7.19 HLM workshop 1在线视频

我们就按照咱们讲的顺序

从最简单的方差分析开始

我们来看怎么样一步一步的建模进行分析

那么方差分析的公式 PPT里有

大家看到了

这个数据

他就是一个非常常见的教育的数据

就是学生嵌套在学校

学生有他的一些个人特征

学校有一些

school level

的这样的一些特征

然后我们分析的对象是数学成绩

mass achievements

所以大家

打开 do file

大概都在二 我们先

来看一下用什么命令

那么stata里面其实是有多个命令可以做

分层的这样的一个回归的

其中一个比较老的命令

是xtmixed

是一样的 我们

时间关系我们不会一个一个看

列在这里大家有兴趣的话可以

你们课下再去探索

我们看一下第14行

14行用的是 mixed

因变量是math

achievement

后面的格式是双竖线

school呢

是分组变量

告诉stata谁是第二层的分组变量

那就是school

这是school I d

还这个格式要求加冒号后面是空的

因为这是一个空模型

逗号之后是option

我们希望他报告方差协方差

这个就是一个空模型

那么命令是mixed

所以大家第一个你可以先

跑一下第14号命令

同时

你们可以用help文件 help

mixed来看一下

mixed整体的格式的解读

好吧

大家自己先做一下

所以如果大家打开 mix

的 help文件

你就可以看到它详细的

说明

这个格式就是刚才我们讲的

在给大家的文件夹里面

还有

一个pdf文档

就是stata的 menu

Menu里面

有更详细的说明

大家

可以

可以看一下

你可以提前按说应该提前看

那么

课后也可以继续看

大家来看这个结果

这就是一个简单的方差分析的结果

第一个表格给的是

fix effect

也就是是说对这些参数的点估计

fix effect

那么空模型里面就只有一个

洁具

那么叠句的估计是 constant

变量

那么第二个表格是 random

effect

random effect的

特质是对残差的估计

那么我们

再看一下这个方程里面

yij

他是就由

一个截距项γ00

加上一个组间的差异和

一个组内的差异构成

所以在

stata里面

我们刚才已经 specify

school是分组变量

他就会跑出一个

这个

constant的

variance就是

constant variance

就是组间差异

也就是μ

μ0j的

方差

还有 residual

Residual是第一层的特质

第一层的残差

然后就是ε的残差

他的 various就算出来了

同时报告了假设检验的结果

卡方检验

那么都是显著的

就是这两个

这两个残差项它的

variation是

显著的区别于0的

也就是说我们空模型是

是成立的

你这就是

最简单的这样的一个方程

那么当然了大家可以来接着在任何

一个方程之后来跑 IC

我们来计算它的

Information

criteria

当然这个值是越小越好

因为模型越好

我们的评估

不断的加入变量之后

IC是不是会不断的变小

大家可以跑一下这一个

它会报告两个IC

一个是aIc一个是bIc

那么我们把这个数字放在这里

后面开始在模型里加变量以后

我们就希望说这个模型在不断的优化

这两个值会不断的变小

好

具体的解释就放在这里

大家感兴趣的话再可以再仔细

的去做一个延伸的阅读

那么实际上除了 x t x之外

还有一个命令我们之前讨论

过 xtreg

它本来是针对于

panel data来

开发的这样的一个命令

那么他其实也可以得出

跟我们上面说的 mix一样的结果

Xt regression呢

首先要设定也是要设定谁是

panel的分组变量

当然还是school 所以说

大家来看一下第29行到31行

29行是access

就告诉stata谁是分组变量

30行跑了一个空模型

因变量还是math

achievement

但是就告诉stata

分组变量也是cluster是谁

是school

但是一行是specify了估算

的方法是吉拉斯兰估计法

那么这三行命令

大家自己跑一下

跑完之后来对照分析

30跟31行的区别

以及30 31行跟我们刚才用

mixed命令的区别

大家来自己分析一下

跑完了吗 跑完了同学说一下

我知道大家进步

同学们跑完了就说一下

没跑完也可以说一下

好好对比一会儿 对一会儿

对比一下这三个表格

三个表格

有何异同

然后待会咱

咱点名请一位同学说一下

还有8位同学在雨课堂没有签到

抓紧签到

待会我们又专门点没签到的

又说到**

**来回答一下

来为你对比了这三张表格之后

你觉得有什么异同

我觉得其实估计的结果都差不多

但是我发现

最后一张表和我们跑的第一

张表的数据是完全一样的

然后第二章可能有稍微的差异

然后我刚刚help了一下

现在我有一个问题是第三章

mle

是什么意思

很好

MLE极大自然估计法

maximum

likelihood

estimation

MLE

那么也就是说大家可以看到

谢谢**

大家可以看到

xtreg

命令

我们跑的时候

如果

不做 specify的话

它其实默认用的是什么

用的是广义最小二乘法估计

因此这个结果

跟第一张表的结果是有一点点出入

他的点估计是一样的

但是它可以发现它的残差

它的标准误

以及对残差的方差的估计

当然这个是标准差

前面那个是方差

所以说你要平方之后才能对比

他有一点点出入

但是当我们

当我们

当我们 specify用

m l e之后

也就是用极大似然估计法之后

我们就会发现

这个结果就完全一样了

MME

这个估计方法跟上面不一样

上面是广义最小二乘法

这个是极大似然估计法

那么这个结果就跟咱们 mix

的命令是一样的

因为mix用的也是

极大似然估计法

所以这就是为什么它们俩是完全一样的

包括标准误的计算

所以我们就清楚了

每一种 option后面

包括default

option default

estimation的后面

他到底差别在哪里

搞清楚这个就可以了

它就是一样的

我们再接着往下看

那么指数对命令做一个区分

一个

辨析

下面我们控模型跑完了

我们现在开始加变量

来大家看一下

我们加变量

他是一个

是一个分层模型

但是我们是可以把它合成一个方程的

我们来看一下

如果我们

在第二层

加入

解释变量

这个就是学校的平均ses

当然了这个时候第一层还是控模型

而且第一层它是没有自变量的

第二层加入的解释变量解释的是

第一层的随机截距

那么

当然你先自己

想一下

这样的一个方程写出来是什么样子的

把它写成一个就是同一个方程

把它合并成一个方程 把两层

这是第一步要做的

第二个

你来看一下

我们的第34行

这个方程

他跟你用手写出来这个方程

它有什么样的这种对应关系

现在大家可以自己来去想一下

因为我们在它里面来跑的时候

我们其实是跑一行命令我们

没有去跑两个方程

那么

怎么样一行命令把这两个方程估算出来呢

其实就是把

公式里面的这两层的方程

把它合并成一个方程

咱们其实也经常做这样的一个

换算的工作

所以请大家先把第一层的命令

和第二层的命令

分别写出来

然后就第一层方程和第

二层方程分别写出来

然后把它合并

合并之后来去对照来看一下

跟34行的命令它的对应关系说清楚了吧