bởi Blundell và Robin (1999, Tạp chí Kinh tế lượng 14: 209–232). Lệnh mới này còn cho phép người dùng tính đến giá cả nội sinh và tổng chi tiêu bằng cách sử dụng các kỹ thuật biến công cụ. Độ co giãn và sai số chuẩn của chúng có thể được thu hoạch thông qua lệnh aidsills elas trong giai đoạn hậu ước lượng.

Tổng hợp dữ liệu mạng đã được thiết lập trong những năm gần đây như một công cụ tổng hợp bằng chứng đặc biệt hữu ích. Tuy nhiên, việc phát triển các phương pháp trình bày dữ liệu, giả định và kết quả từ tổng hợp dữ liệu mạng theo cách dễ hiểu và ngắn gọn vẫn còn thách thức. Trong bài viết này, chúng tôi cung cấp một bộ lệnh kèm theo các công cụ đồ họa nhằm tạo điều kiện thuận lợi cho việc hiểu dữ liệu, đánh giá các giả định và diễn giải các phát hiện từ tổng hợp dữ liệu mạng.

Phân tích tổng hợp độ chính xác của các bài kiểm tra chẩn đoán gặp nhiều thách thức. Ngay cả trong trường hợp đơn giản nhất, khi dữ liệu được tóm tắt bằng bảng 2 x 2 từ mỗi nghiên cứu, một phân tích thống kê nghiêm ngặt yêu cầu các mô hình phân cấp (đa cấp) tôn trọng cấu trúc dữ liệu nhị phân, chẳng hạn như hồi quy logistic phân cấp. Chúng tôi giới thiệu một gói Stata, metandi, để hỗ trợ việc điều chỉnh các mô hình này trong Stata. Các lệnh hiển thị kết quả theo hai tham số hóa thay thế và tạo ra một biểu đồ có thể tùy chỉnh. metandi yêu cầu Stata 10 trở lên (có lệnh mới xtmelogit), hoặc Stata 8.2 trở lên với gllamm đã được cài đặt.

Việc hiển thị đồ họa kết quả hồi quy đã trở nên ngày càng phổ biến trong các bài thuyết trình và tài liệu khoa học vì đồ thị thường dễ đọc hơn so với bảng số liệu. Các biểu đồ như vậy có thể được tạo ra trong Stata bằng lệnh marginsplot (xem [R] marginsplot). Tuy nhiên, trong khi marginsplot rất đa năng và linh hoạt, nó có hai hạn chế lớn: nó chỉ có thể xử lý các kết quả được tạo ra bởi margins (xem [R] margins) và chỉ có thể xử lý một tập hợp kết quả tại một thời điểm. Trong bài báo này, tôi giới thiệu một lệnh mới có tên là coefplot, vượt qua những hạn chế này. Nó vẽ kết quả từ bất kỳ lệnh ước lượng nào và kết hợp kết quả từ nhiều mô hình vào một đồ thị duy nhất. Hành vi mặc định của coefplot là vẽ các điểm đánh dấu cho các hệ số và các đoạn nằm ngang cho các khoảng tin cậy. Tuy nhiên, coefplot cũng có thể tạo ra các loại đồ thị khác. Tôi minh họa khả năng của coefplot thông qua một loạt ví dụ.

Bài báo này giải thích lý do tại sao việc tính toán hiệu ứng giới hạn của sự thay đổi trong hai biến trở nên phức tạp hơn trong các mô hình phi tuyến so với các mô hình tuyến tính. Lệnh inteff tính toán hiệu ứng giới hạn chính xác của sự thay đổi trong hai biến tương tác cho mô hình logit hoặc probit, cũng như các sai số chuẩn chính xác. Lệnh inteff vẽ đồ thị hiệu ứng tương tác và lưu kết quả để cho phép điều tra thêm.

Các kỹ thuật bootstrapping đã trở nên ngày càng phổ biến trong kinh tế lượng ứng dụng và các lĩnh vực khác. Bài báo này trình bày một số phương pháp và chỉ ra cách áp dụng chúng bằng cách sử dụng lệnh bootstrap trong Stata.

Các mô hình ảnh hưởng ngẫu nhiên tương quan (Mundlak, 1978, Econometrica 46: 69–85; Wooldridge, 2010, Econometric Analysis of Cross Section and Panel Data [MIT Press]) và mô hình lai (Allison, 2009, Fixed Effects Regression Models [Sage]) được coi là những phương án thay thế hấp dẫn cho các mô hình ảnh hưởng ngẫu nhiên và ảnh hưởng cố định tiêu chuẩn vì chúng cung cấp các ước lượng trong biến cấp 1 và cho phép bao gồm cả các biến cấp 2. Tôi sẽ thảo luận về các mô hình này, đưa ra các ví dụ ước lượng và giải quyết một số phức tạp nảy sinh khi kết hợp các hiệu ứng tương tác.