Stata：面板混合选择模型-cmxtmixlogit
Stata连享会 主页 || 视频 || 推文 || 知乎 || Bilibili 站
温馨提示： 定期 清理浏览器缓存，可以获得最佳浏览体验。
New！
lianxh命令发布了：
随时搜索推文、Stata 资源。安装：
. ssc install lianxh
详情参见帮助文件 (有惊喜)：
. help lianxh
连享会新命令：cnssc,ihelp,rdbalance,gitee,installpkg
⛳ Stata 系列推文：
全部 | Stata入门 | Stata教程 | Stata资源 | Stata命令 计量专题 | 论文写作 | 数据分享 | 专题课程 结果输出 | Stata绘图 | 数据处理 | Stata程序 回归分析 | 面板数据 | 交乘项-调节 | IV-GMM 内生性-因果推断 | 倍分法DID | 断点回归RDD | PSM-Matching | 合成控制法 Probit-Logit | 时间序列 | 空间计量 | 分位数回归 | 生存分析 | SFA-DEA 文本分析-爬虫 | Python-R-Matlab | 机器学习 Markdown | 工具软件 | 其它
作者：丁雅文 (北京大学)
邮箱: 1901111380@pku.edu.cn
编者按：本文部分内容参考如下资料，特此致谢！
Source: Joerg Luedicke. 2019. Performing and interpreting discrete choice analyses in Stata. -PDF-
目录
1. 简介
离散选择模型 (discrete choice model, DCM) 是研究个体选择行为强有力的分析工具，目前应用较为广泛的 Stata 命令包括 logit、probit、mlogit、nlogit、ologit 等，详情可参考连享会专题推文「Probit-Logit」。
相比条件 logit 模型面临的 IIA 假定与现实不符、难以处理个体偏好异质性等问题，混合 logit 模型通过允许其中一个或多个参数随机分布，对标准的条件 logit 模型进行了拓展。Stata 16 则为离散选择模型引入了一套全新的 cm 命令来实现混合 logit 模型，该命令可以进行各种灵活的边际效应分析，功能更加强大。本篇推送将对这套 cm 命令进行系统性的实操介绍。
2. 命令介绍
Stata 16 为离散选择模型引入的全新 cm 系列命令，主要包括 cmclogit、cmmprobit、cmroprobit、cmrologit、cmmixlogit 和 cmxtmixlogit，因此可以很方便分析任何选择模型的结果。
在开始进行实证分析之前，首先要对数据进行 cmset，即宣布数据是 choice model data。其中：
cmset caseidvar altvar [, force]表示数据为 cross-sectional choice model data；cmset panelvar timevar altvar [, tsoptions force]则表示数据为 panel choice model data。
. use http://www.stata-press.com/data/r16/transport.dta, clear
(Transportation choice data)
. cmset id t alt
note: case identifier _caseid generated from id and t.
note: panel by alternatives identifier _panelaltid generated from id and alt.
Panel data: Panels id and time t
Case ID variable: _caseid
Alternatives variable: alt
Panel by alternatives variable: _panelaltid (strongly balanced)
Time variable: t, 1 to 3
Delta: 1 unit
接下来可以使用 cmchoiceset、cmtab、cmsample 等命令对数据进行描述性统计分析。
. **tabulate choice sets
. cmchoiceset
Tabulation of choice-set possibilities
Choice set | Freq. Percent Cum.
------------+-----------------------------------
1 2 3 4 | 1,500 100.00 100.00
------------+-----------------------------------
Total | 1,500 100.00
Note: Total is number of cases.
其中，cmsample 用来检查样本被排除的原因：
. preserve
. replace trcost=. in 5
. replace alt=. in 2
. replace choice=0 if t==3 & id==1
. replace income=1 in 1
. cmsample trcost trtime, choice(choice) casevars(age income)
Reason for exclusion | Freq. Percent Cum.
-----------------------------------+-----------------------------------
observations included | 5,988 99.80 99.80
alternatives variable missing | 4 0.07 99.87
choice variable all 0 | 4 0.07 99.93
casevars not constant within case* | 4 0.07 100.00
-----------------------------------+-----------------------------------
Total | 6,000 100.00
* indicates an error
. restore
在进行完上述分析之后，便可使用下列命令进行各种离散选择模型的实证分析：
cmclogit：conditional logit model (MaFadden’s choice model)cmmixlogit：mixed logit modelcmxtmixlogit：panel data mixed logit modelcmmporbit：muitinomial probit modelcmroprobit：rank-ordered probit modelcmrologit：rank-ordered logit model
3 案例实操
本部分介绍以 cmxtmixlogit 为例。其中， cmxtmixlogit 命令为 Stata 16 的一项新功能，用来拟合面板数据的混合 logit 模型。下面我们将以 transport.dta 数据为例，来介绍 cmxtmixlogit 命令的使用。首先，运行 cmxtmixlogit 命令分析各种交通出行的成本对人们选择交通方式的影响：
. webuse transport.dta, clear
. cmset id t alt
. cmxtmixlogit choice trcost, casevars(age income) random(trtime) nolog
Mixed logit choice model Number of obs = 6,000
Number of cases = 1,500
Panel variable: id Number of panels = 500
Time variable: t Cases per panel: min = 3
avg = 3.0
max = 3
Alternatives variable: alt Alts per case: min = 4
avg = 4.0
max = 4
Integration sequence: Hammersley
Integration points: 594 Wald chi2(8) = 432.68
Log simulated-likelihood = -1005.9899 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
choice | Coefficient Std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
alt |
trcost | -0.839 0.044 -19.13 0.000 -0.925 -0.753
trtime | -1.509 0.264 -5.71 0.000 -2.026 -0.991
-------------+----------------------------------------------------------------
/Normal |
sd(trtime)| 1.946 0.259 1.498 2.527
-------------+----------------------------------------------------------------
Car | (base alternative)
-------------+----------------------------------------------------------------
Public |
age | 0.154 0.067 2.29 0.022 0.022 0.286
income | -0.382 0.035 -10.98 0.000 -0.450 -0.313
_cons | -0.576 0.352 -1.64 0.102 -1.265 0.113
-------------+----------------------------------------------------------------
Bicycle |
age | 0.206 0.085 2.43 0.015 0.040 0.373
income | -0.523 0.046 -11.28 0.000 -0.613 -0.432
_cons | -1.137 0.446 -2.55 0.011 -2.012 -0.263
-------------+----------------------------------------------------------------
Walk |
age | 0.310 0.107 2.89 0.004 0.100 0.519
income | -0.902 0.069 -13.14 0.000 -1.036 -0.767
_cons | -0.418 0.561 -0.75 0.456 -1.517 0.681
------------------------------------------------------------------------------
接着，我们就可以运行 margins 命令进行边际效应分析。margins 命令的运行较为灵活。下面举几个例子来具体说明 margins 命令的用法。
例 1：当样本年收入为 30000 美元时，人们选择各种交通方式的期望概率。
. margins, at (income=3)
Predictive margins Number of obs = 6,000
Model VCE: OIM
Expression: Pr(alt), predict()
At: income = 3
------------------------------------------------------------------------------
| Delta-method
| Margin std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
_outcome |
Car | 0.333 0.020 16.93 0.000 0.295 0.372
Public | 0.221 0.018 12.00 0.000 0.185 0.257
Bicycle | 0.168 0.018 9.23 0.000 0.132 0.203
Walk | 0.278 0.024 11.41 0.000 0.230 0.326
------------------------------------------------------------------------------
例 2：相比年收入为 30000 美元的样本群体，年收入为 40000 美元的样本群体在不同时间选择各种交通方式的期望概率变化。
. margins, at(income=(3 4)) contrast(at(r) nowald) over(t)
Contrasts of predictive margins Number of obs = 6,000
Model VCE: OIM
Expression: Pr(alt), predict()
Over: t
1._at: 1.t
income = 3
1._at: 2.t
income = 3
1._at: 3.t
income = 3
2._at: 1.t
income = 4
2._at: 2.t
income = 4
2._at: 3.t
income = 4
---------------------------------------------------------------------
| Delta-method
| Contrast std. err. [95% conf. interval]
--------------------+------------------------------------------------
_at@_outcome#t |
(2 vs 1) Car#1 | 0.079 0.004 0.071 0.087
(2 vs 1) Car#2 | 0.083 0.004 0.074 0.091
(2 vs 1) Car#3 | 0.079 0.004 0.071 0.087
(2 vs 1) Public#1 | 0.007 0.005 -0.003 0.016
(2 vs 1) Public#2 | 0.005 0.005 -0.004 0.015
(2 vs 1) Public#3 | 0.008 0.005 -0.001 0.017
(2 vs 1) Bicycle#1 | -0.009 0.006 -0.020 0.002
(2 vs 1) Bicycle#2 | -0.008 0.005 -0.019 0.002
(2 vs 1) Bicycle#3 | -0.007 0.005 -0.018 0.004
(2 vs 1) Walk#1 | -0.077 0.010 -0.097 -0.058
(2 vs 1) Walk#2 | -0.079 0.010 -0.099 -0.060
(2 vs 1) Walk#3 | -0.080 0.010 -0.099 -0.060
---------------------------------------------------------------------
通过 marginsplot 命令，我们可以进一步将这种随时间变化的期望概率的变化可视化。
. marginsplot
Variables that uniquely identify margins: t _outcome
例 3：在整个收入区间内，样本群体选择各种交通方式的平均期望概率。
. margins,at(income=(1 (1) 16))
Predictive margins Number of obs = 6,000
Model VCE: OIM
Expression: Pr(alt), predict()
1._at: income = 1
2._at: income = 2
3._at: income = 3
......
------------------------------------------------------------------------------
| Delta-method
| Margin std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
_outcome#_at |
Car# 1 | 0.187 0.021 8.85 0.000 0.145 0.228
Car# 2 | 0.256 0.021 12.13 0.000 0.215 0.297
Car# 3 | 0.333 0.020 16.93 0.000 0.295 0.372
......
Walk#14 | 0.001 0.000 1.90 0.058 -0.000 0.002
Walk#15 | 0.000 0.000 1.66 0.096 -0.000 0.001
Walk#16 | 0.000 0.000 1.48 0.140 -0.000 0.000
------------------------------------------------------------------------------
. marginsplot,recast(line) ciopts(recast(rarea) color(%20))
Variables that uniquely identify margins: income _outcome
例 4：如果汽车出行成本增加了 25%，这将如何影响人们选择汽车出行的概率？这对人们选择其他出行方式的概率有什么影响？
. margins, alternative(Car) at(trcost=generate(trcost)) ///
> at(trcost=generate(1.25*trcost)) subpop(if t==1)
Predictive margins Number of obs = 6,000
Model VCE: OIM Subpop. no. obs = 2,000
Expression: Pr(alt), predict()
Alternative: Car
1._at: trcost = trcost
2._at: trcost = 1.25*trcost
------------------------------------------------------------------------------
| Delta-method
| Margin std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
_outcome#_at |
Car#1 | 0.544 0.011 47.71 0.000 0.522 0.566
Car#2 | 0.441 0.010 43.61 0.000 0.421 0.460
Public#1 | 0.201 0.010 19.26 0.000 0.181 0.221
Public#2 | 0.255 0.012 21.60 0.000 0.232 0.278
Bicycle#1 | 0.126 0.010 13.14 0.000 0.107 0.144
Bicycle#2 | 0.157 0.011 14.21 0.000 0.135 0.178
Walk#1 | 0.130 0.010 12.76 0.000 0.110 0.149
Walk#2 | 0.148 0.011 13.43 0.000 0.126 0.169
------------------------------------------------------------------------------
进一步地，我们可以将汽车出行成本增加 25% 后人们选择各种出行方式的概率与汽车出行成本未增加的情况进行比较。
. margins, alternative(Car) at(trcost=generate(trcost)) ///
> at(trcost=generate(1.25*trcost)) contrast (at(r) nowald) ///
> subpop(if t==1)
Contrasts of predictive margins Number of obs = 6,000
Model VCE: OIM Subpop. no. obs = 2,000
Expression: Pr(alt), predict()
Alternative: Car
1._at: trcost = trcost
2._at: trcost = 1.25*trcost
-------------------------------------------------------------------
| Delta-method
| Contrast std. err. [95% conf. interval]
------------------+------------------------------------------------
_at@_outcome |
(2 vs 1) Car | -0.103 0.003 -0.108 -0.098
(2 vs 1) Public | 0.054 0.002 0.049 0.058
(2 vs 1) Bicycle | 0.031 0.002 0.027 0.035
(2 vs 1) Walk | 0.018 0.002 0.015 0.022
-------------------------------------------------------------------
. marginsplot, recast(dot) yline(0) plotopts(msymbol(square))
Variables that uniquely identify margins: _outcome
Multiple at() options specified:
_atoption=1: trcost=generate(trcost)
_atoption=2: trcost=generate(1.25*trcost)
例 5：选择汽车出行的概率如何随着汽车出行时间的变化而变化？
. margins, dydx(trtime) outcome(Car) alternative(Car)
Average marginal effects Number of obs = 6,000
Model VCE: OIM
Expression: Pr(alt), predict()
Alternative: Car
Outcome: Car
dy/dx wrt: trtime
------------------------------------------------------------------------------
| Delta-method
| dy/dx std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
trtime |
_cons | -0.158 0.027 -5.88 0.000 -0.211 -0.105
------------------------------------------------------------------------------
例 6：选择公共交通工具出行的概率如何随与汽车出行时间的变化而变化？
. margins, dydx(trtime) outcome(Public) alternative(Car)
Average marginal effects Number of obs = 6,000
Model VCE: OIM
Expression: Pr(alt), predict()
Alternative: Car
Outcome: Public
dy/dx wrt: trtime
------------------------------------------------------------------------------
| Delta-method
| dy/dx std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
trtime |
_cons | 0.106 0.017 6.15 0.000 0.072 0.139
------------------------------------------------------------------------------
例 7：选择各种出行方式的概率如何随着汽车出行时间的变化而变化？
. margins, dydx(trtime) outcome(Car)
Average marginal effects Number of obs = 6,000
Model VCE: OIM
Expression: Pr(alt), predict()
Outcome: Car
dy/dx wrt: trtime
------------------------------------------------------------------------------
| Delta-method
| dy/dx std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
trtime |
alt |
Car | -0.158 0.027 -5.88 0.000 -0.211 -0.105
Public | 0.106 0.017 6.15 0.000 0.072 0.139
Bicycle | 0.037 0.007 5.11 0.000 0.023 0.052
Walk | 0.015 0.004 3.52 0.000 0.007 0.024
------------------------------------------------------------------------------
4. 参考文献
Joerg Luedicke. 2019. Performing and interpreting discrete choice analyses in Stata. -PDF- 钟经樊, 连玉君. 计量分析与 STATA 应用第十五章 Logistic 模型, 版本 2.0, 2010.6.
5. 相关推文
Note：产生如下推文列表的 Stata 命令为：
lianxh logit probit, m
安装最新版lianxh命令：
ssc install lianxh, replace
专题：Stata命令 专题：交乘项-调节 专题：Probit-Logit Logit-Probit：非线性模型中交互项的边际效应解读 秒懂小罗肥归：logit与mlogit详解 reg2logit：用OLS估计Logit模型参数 feologit：固定效应有序Logit模型 Stata：多元 Logit 模型详解 (mlogit) Stata：Logit模型一文读懂 详解 Logit/Probit 模型中的 completely determined 问题 Stata：Logit 模型评介 二元选择模型：Probit 还是 Logit？ Stata：何时使用线性概率模型而非Logit？ Stata：嵌套 Logit 模型 (Nested Logit) Stata：二元Probit模型 动态 Probit 模型及 Stata 实现
相关课程
免费公开课
直击面板数据模型 - 连玉君，时长：1小时40分钟，课程主页，Bilibili 站版 Stata 33 讲 - 连玉君, 每讲 15 分钟. 课程主页，课件，Bilibili 站版 Stata 小白的取经之路 - 龙志能，时长：2 小时，课程主页 部分直播课 课程资料下载 (PPT，dofiles等)
最新课程-直播课
| 专题 | 嘉宾 | 直播/回看视频 |
|---|---|---|
| ⭐ 最新专题 | 文本分析、机器学习、效率专题、生存分析等 | |
| 研究设计 | 连玉君 | 我的特斯拉-实证研究设计，-幻灯片- |
| 面板模型 | 连玉君 | 动态面板模型，-幻灯片- |
| 面板模型 | 连玉君 | 直击面板数据模型 [免费公开课，2小时] |
Note: 部分课程的资料，PPT 等可以前往 连享会-直播课 主页查看，下载。
⛳ 课程主页
⛳ 课程主页
关于我们
Stata连享会 由中山大学连玉君老师团队创办，定期分享实证分析经验。 连享会-主页 和 知乎专栏，700+ 推文，实证分析不再抓狂。直播间 有很多视频课程，可以随时观看。 公众号关键词搜索/回复 功能已经上线。大家可以在公众号左下角点击键盘图标，输入简要关键词，以便快速呈现历史推文，获取工具软件和数据下载。常见关键词： 课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法等
连享会小程序：扫一扫，看推文，看视频……
扫码加入连享会微信群，提问交流更方便
✏ 连享会-常见问题解答：
✨ https://gitee.com/lianxh/Course/wikis
New！
lianxh和songbl命令发布了：
随时搜索连享会推文、Stata 资源，安装命令如下：
. ssc install lianxh
使用详情参见帮助文件 (有惊喜)：
. help lianxh
热门资讯
12/15
计量专题
109727
12/01
公开课
13353
06/02
最新课程
563
05/30
工具软件
242
05/29
Stata绘图
239
05/27
Stata命令
245
05/26
公开课
392
05/25
Stata命令
360
05/24
专题课程
833
05/24
专题课程
309