Stata学习：如何输出有序Logit回归结果？

Answer 1

Trinh等（2022）研究中，作者使用了有序Logit回归来分析温度冲击对赌博行为的影响。该方法在表3A中被采用，结果显示温度冲击对赌博行为的正向影响具有持续性，并且对所选估计方法的稳定性较高。

为更好地理解此过程，我们提供一段示例代码及其实例输出，以便直观展示有序Logit回归在Stata软件中的应用。

示例代码如下：

stata
* 示例代码
webuse nlswork, clear
ologit union age grade if wage<100, or

在上述代码中，`webuse nlswork, clear` 表示加载数据集 `nlswork`。`ologit union age grade if wage<100, or` 则表示执行有序Logit回归分析，其中 `union` 为因变量，`age` 和 `grade` 为自变量，条件为 `wage<100`。

执行上述代码后，Stata将输出以下结果：

stata
Ordered logistic regression Number of obs = 4050 LR chi2(2) = 42.68 Prob > chi2 = 0.0000 Log likelihood = -3465.7641 Pseudo R2 = 0.0100
------------------------------------------------------------------------------ union | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- age | 1.011283 .0046415 2.19 0.028 1.002226 1.020484 grade | 1.035967 .0135795 2.47 0.014 1.010036 1.062915 _cut1 | 1.436865 .5091523 1.41 0.157 .7128346 2.894407 _cut2 | 3.475557 1.536237 1.85 0.064 .8037644 14.33555

通过分析上述结果，我们可以得出以下

1. **回归系数**：`age` 的系数为 1.011283，说明每增加 1 岁，赌博行为的可能性增加约 1.1%；`grade` 的系数为 1.035967，表示每增加一个教育等级，赌博行为的可能性增加约 3.6%。

2. **显著性**：`z` 值及其对应的 `P>|z|` 显示了自变量与因变量之间关联的显著性。在本例中，`age` 和 `grade` 的关联具有统计显著性，`P>|z|` 均小于 0.05。

3. **截距项**：通过 `_cut1` 和 `_cut2`，我们了解了不同类别间的临界值。这表明，赌博行为与特定的温度冲击水平有显著关联。

总之，有序Logit回归是一种有效的统计方法，用于分析连续变量的有序分类数据。通过上述示例和代码，我们可以看到如何在Stata软件中执行此类分析，并通过输出结果来评估自变量对因变量的影响。