Stata marginsplot binära alternativ

ANMÄRKNING: Den IDRE statistiska konsultgruppen kommer att flytta webbplatsen till WordPress CMS i februari för att underlätta underhåll och skapande av nytt innehåll. Några av våra äldre sidor kommer att tas bort eller arkiveras så att de inte längre kommer att upprätthållas. Vi kommer att försöka upprätthålla omdirigeringar så att de gamla webbadresserna fortsätter att fungera så gott vi kan. Välkommen till Institutet för digital forskning och utbildning Hjälp Stat Consulting-gruppen genom att ge en gåva Stata FAQ Hur kan jag gradera resultatet av marginalkommandot (Stata 12) Grafikresultat från marginalkommandot kan hjälpa till med tolkningen av din modell. Stata 12 introducerade marginsplot-kommandot som gör grafprocessen väldigt enkelt. Låt oss börja med ett enkelt exempel. Det första exemplet är en 3x2 faktoriell analys av kovarians. Vi kör modellen med anova men vi skulle få samma resultat om vi sprang det med regression. Därefter kör vi marginalkommandot för att få de sex justera cellmedlen från 3x2-interaktionen. Dessa justerade celler betyder kallas minsta kvadratmedel (lsmeans) i SAS eller beräknade marginella medel (emmeans) i SPSS. Marginsplot används efter marginaler för att plotta de justerade cellmedlen. Vi kan också gradera resultaten för kvinnlig genom prog bara genom att använda alternativet x (). För vårt andra exempel ska vi gradera resultaten av en kategorisk genom kontinuerlig interaktion från en logistisk regressionsmodell. Vi använder kommandot marginer för att få förutsagda sannolikheter för 11 värden s från 20 till 70 för både f lika med noll och f lika. Alternativet vsquish minskar bara antalet tomma linjer i utgången. Totalt finns det 22 värden i tabellen ovan. Det finns två förutsagda sannolikheter för varje värde av s. En var och en för män och kvinnor. Nu kan vi gå vidare och gradera sannolikheterna med kommandot marginsplot. Den här gången kommer vi att inkludera standard konfidensintervall. Vi kan göra grafen mer visuellt attraktiv genom att skugga området inom konfidensintervallet. Diagrammet över sannolikheterna ovan är bra så långt det går men presentationen av resultaten kan vara tydligare om vi skulle gradera skillnaden i sannolikheter mellan män och kvinnor. För att göra detta måste vi återställa marginalkommandot som beräknar den diskreta förändringen för f vid varje värde av läsning. Vi kan få skillnaden med alternativet dydx (derivat). Allt är klart för kommandot marginsplot. Så snyggt som ovanstående diagram, kan det se bättre ut som en intervallplot med områdesskuggning mellan övre och nedre konfidensgränserna. Om du vill att linjerna i dessa diagram ska vara smidigare, bara inkludera fler värden i alternativet at, säg (20 (2) 70) istället för (20 (5) 70). Innehållet på denna webbplats bör inte tolkas som en godkännande av någon särskild webbplats, bok eller mjukvaruprodukt av University of California. NOTICE: IDRE Statistical Consulting Group kommer att flytta webbplatsen till WordPress CMS i februari för att underlätta underhåll och skapande av nytt innehåll. Några av våra äldre sidor kommer att tas bort eller arkiveras så att de inte längre kommer att upprätthållas. Vi kommer att försöka upprätthålla omdirigeringar så att de gamla webbadresserna fortsätter att fungera så gott vi kan. Välkommen till Institutet för digital forskning och utbildning Hjälp Stat Consulting Group genom att ge en gåva Stata FAQ Hur kan jag få marginaler och marginalsplot med multiplicerad imputed data De marginaler och marginsplot-kommandon som presenteras i respektive Stata 11 respektive Stata 12 är mycket populära kommandon efter uppskattning. De kan dock vara knepiga att använda i kombination med flera imputationer. Låt oss börja med att titta på data. Som du kan se från tabellen ovan har alla variabler förutom ss saknade värden. Körningsmarginaler och marginsplot efter flera imputationer innefattar en flertrinsprocess. Vi kommer att demonstrera denna process med en beställd logitmodell med ses som svarvariabel. Det kan ta på värdena 1, 2 eller 3. Det är inte en bra svarvariabel från en teoretisk synpunkt, men åtminstone är det ordinärt. Prediktorvariablerna är kvinnliga. läs och matte. Så, vad är problemet, varför inte bara anför data och kör analyserna. Tja, vi kan ålägga data, men vi behöver ett sätt att köra både ologit och marginaler på varje imputed dataset och sedan kombinera marginalresultaten till en enda utgång. Problemet är att marginaler (ett rclass-kommando) inte fungerar med mi estimat (ett eclass-kommando). Dessutom, eftersom vi letar efter förutsagda sannolikheter, behöver vi beräkna dem för var och en av de tre svarvärdena. Vi kan åstadkomma detta genom att skriva ett wrapperprogram som heter emargins. ado. Den innehåller både kommandona ologit och margins. Genom att ange alternativegenskaperna till mi. emarginer kan användas med mi uppskattning. Vi måste också förklara emarginer för att vara ett eclass-program. Så här ser programmet ut. Emargins-programmet kommer att driva ologit och sedan uppskatta marginaler för att ge förutsagda sannolikheter för varje nivå av ses. Den viktiga delen att märka är att programmet är markerat med quoteclassquot och vi använder alternativet quotpostquot på marginalutlåtandet. Detta görs så att den förutspådda sannolikheten och varians-kovariansmatrisen uppskattad för varje beräknad dataset sparas på rätt sätt i listrutan där mi uppskattning kan komma åt uppskattningarna (inte returlistan där den normalt skulle gå). Så här använder du emargins-programmet med mi estimat: cmdok behövs eftersom Stata inte känner igen emargins som ett estimerat program. Värdet en (1) efter emarginer överförs till marginaler som indikerar vilket svarvärde som förutsägs. När milskatten har kombinerat marginalerna från varje av de beräknade dataseterna med hjälp av Rubins-reglerna i ett bord, hur får vi marginalsplot att köra Om du försöker köra marginsplot efter att mi har uppskattat att du får felmeddelandet var tidigare kommandot inte marginaler. Detta händer eftersom mi estimat inte lämnar resultaten på rätt ställe för marginsplot att hitta dem. Kom ihåg att mi estimat är ett eclass-kommando sparar resultat i listlistan men marginaler är rclass och sparar resultat i returlistan. På något sätt behöver vi flytta informationen från listan mi estimate ereturn till marginal returlistan. Lösningen på detta problem är att spara de förväntade sannolikheterna e (bmi) och varians-kovariansmatrisen e (Vmi) som produceras av mi uppskattning i matriserna b och V. kör en standardmarginal på mim 0 (icke-beräknade) data och sedan omför resultaten från b och v tillbaka till marginal returlistan r (b) och r (V) där marginalsplot kan nå dem. Vi gör den sista delen med ett program som heter myret. ado som ser ut så här. Nu sätter vi alla bitar ihop i en fil som vi får. Här ser utmatningen ut när vi kör filen. Observera: Värdena i tabellerna och diagrammen ovan är förutsägda sannolikheter. Kolumnrubriken för marginalborden, Coef. är inkorrekt. Om du förlorar spår av vilka värden i marginalproduktionen som kan du lista r (at) matrisen. Det här kanske inte är den mest transparenta processen någonsin, men i slutändan fick vi prognoserna för de förutsagda sannolikheterna. Naturligtvis är tekniken som visas här inte begränsad till ologit men generaliseras till många andra uppskattningsförfaranden för användning med marginaler och marginsplot. Tack till Isabel Cannette från Stata Corp för förslaget att använda myret för att repostera marginalerna. Innehållet på denna webbplats bör inte tolkas som en godkännande av någon särskild webbplats, bok eller mjukvaruprodukt vid University of California. Anmälan Jag försöker se hur jag kan ändra värdena för beroende variabel-axelresponsemarginal effekt i en plot efter margins-command som ska användas i marginsplot-command. Jag har försökt följande kommandon. streck jk xyz, dist (ll) tid vce (robusta) marginaler, eydx (k) vid (j (0 (5) 35)) marginsplot, xlabel (0 (5) 35) omarbetning Jag skulle vilja visa exponentiell av eydx-värden på tabellen skapad efter margins-command och använda dem i marginsplot-command. Jag försökte lägga till alternativ kommandotekspression (exp (predict (xb))), men det verkade inte ändra några resultat på bordet eller på plottet. Om du har några förslag, skulle jag verkligen uppskatta det. Tack, Peter Han 29 Jul 2015, 14:53 Här är en partiell lösning på det här problemet med marginsplot (dvs. graf för IRR utan CI) och en komplett lösning om du är villig att använda exponentieringen av r-tabellen och Grafik saker i STATA eller ett alternativt program som excel. Jag satsar på några avancerade programmerare kan göra bättre men det kan vara till hjälp för vissa. Observera att flera rader kod är onödiga men ingår för tydlighet. Beräkna en modell (den här innehåller binär genom kontinuerlig interaktion) och beräkna marginaler nbreg y x1c. x2, nolog irrnbreg y x1c. x2, nolog margins, eydx (x1) vid (x2 (-2 (.2) 2)) noatlegend matlist r (tabell) matlist r (b) Gradera semielasticiteterna (med och utan CIs) marginsplot, namn (semielasticitet, ersätt) marginsplot, namn (semielasticitynoci, ersätt) noci Exponentiering av två matriser Tyvärr framgår det att r V) och r (b) används av marginalsplot. Eftersom CI för IRR beräknas på lämpligt sätt genom exponentiating av de modellbaserade CI: erna, kunde jag inte räkna ut hur man lurar Stata vidare inom marginsplot. Men exponentiating r (tabellen) ger dig vad du behöver: b, ll, ul. mata: streplacematrix (kvot (b) citationstecken, exp (stmatrix (citationstecken)))) mata: streplacematrix Endast IRR-uppskattningen är korrekt. CI: n som använder den här metoden kommer inte att vara korrekta, så de visas inte marginsplot, namn (irr, ersätt) noci Senast redigerad av jeffward 29 jul 2015, 14: 58. Anmälan 01 feb 2017, 05:26 Jag tror att du är förvirrad två problem här: 1) Justera intervallet av x-axeln för att påverka bredden på diagrammet 2) Justera dimensionerna för grafen som helhet. Din post 1 föreslår den förra men du verkar vilja ha den senare. Här är några idéer i) Du kan ange antingen - xsize () - eller - ysize () - alternativet för att justera dimensioner. ii) För att ha samma höjd och bredd, ange - aspektratio (1) - i samband med (i) iii) Om du inte kan få önskade dimensioner exporterar du graf i eps eller bildform och justerar dimensionerna externt. Minska dimensioner genom att ändra - xsize () - och kräva att höjdbredden specificeras - aspektratio (1) -