Re: St: Tests auf Summen von Koeffizienten Mo, 5 Jul 2004 17:44:30 -0400 Tests Summen der Koeffizienten aus einer Regression in einer flexiblen, allgemeinen Weise. Als Beispiel habe ich eine große Anzahl von Regressionen des Formulars, wobei x eine lange (und variierende Regressionsspezifikation) Liste von Regressoren ist. Ich möchte die Nullhypothese testen, dass die Summe der x-Variablen in jeder Regression Null ist. Im Idealfall suche ich nach einer Erweiterung auf - testparm, wie die - ähnlich wie die - equal - Option den Nullwert für - testparm - zum Testen auf gemeinsame Gleichheit modifiziert - die Teststatistik für die Null zurückgeben würde Die Summe der Variablen in varlist x sind null. (Ich habe den Code von quottestparm. adoquot gesehen, um zu sehen, ob ich den Zusatz selbst machen könnte, aber die Änderungen sind weit über meine mageren Stata Programmierkenntnisse hinaus (ich habe Tage nur versucht, herauszufinden, wie man rekursiv definieren lokalen Makros in Loops.) Beantworten meiner eigenen Frage (nach dem Ausreißen ein paar mehr Haare zuerst), die folgenden - letztlich ganz einfach - Code scheint der Trick zu tun. Besserungen oder Alternativen sind willkommen Die IDRE Statistical Consulting Group wird die Migration der Website auf das WordPress CMS im Februar, um die Wartung und die Schaffung neuer Inhalte zu erleichtern. Einige unserer älteren Seiten werden entfernt werden oder Wir werden uns bemühen, die Weiterleitungen so zu halten, dass die alten URLs auch weiterhin so gut funktionieren wie möglich. Willkommen beim Institut für Digitale Forschung und Bildung Helfen Sie der Stat Consulting Group, indem Sie ein Geschenk geben Stata FAQ Wie kann ich Regressionskoeffizienten über 3 (oder mehr) Gruppen vergleichen? Manchmal kann Ihre Forschung voraussagen, dass die Größe eines Regressionskoeffizienten in Gruppen variieren kann. Zum Beispiel könnten Sie glauben, dass der Regressionskoeffizient der Höhe Vorhersage Gewicht würde sich über 3 Altersgruppen (junge, mittlere Alter, Senioren). Unten haben wir eine Datendatei mit 10 fiktiven jungen Leuten, 10 fiktiven Mittelalterleuten und 10 fiktiven Senioren, zusammen mit ihrer Höhe in Zoll und ihrem Gewicht in Pfund. Das variable Alter gibt die Altersgruppe an und ist für Jugendliche, 2 für Mittelalter und 3 für Senioren codiert. Wir analysieren ihre Daten separat mit dem Regress-Befehl unten nach der ersten Sortierung nach Alter. Die Parameterschätzungen (Koeffizienten) für das Jugendliche, das mittlere Alter und die Senioren sind unten dargestellt, und die Ergebnisse scheinen darauf hinzudeuten, dass die Höhe ein stärkerer Prognosemodell für Senioren ist (3,18) als für das mittlere Alter (2,09). Die Ergebnisse scheinen auch darauf hinzudeuten, dass die Höhe nicht so stark für die Jugend (-37) wie für die mittleren Altersgruppen und Senioren prognostiziert. Wir müssten jedoch spezifische Signaltests durchführen, um die Unterschiede zwischen diesen Regressionskoeffizienten beurteilen zu können. Wir können die Regressionskoeffizienten unter diesen drei Altersgruppen vergleichen, um die Nullhypothese zu testen, wobei B 1 die Regression für die Jugend ist, B 2 die Regression für das mittlere Alter ist und B 3 die Regression für ältere Bürger ist. Um diese Analyse durchzuführen, stellen wir zunächst eine Dummy-Variable mit dem Namen age1 ein, die 1 kodiert, wenn young (age1), 0 andernfalls age2, die bei mittleren Alters (age2) codiert wird, 0 andernfalls. Wir schaffen auch age1ht, die age1 mal Höhe ist. Und age2ht, dass age2 mal Höhe ist. Wir können jetzt age1 age2 Höhe verwenden. Age1ht und age2ht als Prädiktoren in der Regressionsgleichung im Regressbefehl unten. Dem Regressbefehl folgt der Befehl: der die Nullhypothese prüft: Dieser Test wird 2 df haben, da er 3 Regressionskoeffizienten vergleicht. Die folgende Analyse zeigt, dass die Nullhypothese verworfen werden kann (F17.29, p 0.0000). Dies bedeutet, dass sich die Regressionskoeffizienten zwischen Höhe und Gewicht in den drei Altersgruppen (Junges, Mittelalter, Senioren) tatsächlich unterscheiden. Beachten Sie, dass wir alle Variablen manuell erstellt haben, um es sehr deutlich zu machen, was jede Variable repräsentiert. Jedoch im täglichen Gebrauch, würden Sie wahrscheinlich eher das xi-Präfix verwenden, um die Dummy-Variablen und Interaktionen für Sie zu generieren. Beispielsweise können Sie jedoch sehen, dass in diesem Beispiel die erste Altersgruppe die weggelassene Gruppe ist, wobei zuvor die dritte Gruppe die weggelassene Gruppe war. Wir können den char-Befehl verwenden (siehe unten), um anzuzeigen, dass die dritte Gruppe die ausgelassene Gruppe sein soll, und führen Sie dann die Analyse erneut aus. Der Inhalt dieser Website sollte nicht als eine Bestätigung für eine bestimmte Website, ein Buch oder ein Softwareprodukt der Universität von Kalifornien verstanden werden.
No comments:
Post a Comment