Tabella Di Output Di Regressione Nel Forex Stata

AVVISO: Il gruppo di consulenza Idre statistica sarà la migrazione del sito web per il CMS WordPress nel mese di febbraio per facilitare la manutenzione e la creazione di nuovi contenuti. Alcune delle nostre pagine più vecchie verranno rimossi o archiviati in modo tale che essi non saranno più mantenuti. Cercheremo di mantenere i reindirizzamenti in modo che i vecchi URL continueranno a lavorare nel miglior modo possibile. Benvenuti al Istituto per la ricerca e l'istruzione digitale Aiuto Consulting Group Stat dando un regalo Stata FAQ Come posso usare - estout - per fare tabelle di regressione che assomigliano a quelli di articoli di riviste Questa FAQ illustra il comando estout che fa le tabelle di regressione in un formato che viene comunemente utilizzato in articoli di giornale. Il comando estout è stato scritto da Ben Jann del Politecnico federale di Zurigo. È possibile scaricare estout dall'interno Stata digitando findit estout (vedi Come posso utilizzare il comando findit per la ricerca di programmi e ottenere ulteriore assistenza per ulteriori informazioni sull'uso findit). Consente di illustrare l'utilizzo del comando estout utilizzando la scuola superiore e al di là di file di dati. Faremo eseguire tre modelli di regressione prevedere la lettura variabile. Il primo modello sarà prevedere dalle variabili femminili e scrivere il secondo modello si prevedere di sesso femminile. scrivere e matematica e il terzo modello sarà prevedere da femmina. Scrivi . matematica . scienza e socst. Dopo ogni regresso ci verrà eseguito un comando stime negozio. Ci sarà quindi utilizzare estout per creare una singola tabella che riassumerà questi modelli side by side. Ora abbiamo un tavolo perfettamente bene che include solo i coefficienti di regressione. Noi modificare il comando estout per aggiungere errori standard e le stelle per la significatività statistica. Ci sarà anche formattare l'output in modo che i coefficienti avranno tre cifre decimali e gli errori standard con due decimali. Si noti, l'opzione par per sé pone tra parentesi l'errore standard. La tabella è meglio ora, ma può essere ulteriormente migliorata mettendo i nomi dei modelli sopra le colonne utilizzando l'opzione label, aggiungendo una legenda e modificando l'etichetta per contro per costante. Avanti, vogliamo aggiungere alcune cose alla tavola, come, gradi residui R-squared di libertà e BIC. Stata ha nomi speciali per ciascuna di queste statistiche accessorie, R2 è il nome per R-squared, DFR per gradi di libertà dei residui e BIC per il BIC. È possibile ottenere il nome di questi elementi dall'elenco eReturn e dal Okay, erano quasi fatto. Abbiamo solo bisogno di ripulire la parte inferiore della tabella dando a ciascuno degli elementi di una etichetta migliore e regolare il numero di cifre decimali per ciascuna delle voci. Ora abbiamo una tabella di questo è accettabile per la pubblicazione in molte riviste. Naturalmente, ciascun periodico definisce i propri formati. Fortunatamente, estout è molto flessibile e ha molte opzioni che si adatta a quasi tutti i requisiti di periodici. Il contenuto di questo sito web non deve essere interpretata come un'approvazione di un particolare sito web, il libro, o di un prodotto software dall'Università di California. For domande rapide e-mail dataprinceton. edu. Nessun pony. necessaria durante ore walk-in. Nota: il laboratorio DSS è aperto fintanto che Firestone è aperta, nessun appuntamento necessario utilizzare il computer del laboratorio per la propria analisi. Interpretare regressione Introduzione uscita Questa guida si presuppone che almeno un po 'di familiarità con i concetti della regressione lineare multipla, e sono in grado di eseguire una regressione in alcuni pacchetti software come Stata, SPSS o Excel. Si potrebbe desiderare di leggere la nostra pagina di compagno di Introduzione alla regressione prima. Per l'assistenza nello svolgimento di regressione in particolare pacchetti software, ci sono alcune risorse della UCLA statistica Computing Portal. Recensione breve di regressione Si ricorda che l'analisi di regressione è usato per produrre un'equazione che prevedere una variabile dipendente utilizzando una o più variabili indipendenti. Questa equazione ha la forma in cui Y è la variabile dipendente che si sta tentando di prevedere, X1. X2 e così via sono le variabili indipendenti che si utilizza per prevederlo, b1. B2 e così via sono i coefficienti moltiplicatori o che descrivono la dimensione dell'effetto delle variabili indipendenti stanno avendo sul tuo variabile dipendente Y. e A è il valore di Y è previsto per avere quando tutte le variabili indipendenti sono uguali a zero. Nella regressione Stata mostrato di seguito, l'equazione di previsione è il prezzo -294,1955 (mpg) 1.767,292 (stranieri) 11.905,42 - che ti dice che il prezzo è previsto per aumentare 1.767,292 quando la variabile straniera aumenta di uno, diminuire di 294,1955 quando mpg passa da una , e si prevede di essere 11905,42 quando entrambi mpg e estera sono pari a zero. Venendo con un'equazione di previsione come questo è solo un esercizio utile se le variabili indipendenti nel set di dati hanno una certa correlazione con la variabile dipendente. Quindi, oltre ai componenti di previsione della vostra equazione - i coefficienti variabili indipendenti (beta) e la costante (alfa) - è necessario un certo grado di dirvi quanto fortemente ogni variabile indipendente è associata con la variabile dipendente. Quando si esegue il regressione, si sta cercando di scoprire se i coefficienti variabili indipendenti sono molto diverso da 0 (in modo che le variabili indipendenti stanno avendo un effetto reale sul tuo variabile dipendente) o se, in alternativa eventuali differenze apparenti da 0 sono solo a causa di casuale opportunità. Il nulla (default) ipotesi è sempre che ogni variabile indipendente sta avendo alcun effetto (ha un coefficiente di 0) e siete alla ricerca di un motivo per rifiutare questa teoria. P, T e standard error La statistica t è il coefficiente diviso per il suo errore standard. L'errore standard è una stima della deviazione standard del coefficiente, la quantità varia tutti i casi. Può essere pensato come una misura della precisione con cui viene misurato il coefficiente di regressione. Se un coefficiente è grande rispetto al suo errore standard, allora è probabilmente diverso da 0. Quanto grande è grande Il software regressione confronta la statistica t sulla variabile con valori nella distribuzione studenti t per determinare il valore P, che è il numero che si ha realmente bisogno di essere alla ricerca. La distribuzione studenti t descrive come la media di un campione con un certo numero di osservazioni (il n) dovrebbe comportarsi. Se 95 della distribuzione t è più vicino alla media rispetto al t-valore del coefficiente si sta guardando, allora avete un valore P di 5. Questo è anche un cui fa riferimento il livello di significatività del 5. Il valore di P è la probabilità di vedere un risultato così estremo come quello che si sta ottenendo (al valore grande come la tua) in una raccolta di dati casuali in cui la variabile non ha avuto effetto. A P di 5 o meno è il punto generalmente accettato che rifiutare l'ipotesi nulla. Con un valore P di 5 (o 05) c'è solo una possibilità 5 che i risultati che state vedendo si sarebbe venuto in una distribuzione casuale, in modo da poter dire con un 95 probabilità di essere corretto che la variabile sta avendo qualche effetto, supponendo che il modello è specificato correttamente. L'intervallo di confidenza per le 95 coefficienti mostrati da molti pacchetti di regressione ti dà le stesse informazioni. Si può essere certi che il 95 il vero, il valore sottostante del coefficiente che Stai stimando cadute da qualche parte in quell'intervallo 95 fiducia, per cui se l'intervallo non contiene 0, il valore della P sarà .05 o meno. Si noti che la dimensione del valore P per un coefficiente dice nulla circa la dimensione dell'effetto quella variabile sta avendo sulla variabile dipendente - è possibile avere un risultato altamente significativo (molto piccola P-value) per un effetto minuscola. Coefficienti in regressione lineare semplice o multipla, la dimensione del coefficiente per ciascuna variabile indipendente si dà la dimensione dell'effetto quella variabile sta avendo sulla variabile dipendente, e il segno sul coefficiente (positivo o negativo) si dà la direzione della effetto. Nella regressione con una sola variabile indipendente, il coefficiente indica quanto si prevede che la variabile dipendente per aumentare (se il coefficiente è positivo) o diminuire (se il coefficiente è negativo) quando quel indipendenti aumenta variabile di uno. Nella regressione con più variabili indipendenti, il coefficiente indica quanto si prevede che la variabile dipendente per aumentare quando quel indipendenti aumenta variabile di uno, in possesso di tutte le altre variabili indipendenti costante. Ricordatevi di tenere a mente le unità che le variabili vengono misurate in. Nota: in forme di regressione diverso regressione lineare, come la logistica o probit, i coefficienti non hanno questa interpretazione semplice. Spiegando come trattare con questi è oltre la portata di una guida introduttiva. R-Squared e il significato generale della regressione R-squared della regressione è la frazione della variazione nella variabile dipendente che è contabilizzato (o previsto da) le variabili indipendenti. (Nella regressione con una sola variabile indipendente, è lo stesso che il quadrato della correlazione tra la variabile dipendente e indipendente.) La R-squared è generalmente di secondaria importanza, a meno che la vostra preoccupazione principale sta usando l'equazione di regressione di fare previsioni accurate . Il valore di P spiega come sicuro si può essere che ogni individuo variabile ha qualche correlazione con la variabile dipendente, che è la cosa importante. Un altro numero da tenere presente è il valore P per la regressione nel suo complesso. Poiché le variabili indipendenti possono essere correlati, una condizione nota come multicollinearità, i coefficienti variabili individuali può essere insignificante se la regressione nel suo complesso è significativa. Intuitivamente, questo è perché variabili indipendenti altamente correlati sono spiegando la stessa parte della variazione nella variabile dipendente, quindi il loro potere esplicativo e il significato dei coefficienti è suddiviso tra loro. Ulteriori letture copia 2007 La fondazione della Princeton University. Tutti i diritti riservati. dataprinceton. edu NOTA: L'informazione è per l'Università di Princeton. Sentitevi liberi di utilizzare la documentazione, ma non siamo in grado di rispondere alle domande di fuori di Princeton Questa Ultimo aggiornamento: