बहुपद - probit और logit - मॉडल - इन - stata - विदेशी मुद्रा

बहु-स्तरीय प्रोबिट और लॉजिट मॉडल में एक आश्रित चर है जो कि एक स्पष्ट, अनारडेड चर है। विकल्प श्रेणी को विकल्प (1, 2, 3, 4 के रूप में कोडित) कहा जाता है और केवल एक विकल्प का चयन किया जा सकता है। उदाहरणों में एक व्यक्ति का चयन, और एक व्यक्ति (व्यापार, अकादमिक, गैर-लाभकारी संगठन) द्वारा व्यावसायिक चयन का प्रकार शामिल है। Multinomial probit और logit मॉडल: विषयों को कवर बहुपक्षीय परिणाम निर्भर चर (डेटा सेट के व्यापक और लंबे समय में) स्वतंत्र चर (वैकल्पिक-अपरिवर्तनीय या वैकल्पिक-प्रकार) बहुपक्षीय लॉग-इन मॉडल (गुणांक, सीमांत प्रभाव, आईआईए) और बहुपक्षीय जांच मॉडल सशर्त लॉजिट मॉडल (गुणांक, सीमांत प्रभाव) मिश्रित लॉगिट मॉडल (यादृच्छिक मापदंड मॉडल) नोटिस: आईडीआरई सांख्यिकीय परामर्श समूह वेबसाइट को वर्डप्रेस सीएमएस में माइग्रेट करेगा फरवरी में रखरखाव और नई सामग्री के निर्माण के लिए। हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि उन्हें अब बनाए रखा नहीं जाएगा हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च और एजुकेशन फॉर डिस्ट्रिब्यूट फॉर डिजिटल कंसल्टिंग ग्रुप को उपहार देने के लिए संस्थान में आपका स्वागत है स्टेटा डाटा विश्लेषण के उदाहरण बहुउद्देशीय उपस्कर पुनरावृत्ति संस्करण जानकारी। स्टेटा 12. में इस पृष्ठ के लिए कोड का परीक्षण किया गया था। बहुपक्षीय रसद प्रतिगमन नाममात्र परिणाम चर को मॉडल करने के लिए उपयोग किया जाता है, जिसमें परिणामों के लॉग बाधाओं को भविष्यवाचक चर के रैखिक संयोजन के रूप में तैयार किया जाता है। कृपया ध्यान दें: इस पृष्ठ का उद्देश्य यह दिखाना है कि विभिन्न डेटा विश्लेषण आदेशों का उपयोग कैसे करें। इसमें अनुसंधान प्रक्रिया के सभी पहलुओं को शामिल नहीं किया जाता है जो शोधकर्ताओं को करना अपेक्षित है। विशेष रूप से, इसमें डेटा सफाई और जांच, मान्यताओं का सत्यापन, मॉडल निदान और संभावित अनुवर्ती विश्लेषण शामिल नहीं हैं। बहुपक्षीय रसद प्रतिगमन के उदाहरण उदाहरण 1। पीपुल्स के व्यावसायिक विकल्प उनके माता-पिता के व्यवसायों और उनके स्वयं के शिक्षा स्तर से प्रभावित हो सकते हैं। हम शिक्षा के स्तर और पितरों के कब्जे वाले लोगों के कब्जे के विकल्प के संबंधों का अध्ययन कर सकते हैं। व्यावसायिक विकल्प परिणाम चर होगा जो कि व्यवसायों की श्रेणियां शामिल होंगे। उदाहरण 2. एक जीवविज्ञानी भोजन विकल्पों में दिलचस्पी ले सकता है कि मैग्नू बनाने वाले वयस्क मगरमच्छों में युवाओं से अलग प्राथमिकताएं हो सकती हैं परिणाम परिवर्तक यहां भोजन के प्रकार होंगे, और भविष्यवक्ता चर, मगरमच्छ और अन्य पर्यावरण चर का आकार हो सकता है। उदाहरण 3. उच्च विद्यालय के छात्रों में प्रवेश सामान्य कार्यक्रम, व्यावसायिक कार्यक्रम और शैक्षिक कार्यक्रम के बीच कार्यक्रम के विकल्प बनाते हैं। उनकी पसंद को उनके लेखन स्कोर और उनकी सामाजिक आर्थिक स्थिति का उपयोग करके मॉडलिंग किया जा सकता है। डेटा का विवरण हमारे डेटा विश्लेषण उदाहरण के लिए, हम एचएसबीडीएमओ डेटा सेट का उपयोग करके तीसरे उदाहरण का विस्तार करेंगे। आइए पहले डेटा में पढ़ा। डेटा सेट में 200 छात्रों पर चर शामिल हैं। परिणाम चर है ठेला प्रोग्राम प्रकार भविष्यवक्ता चर सामाजिक आर्थिक स्थिति हैं, एसईएस, एक तीन-चरणीय चर वैरिएबल और लेखन स्कोर, लिखना, निरंतर चर। हम ब्याज के चर के कुछ वर्णनात्मक आंकड़े प्राप्त करना शुरू करते हैं। विश्लेषण विधियों आप बहुपक्षीय रसद प्रतिगमन पर विचार कर सकते हैं: इस पृष्ठ का ध्यान। बहुपक्षीय समिति प्रतिगमन: बहुपक्षीय रसद प्रतिगमन के समान है लेकिन स्वतंत्र सामान्य त्रुटि शर्तों के साथ। बहु-समूह विभेदकारी कार्य विश्लेषण: बहुपक्षीय परिणाम चर के लिए एक बहुभिन्नरूपी पद्धति कई रिक्तियां प्रतिगमन विश्लेषण करती है, प्रत्येक जोड़ी परिणामों के लिए एक: इस दृष्टिकोण के साथ एक समस्या ये है कि प्रत्येक विश्लेषण संभावित रूप से एक अलग नमूना पर चलाया जाता है दूसरी समस्या यह है कि रसद मॉडल को बाधित किए बिना, हम 1 से अधिक संभावित परिणाम श्रेणियों को चुनने की संभावना के साथ समाप्त कर सकते हैं। दो श्रेणियों की संख्या को संक्षिप्त करना और फिर एक रसद प्रतिगमन करना: यह दृष्टिकोण सूचना और परिवर्तनों के नुकसान से ग्रस्त है बहुत अलग लोगों के लिए मूल अनुसंधान प्रश्न। क्रमिक उप-रिस्ट्रेशन: यदि परिणाम चर वास्तव में आदेश दिया जाता है और यदि यह आनुपातिक बाधाओं की धारणा को भी संतुष्ट करता है, तो क्रमिक रसद प्रतिगमन पर स्विच करने से मॉडल को अधिक विचित्र बना दिया जाएगा। वैकल्पिक-विशिष्ट बहुपक्षीय समिति प्रतिगमन: अलग-अलग त्रुटि संरचनाओं की अनुमति इसलिए अप्रासंगिक विकल्प (आईआईए, नीचे युक्तियों को ध्यान में रखते हुए देखें) की स्वतंत्रता को आराम करने की अनुमति देता है। इसके लिए डेटा संरचना विकल्प-विशिष्ट होना आवश्यक है। नेस्टेड लॉजिट मॉडल: आईआईए धारणा को भी आराम दिया जाता है, इसके लिए डाटा स्ट्रक्चर की भी आवश्यकता होती है-विशिष्ट विकल्प। बहुपक्षीय रसद प्रतिगमन नीचे हम एक बहुपक्षीय रसद प्रतिगमन मॉडल का अनुमान लगाने के लिए mlogit आदेश का उपयोग करते हैं। मैं एसईएस से पहले इंगित करता है कि एसईएस एक सूचक वैरिएबल है (यानि स्पष्ट वैरिएबल), और यह मॉडल में शामिल होना चाहिए। हमने आधारभूत तुलना समूह के लिए जिस श्रेणी का उपयोग करना चाहते हैं, यह इंगित करने के लिए हमने विकल्प quot आधार उद्धरण भी उपयोग किया है। नीचे दिए गए मॉडल में, हमने शैक्षणिक कार्यक्रम प्रकार को बेसलाइन श्रेणी के रूप में उपयोग करने के लिए चुना है। उपरोक्त आउटपुट में, हम पहले चलने वाले लॉग को देखते हैं, यह दर्शाता है कि मॉडल कितनी तेजी से इकट्ठा किया गया था। लॉग की संभावना (-179.98173) का उपयोग नेस्टेड मॉडलों की तुलना में किया जा सकता है, लेकिन हम यहां मॉडल की तुलना करने का एक उदाहरण नहीं दिखाते हैं पी-वैल्यू लेफ्टिनम 0.0001 के साथ 48.23 की संभावना अनुपात ची-स्क्वायर हमें बताता है कि हमारे मॉडल को पूरी तरह फिट बैठता है एक रिक्त मॉडल की तुलना में काफी बेहतर (यानी कोई मॉडल नहीं के साथ एक मॉडल) उपरोक्त आउटपुट में दो भाग हैं, परिणाम चर प्रोग्राम की श्रेणियों के साथ लेबल किया गया है। वे नीचे दो समीकरणों के अनुरूप हैं: जहां (बी) एस प्रतिगमन गुणांक हैं चर लिखने में एक इकाई वृद्धि सामान्य कार्यक्रम बनाम अकादमिक कार्यक्रम में रहने के सापेक्ष लॉग बाधाओं में .058 कमी के साथ जुड़ा हुआ है। चर लिखने में एक-इकाई वृद्धि व्यावहारिक कार्यक्रम बनाम शैक्षणिक कार्यक्रम में रहने के सापेक्ष लॉग बाधाओं में .1136 कमी के साथ जुड़ा हुआ है। अकादमिक कार्यक्रम में सामान्य कार्यक्रम बनाम होने के रिश्तेदार लॉग बाधाओं को 1.163 की कमी होगी यदि एसईएस (एसईएस 1) के निम्नतम स्तर से एसईएस (एसईएस 3) के उच्चतम स्तर तक बढ़ रहे हैं। बेसलाइन श्रेणी को चुनने की संभावना के आधार पर एक परिणाम श्रेणी चुनने की संभावना का अनुपात अक्सर रिश्तेदार जोखिम के रूप में संदर्भित होता है (और इसे कभी-कभी अवक्षेपों के रूप में संदर्भित किया जाता है, जैसा कि हमने अभी ऊपर के प्रतिगमन पैरामीटर का वर्णन करने के लिए उपयोग किया है)। रिचार्जिंग गुणांक उपरोक्त रैखिक समीकरणों को एक्सपोनेंटिंग करके रिश्तेदार जोखिम प्राप्त किया जा सकता है, जो भविष्यवक्ता चर में इकाई परिवर्तन के लिए सापेक्ष जोखिम अनुपात हैं। हम रिश्तेदार परिणामों को रिश्तेदार जोखिम अनुपात के संदर्भ में प्रदर्शित करने के लिए mlogit कमांड के लिए आरआरआर विकल्प का उपयोग कर सकते हैं। चर लिखने में एक-इकाई वृद्धि के लिए रिश्तेदार जोखिम अनुपात, सामान्य कार्यक्रम बनाम शैक्षणिक कार्यक्रम में होने के लिए, ऊपर वर्णित पहली नकली आदेश के आउटपुट से .9437 (exp (- 0579284)) है। सामान्य कार्यक्रम बनाम शैक्षणिक कार्यक्रम में होने के लिए एसईएस 1 से 3 से रिश्तेदार जोखिम अनुपात स्विचन है .3126। दूसरे शब्दों में, सामान्य कार्यक्रम में रहने का अनुमानित जोखिम उन विषयों के लिए कम है जो एसईएस में उच्च हैं। हम टेस्ट कमान से एसईएस के समग्र प्रभाव के लिए परीक्षण कर सकते हैं। नीचे हम देखते हैं कि एसईएस का समग्र प्रभाव सांख्यिकीय रूप से महत्वपूर्ण है। अधिक विशेष रूप से, हम यह भी जांच सकते हैं कि सामान्य बनाम शैक्षिक की भविष्यवाणी में 3.सेर्स का प्रभाव 3 के प्रभाव के बराबर होता है। परीक्षण से पता चलता है कि प्रभाव एक दूसरे से भिन्न नहीं हैं। मॉडल को समझने में आपकी सहायता के लिए आप अनुमानित संभाव्यताओं का भी उपयोग कर सकते हैं। आप मार्जिन कमांड का उपयोग करके भविष्यवाणी की संभावनाओं की गणना कर सकते हैं। नीचे हम प्रत्येक स्तर के एसईएस पर प्रत्येक प्रोग्राम प्रकार को चुनने की भविष्यवाणी की संभावना की गणना के लिए मार्जिन कमांड का उपयोग करते हैं। मॉडल में अपने सभी तरीकों को अपने साधनों पर रखते हुए चूंकि तीन संभावित परिणाम हैं, हमें मार्जिन कमांड का प्रयोग तीन बार करना होगा, प्रत्येक परिणाम मूल्य के लिए एक होगा। हम प्रत्येक श्रेणी के प्रोग्स के लिए एसईएस द्वारा पूर्वानुमानित संभाव्यताओं को साजिश करने के लिए हाशिंस प्लोट कमांड का उपयोग कर सकते हैं। मार्जिन प्लॉट द्वारा बनाए गए प्लॉट अंतिम मार्जिन कमांड रन पर आधारित होते हैं। इसके अलावा, हम तीन मार्जिन प्लॉट को एक ग्राफ़ में जोड़ सकते हैं ताकि ग्राफ संयोजन आदेश का उपयोग करके तुलना की जा सके। चूंकि इसे बनाया गया है, प्रत्येक मार्जीनप्लेट को एक नाम दिया जाना चाहिए, जिसका इस्तेमाल ग्राफ़ संयोजन द्वारा किया जाएगा। इसके अतिरिक्त, हम y - अक्षों को समान सीमा के पास रखना चाहते हैं, इसलिए हम ग्राफ संयोजन के साथ ycommon विकल्प का उपयोग करते हैं। पूर्वानुमानित संभावनाओं का उपयोग कर मॉडल को समझने का एक अन्य तरीका निरंतर भविष्यवक्ता चर लिखने के विभिन्न मूल्यों के लिए औसत अनुमानित संभावनाओं को देखना है। एसईएस के स्तर में औसत। कभी-कभी, कुछ प्लॉट्स जानकारी का एक अच्छा सौदा राशि बता सकती हैं। नीचे, हम परिणाम चर के विभिन्न स्तरों के लिए एसईएस के स्तर से लिखने के स्कोर के बारे में अनुमानित संभावनाओं को साजिश करते हैं। हम यह भी देख सकते हैं कि हमारे मॉडल को कितनी अच्छी तरह फिट बैठता है। प्रतिस्पर्धा मॉडल की तुलना करते समय यह विशेष रूप से उपयोगी हो सकता है उपयोगकर्ता द्वारा लिखित कमान फिटस्टैट विभिन्न प्रकार के फिट आँकड़े बनाती है आप फिटस्टैट पर और अधिक जानकारी प्राप्त कर सकते हैं और प्रोग्राम में कमान findit fitstat का उपयोग कर प्रोग्राम डाउनलोड कर सकते हैं (देखें कि मैं प्रोग्राम को खोजने के लिए कैसे खोजित कमांड का उपयोग कर सकता हूं और अतिरिक्त जानकारी प्राप्त करने के बारे में अतिरिक्त जानकारी प्राप्त कर सकता हूं)। असंगत विकल्प (आईआईए) की आजादी पर विचार करने के लिए चीजें: मोटे तौर पर, IIA धारणा का मतलब है कि वैकल्पिक परिणाम श्रेणियां जोड़ना या हटा देना शेष परिणामों में बाधाओं को प्रभावित नहीं करता है। IIA धारणा का परीक्षण स्टेटा कमान mlogtest, iia का उपयोग करके किया जा सकता है। हालांकि, 23 अप्रैल, 2010 तक, मैग्लाटेस्ट, आईआईए कारक वैरिएबल के साथ काम नहीं करता है। वैकल्पिक मॉडलिंग पद्धतियां हैं जो आईआईए धारणा को आराम करती हैं, जैसे कि वैकल्पिक-विशिष्ट बहुपक्षीय जांच मॉडल या नेस्टेड लॉग-इन मॉडल। डायग्नोस्टिक्स और मॉडल फिट: रिक्तिगत प्रतिगमन के विपरीत जहां मॉडल डायग्नॉस्टिक्स के प्रदर्शन के लिए कई आंकड़े हैं, यह बहुपक्षीय रिक्तियां प्रतिगमन मॉडल के साथ निदान करने के लिए उतना आसान नहीं है। मॉडल फिट आँकड़े fitstat कमांड के माध्यम से प्राप्त किया जा सकता है। आउटलेटर्स या प्रभावशाली डेटा बिंदुओं के पता लगाने के उद्देश्य से, एक अलग लॉजिट मॉडल चला सकता है और प्रत्येक मॉडल पर निदान उपकरण का उपयोग कर सकता है। छद्म-आर-स्क्वायर: आउटपुट में प्रस्तुत आर-स्क्वेयर मूल रूप से इंटरसेप्ट-केवल मॉडल से वर्तमान मॉडल तक लॉग-संभावना के संदर्भ में परिवर्तन है। यह रैखिक प्रतिगमन के लिए आर-स्क्वायर के रूप में एक ही जानकारी को व्यक्त नहीं करता है, भले ही यह अभी भी उच्च है, बेहतर गुणवत्ता। नमूना आकार: बहुपक्षीय प्रतिगमन एक अधिकतम संभावना आकलन विधि का उपयोग करता है, इसके लिए एक बड़े नमूना आकार की आवश्यकता होती है। यह कई समीकरणों का भी उपयोग करता है इसका मतलब है कि इसके लिए ऑर्डिनल या बाइनरी रेजिस्टी प्रतिगमन की तुलना में एक बड़ा नमूना आकार की आवश्यकता होती है। पूरा या अर्ध-पूर्ण विभाजन: पूर्ण विभाजन का अर्थ है कि परिणाम चर पूरी तरह से एक भविष्यवक्ता चर को अलग करता है, जिससे भविष्यवाचक चर द्वारा पूर्ण भविष्यवाणी की ओर अग्रसर होता है। एक लॉग-इट मॉडल चलाने के विपरीत, स्ताटा ऐसा होने पर चेतावनी प्रदान नहीं करता है। इसके बजाए इसे बार-बार गणना करना जारी रहता है और इस प्रक्रिया को रोकने के लिए मैन्युअल छोड़ने की आवश्यकता होती है। परफेक्ट भविष्यवाणी का मतलब है कि प्रक्षेपक चर का केवल एक मान प्रतिसाद चर के केवल एक मूल्य के साथ जुड़ा हुआ है। लेकिन आप प्रतिगमन गुणांक के उत्पादन से बता सकते हैं कि कुछ गलत है। उसके बाद आप इसकी पुष्टि करने के लिए समस्यागत चर के साथ आउटपुट वेरिएबल के दो-तरफ़ा सारिणीकरण कर सकते हैं और फिर समस्याग्रस्त चर के बिना मॉडल को फिर से चला सकते हैं। रिक्त कोशिकाएं या छोटी कोशिकाएं: स्पष्ट भविष्यवाणियों और परिणाम चर के बीच क्रॉस-सारणीकरण करके आपको खाली या छोटे कक्षों की जांच करनी चाहिए। यदि एक कक्ष में बहुत कम मामलों (एक छोटा सेल) है, तो मॉडल अस्थिर हो सकता है या यह बिल्कुल भी नहीं चल सकता है शायद आपका डेटा पूरी तरह से मान्यताओं को पूरा नहीं कर सकता है और आपकी मानक त्रुटियां चिह्न से दूर हो सकती हैं। आप हमारे पेज को देखना चाह सकते हैं जो स्टेटा ऑफ़र के मानक त्रुटियों की गणना करने के लिए वैकल्पिक विधियों को दिखाता है। कभी-कभी टिप्पणियों के समूह में क्लस्टर होता है (उदाहरण के लिए, परिवारों के भीतर, कक्षाओं के अंदर के छात्र)। ऐसे मामलों में, आप क्लस्टर के अंतर्गत हमारे पेज को गैर-आजादी पर देखना चाह सकते हैं। संदर्भ इस वेब साइट की सामग्री को कैलिफोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए।