Sign in Subscribe
Economic

AZPVR |Stata|xtsemipar| Draft(8)

cy.lu

• 5 min read
AZPVR |Stata|xtsemipar| Draft(8)
Photo by Dayne Topkin / Unsplash
 generate logaz=log(az100k)

. generate log_gdp=log(gdppp2017)
(194 missing values generated)

. generate log_pop65=log(pop_65y_pct)
(1 missing value generated)

. generate log_edu=log(primaryedu_year)
(22 missing values generated)

. generate log_hyperten=log(hyperten_100k)

. generate log_depress=log(depress100k)

. generate log_nonhdl=log(nonhdl_mgdl)



 xi:xtsemipar az100k pop_65y_pct primaryedu_year hyperten_100k depress100k nonhdl_mgdl i.year,nonpar(gdppp2017) ci
i.year            _Iyear_1990-2018    (naturally coded; _Iyear_1990 omitted)

log AZ

 xi:xtsemipar az100k pop_65y_pct primaryedu_year hyperten_100k depress100k nonhdl_mgdl i.year,nonpar(gdppp2017) ci
i.year            _Iyear_1990-2018    (naturally coded; _Iyear_1990 omitted)

AZ_log Other Varians

xi:xtsemipar az100k log_gdp log_pop65 log_edu log_hyperten log_depress log_nonhdl i.year,nonpar(gdppp2017) ci
                                   
 xi:xtsemipar logaz log_gdp log_pop65 log_edu log_hyperten log_depress log_nonhdl i.year,nonpar(gdppp2017) ci
i.year            _Iyear_1990-2018    (naturally coded; _Iyear_1990 omitted)

定義

xtsemipar 是 Stata 中用於進行半母數回歸（semiparametric regression）分析的命令，特別適用於面板數據（panel data）。這種分析方法允許將某些變量作為參數變量處理，而將其他變量作為非參數變量處理，從而提供對數據中複雜非線性關係的靈活建模。

semipar 和 xtsemipar 的區別

  • semipar：用於橫截面數據的半參數回歸分析。它適合於單一時間點的數據，不考慮數據的時間維度。
  • xtsemipar：用於面板數據的半參數回歸分析。面板數據包含了多個個體在多個時間點上的觀測值，xtsemipar 允許同時考慮時間效應和個體效應，對於捕捉時間序列數據中的變化和個體間的異質性更有優勢。

如何解釋 strsemipar 回歸模型

這張表是 xtsemipar 命令生成的回歸結果，顯示了阿爾茨海默病患病率（az100k）與其他變量之間的關係。以下是對表格中各部分的解釋：

  1. 回歸係數（Coef.）：表示每個解釋變量對因變量（az100k）的影響。例如，pop_65y_pct 的係數為 48.62026，表示65歲及以上人口比例每增加一個單位，阿爾茨海默病患病率增加 48.62026。
  2. 標準誤（Std. Err.）：表示回歸係數的估計標準誤差，用於衡量估計的不確定性。
  3. t值（t）：係數除以其標準誤的結果，用於檢驗每個係數是否顯著不同於零。
  4. P值（P>|t|）：表示係數在給定檢驗統計量下的顯著性水平。P值小於 0.05 表示該變量對因變量有顯著影響。
  5. 95%置信區間（95% Conf. Interval）：表示在 95% 置信水平下，係數的估計範圍。例如，pop_65y_pct 的95%置信區間為 [46.56649, 50.67404]。
  6. R平方（R-squared）和調整後的R平方（Adj R-squared）：表示模型的解釋力，越接近 1 表示模型的解釋力越強。
  7. Root MSE：均方根誤差，是觀測值與模型預測值之間差異的平方和的均值的平方根，用於衡量模型的預測精度。

具體解釋

  • pop_65y_pct：65歲及以上人口比例顯著正向影響阿茲海默病患病率（係數 48.62026，P值 0.000）。
  • primaryedu_year：初等教育年份對阿茲海默病患病率的影響不顯著（P值 0.517）。
  • hyperten_100k 和 depress100k：每10萬人高血壓患病率和抑鬱症患病率都顯著影響阿茲海默病患病率（高血壓係數 0.7045338，P值 0.000；憂鬱症係數 -0.0353558，P值 0.000）。( 憂鬱症數據應該要再確認一次)
  • 年份變量（_lyear）：顯示了1991年至2018年各年份相對於基準年1990年的影響，大部分年份的影響均為顯著正向。

這些結果表明，高齡人口比例、高血壓和優鬱症患病率對阿茲海默病患病率有顯著影響，而教育年限的影響不顯著。

模型的高R平方值表明這些變量能夠很好地解釋阿爾茨海默病患病率的變異。