目录 1．Logit和Probit的模型差别 2．二分类Logistic回归模型 3．多分类Logistic回归模型 4．次序Logistic回归模型 5．面板数据Logistic回归模型
Logit回归又称逻辑回归、fdej回归、Logistic回归)无疑是社会科学，尤其是社会学研究中使用最广的方法，没有之一。这也是因为社会科学中变量的类型所决定的。因变量的类型决定着回归模型的使用，对于社会科学中常用的类别变量对应的就是Logit回归。
Logit回归又不同于一般线性回归，一般线性回归的回归系数以及R方等较容易解释，但是Logit回归的数学原理中涉及到了对数转换等，所以解释起来与一般线性回归有着较多的不同之处。
下面给一个具体的例子，研究的是某一地区农户耕种土地占总可耕种土地的情况。
1．Logit和Probit的模型差别
Logit回归和Probit回归本质上都是对二分类变量进行转换，而且转换的关键都是针对事件发生的概率p。其中Logit模型是进行对数转换。
Probit模型顾名思义就是进行了Probit转换，Probit转换是得到一个关于p的单调函数，并且该函数和自变量呈线性关系。
2．二分类Logistic回归
sysuse “auto.dta”,clear**一般Logistic回归logit foreign mpg weight**胜算比 odds)获取的回归logit foreign mpg weight,or
3．多分类Logistic回归
在计量经济学中，多元)Logit模型是非常常用的建模离散选择的计量工具。Filip Matejka和 Alisdair McKay 2015年AER上的文章《Rational inattention to discrete choices: A new foundation for themultinomial logit model》通过不完全信息下「理性疏忽」的角度，提出了多元Logit 模型的一个新的基础。
在实证研究中，我们会遇到被解释变量为类别变量的情形。在部分情境下，被解释变量为非此即彼的二元选择变量 如是否考取大学、是否结婚等)，即我们熟知的0-1变量，此时应采用二元 Logit 模型进行估计；但在很多情形中，被解释变量涉及 3 种以上的类别变量。
**调用数据use https://stats.idre.ucla.edu/stat/data/hsbdemo,clear**logit回归mlogit prog schtyp read write math science socst honors,or** ses 变量前的i.标识表明该变量为类别变量，base选项帮助我们选定模型估计的基准组，此处我们将「学术课程项目」 ses=2 ) 作为基准组。mlogit prog i.ses write, base2)
**计算所有系数估计值对应的胜算比mlogit, rrr
**预测概率值与概率值的图形显示margins ses, atmeans predictoutcome1))marginsplot, namegeneral) margins ses, atmeans predictoutcome2))marginsplot, nameacademic) margins ses, atmeans predictoutcome3))marginsplot, namevocational) graph combine general academic vocational, ycommon
下面讨论连续变量 write 在不同取值情况下对应的平均预测概率，平均预测概率为不同 ses 层级对应的预测概率的平均值。
margins, atwrite = 3010) 70)) predictoutcome1)) vsquishmargins, atwrite = 3010) 70)) predictoutcome2)) vsquishmargins, atwrite = 3010) 70)) predictoutcome3)) vsquishredict p1 p2 p3sort writetwoway line p1 write if ses ==1) line p1 write if ses==2) line p1 write if ses ==3), legendorder1 “ses = 1” 2 “ses = 2” 3 “ses = 3″) ring0) position7) row1)) title”general”)twoway line p2 write if ses ==1) line p2 write if ses==2) line p2 write if ses ==3), legendorder1 “ses = 1” 2 “ses = 2” 3 “ses = 3″) ring0) position7) row1)) title”academic”)twoway line p3 write if ses ==1) line p3 write if ses==2) line p3 write if ses ==3), legendorder1 “ses = 1” 2 “ses = 2” 3 “ses = 3″) ring0) position7) row1)) title”vocation”)
4．次序Logistic回归 webuse lbw,clear** low为应变量，后边均为自变量，OR为各变量回归系数的对数值logit low age lwt i.race smoke ptl ht ui,or**使用Hl检验对回归模型进行检验lfit, group10) table
**展示回归后的分类结果，包括敏感度和特异度lstat
**寻找最佳临界值lsens
**使用ROC评估回归效果lroc
5．面板数据logit回归模型 webuse unionxtset idcode yearsum**分析各因素对妇女是否选择参加工会的影响。因为被解释变union为二值选择变量，数据类型又是面板数据，我们考虑使用面板数据的离散选择模型。**固定效应面板数据Logit回归xtlogit union age grade i.not_smsa south##c.year,fe**随机效应面板数据Logit回归xtlogit union age grade i.not_smsa south##c.year,re极速赛车稳赚4码squishredict p1 p2 p3sort writetwoway line p1 write if ses ==1) line p1 write if ses==2) line p1 write if ses ==3), legendorder1 “ses = 1” 2 “ses = 2” 3 “ses = 3″) ring0) position7) row1)) title”general”)twoway line p2 write if ses ==1) line p2 write if ses==2) line p2 write if ses ==3), legendorder1 “ses = 1” 2 “ses = 2” 3 “ses = 3″) ring0) position7) row1)) title”academic”)twoway line p3 write if ses ==1) line p3 write if ses==2) line p3 write if ses ==3), legendorder1 “ses = 1” 2 “ses = 2” 3 “ses = 3″) ring0) position7) row1)) title”vocation”)
4．次序Logistic回归 webuse lbw,clear** low为应变量，后边均为自变量，OR为各变量回归系数的对数值logit low age lwt i.race smoke ptl ht ui,or**使用Hl检验对回归模型进行检验lfit, group10) table
**展示回归后的分类结果，包括敏感度和特异度lstat
**寻找最佳临界值lsens
**使用ROC评估回归效果lroc
5．面板数据logit回归模型 webuse unionxtset idcode yearsum**分析各因素对妇女是否选择参加工会的影响。因为被解释变union为二值选择变量，数据类型又是面板数据，我们考虑使用面板数据的离散选择模型。**固定效应面板数据Logit回归xtlogit union age grade i.not_smsa south##c.year,fe**随机效应面板数据Logit回归xtlogit union age grade i.not_smsa south##c.year,re