Stata：边际效应分析
作者：连玉君 | 杨柳
Stata连享会 主页 || 视频 || 推文
扫码查看连享会最新专题、公开课视频和 100 多个码云计量仓库链接。
文章目录
- 1. 边际效应简介
- 1.1 引言
- 1.2 边际效应分析的必要性
- 1.3 边际效应的定义
- 2. 计算边际效应命令(margins)与绘图命令(marginsplot)
- 2.1 margins 命令
- 2.2 marginsplot 绘图命令
- 3. margins与marginsplot命令举例
- 3.1 基础案例
- 连享会计量方法专题……
- 3.2 交乘项案例
- 3.2.1 类别变量与类别变量交乘
- 3.2.2 类别变量与连续型变量交乘
- 3.2.3 连续型变量与连续型变量交乘
- 3.3 非线性模型案例 (Logit Model)
- 4. marginscontplot命令及举例
- 4.1 命令简介
- 4.2 语法
- 4.3 安装
- 4.4 使用案例
- 4.4.1 单个变量
- 4.4.2 两个变量
- 4.4.3 对变量的数值转换
- 5. 相关阅读资料
- 关于我们
1. 边际效应简介
1.1 引言
考研复试结束后，你和闺蜜决定去成都旅游。当你和闺蜜正在品尝当地最有名气的麻辣火锅时，你们感觉心情非常愉快。此时，麻辣火锅将有助于有一个好心情，它对心情的边际效应是正值；当你们吃到一半时，手机上收到了一条消息，是考研复试的排名结果，打开消息后，发现你们俩都榜上有名。你们看到被录取的消息后万分高兴，吃的更high了，又多点了一些菜，并决定吃完后再去KTV庆祝下。此时，考研成功的结果极大的增加了吃火锅对心情的边际效应值。
研究生入学后，你和闺蜜都十分努力学习，认真的完成导师布置的课题任务并将课题研究内容整理成小论文投到了一个C刊上，但遭到拒稿。此时，努力学习对科研成果的边际效应是负值。不过你们没有就此停止努力，继续请教导师、按照意见认真修改并写成英文投到了一个SSCI期刊上，结果被录用了。此时，随着努力程度的增加，它对科研成果的边际效应变为正值。
总结上面的例子，我们发现，吃麻辣火锅（x1）对心情（y）的边际效应受到其他变量（x2：考研成功）的调节作用，使得该边际效应值增加了。一开始，努力学习（x3）对科研成果的边际效应为负，但随着努力程度的增加（x3值的增加），它对科研成果的边际效应变为正值。
1.2 边际效应分析的必要性
虽然回归结果表格中的变量的系数估计值反映了该变量对被解释变量影响作用的大小，并且一直是学者们交流回归模型结果的重要方式，但是，当回归模型中包含 类别变量、交乘项 或者回归模型为非线性（诸如 Logit, Probit 等非线性模型）时，对系数估计值的解释就非常具有挑战性。这时，就需要计算变量的 边际效应 或者计算预测边际值， 以探求自变量变化对因变量变化的影响作用` 或分析比较不同情况时的因变量预测边际值的大小。
下面，我们就一起来学习如何在 Stata 中计算边际效应并绘制图形。
1.3 边际效应的定义
所谓 边际效应 是从已有拟合模型结果中计算出来的统计量，该数值表示 自变量的变化 对 因变量的变化 的 影响作用 的 大小。
在对模型结果进行分析时，可以计算 连续变量取某一个值 时，连续变量 对 因变量 的边际效应，也可以计算 连续变量平均值处 的边际效应，或者还可以计算 其他变量取均值 时 连续变量 对 因变量 的平均边际效应。
2. 计算边际效应命令(margins)与绘图命令(marginsplot)
2.1 margins 命令
margins命令的语法如下所示：
margins [marginlist] [if] [in] [weight] [, response_options options]
- 命令含义：
Note: 有关如何使用因子变量的介绍请参见 「往期推文：stata中因子变量的使用方法」。
2.2 marginsplot 绘图命令
-
使用
marginsplot命令可以将之前刚刚计算的边际效应的结果以图的形式展示出来。语法如下：marginsplot [, options] -
命令含义：
3. margins与marginsplot命令举例
3.1 基础案例
-
在美国的种族文化中，不可否认白人与黑人之间的差异性。例如，存在着白人与黑人在行业类别与工资方面差异的现象。于是，我们想检验种族是否为工资的显著影响因素，还想了解当行业类别相当时，不同种族的工资的平均水平分别是多少，它们之间的差别有多少。
-
接下来，我们使用 Stata 的自带数据 nlsw88.dta (1988年美国妇女小时工资) ，以 wage (妇女的小时工资) 作为被解释变量、以 industry (行业类别)、 race (种族类别) 作为解释变量建立线性回归模型。
-
race变量为类别变量，它包括三个类别，分别为 white、black、other。可以使用 因子变量 的语法格式，在变量前面加上前缀i.生成虚拟变量(i.race)，基准组为第一个类别 white。industry变量也同样使用 因子变量 的语法格式生成虚拟变量(i.industry)，基准组为第一个类别Ag/Forestry/Fisheries。 Stata 中的回归命令和结果如下所示：
. sysuse "nlsw88.dta", clear
(NLSW, 1988 extract)
. reg wage i.race i.industry
Source | SS df MS Number of obs = 2,232
-------------+---------------------------------- F(13, 2218) = 13.00
Model | 5246.90865 13 403.608358 Prob > F = 0.0000
Residual | 68870.3701 2,218 31.0506628 R-squared = 0.0708
-------------+---------------------------------- Adj R-squared = 0.0653
Total | 74117.2788 2,231 33.2215503 Root MSE = 5.5723
------------------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------------------+----------------------------------------------------------------
race |
black | -1.099771 .2743495 -4.01 0.000 -1.63778 -.5617626
other | .1317467 1.103937 0.12 0.905 -2.033111 2.296604
|
industry |
Mining | 9.469702 3.097312 3.06 0.002 3.395767 15.54364
Construction | 1.832193 1.702718 1.08 0.282 -1.506895 5.17128
Manufacturing | 2.021802 1.382963 1.46 0.144 -.6902358 4.733841
Transport/Comm/Utility | 5.891929 1.473775 4.00 0.000 3.001807 8.782052
Wholesale/Retail Trade | .4639784 1.38559 0.33 0.738 -2.25321 3.181167
Finance/Ins/Real Estate | 4.10511 1.410372 2.91 0.004 1.339321 6.870898
Business/Repair Svc | 1.888596 1.479264 1.28 0.202 -1.01229 4.789483
Personal Services | -.9699527 1.466554 -0.66 0.508 -3.845914 1.906009
Entertainment/Rec Svc | 1.038595 1.911355 0.54 0.587 -2.709638 4.786828
Professional Services | 2.252467 1.365435 1.65 0.099 -.4251976 4.930132
Public Administration | 3.602952 1.415632 2.55 0.011 .8268485 6.379055
|
_cons | 5.879891 1.353025 4.35 0.000 3.226563 8.533219
------------------------------------------------------------------------------------------
回归结果显示：妇女种族为 black 的系数值为 -1.099 并在1%的水平上显著；妇女种族为 other 的系数值为 0.131 但在统计上不显著。上述结果表明：当控制各行业类别变量时，黑人妇女的小时工资比白人妇女的小时工资低 1.099个单位。我们还想进一步了解当控制行业类别变量时，各个种族类别（white, black, other）的妇女的小时工资的平均水平是多少。于是，我们使用 margins 命令附加 atmeans 的选项就可以计算当 其他变量取均值时，不同种族的妇女 的小时工资的 预测边际值。Stata 命令和结果如下所示：
. margins i.race, atmeans //前缀 i. 可省略不写
Adjusted predictions Number of obs = 2,232
Model VCE : OLS
Expression : Linear prediction, predict()
at : 1.race = .7289427 (mean)
2.race = .2594086 (mean)
3.race = .0116487 (mean)
1.industry = .0076165 (mean)
2.industry = .0017921 (mean)
3.industry = .0129928 (mean)
4.industry = .1644265 (mean)
5.industry = .0403226 (mean)
6.industry = .1491935 (mean)
7.industry = .0860215 (mean)
8.industry = .0385305 (mean)
9.industry = .0434588 (mean)
10.industry = .0076165 (mean)
11.industry = .3691756 (mean)
12.industry = .078853 (mean)
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
race |
white | 8.067219 .1387997 58.12 0.000 7.795028 8.33941
black | 6.967447 .2345358 29.71 0.000 6.507515 7.42738
other | 8.198965 1.094967 7.49 0.000 6.051697 10.34623
------------------------------------------------------------------------------
计算结果表明：当行业类别变量取均值时，白人妇女的小时工资的预测边际值为 8.067、黑人妇女的小时工资的预测边际值为 6.967、其他种族的妇女的小时工资的预测边际值为 8.198。
我们还想将边际效应的计算结果用图的形式表示。使用 marginsplot 命令就可以很方便的实现这个想法。Stata 命令如下所示：
marginsplot
marginsplot命令的输出图片如下所示：
连享会计量方法专题……
3.2 交乘项案例
下面，继续以研究妇女工资的影响因素为例对计算交乘项的边际效应的使用方法进行说明。
3.2.1 类别变量与类别变量交乘
从3.1节案例的回归结果中，我们已知道种族 race 是妇女工资 wage 的影响因素之一。但是，除此之外，还有诸多因素会影响妇女工资，例如是否大学毕业 collgrad。因此，我们想探究是否大学毕业 collgrad 能否调节种族 race 对妇女工资 wage 的影响作用。于是，拟在回归模型中加入这两个变量的 交乘项 来检验是否存在调节效应。
使用 Stata 的自带数据 nlsw88.dta (1988年美国妇女小时工资)，以 wage (妇女的小时工资) 作为被解释变量、以 industry (行业类别)、collgrad (是否大学毕业) 、 race (种族类别) 、race (种族类别) 与 collgrad (是否大学毕业) 的交乘项建立线性回归模型。
使用因子变量的语法格式，collgrad##i.race 表示在模型中既包括 collgrad 与 race 变量，还包括 collgrad 与 race 变量的交乘项。Stata 中的回归命令和结果如下所示：
. reg wage i.industry collgrad##i.race
Source | SS df MS Number of obs = 2,232
-------------+---------------------------------- F(16, 2215) = 23.20
Model | 10639.3304 16 664.958149 Prob > F = 0.0000
Residual | 63477.9484 2,215 28.658216 R-squared = 0.1435
-------------+---------------------------------- Adj R-squared = 0.1374
Total | 74117.2788 2,231 33.2215503 Root MSE = 5.3533
------------------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------------------+----------------------------------------------------------------
industry |
Mining | 10.14131 2.976152 3.41 0.001 4.304972 15.97765
Construction | 2.198272 1.636227 1.34 0.179 -1.010428 5.406972
Manufacturing | 2.419311 1.329182 1.82 0.069 -.187261 5.025884
Transport/Comm/Utility | 6.12037 1.41599 4.32 0.000 3.343563 8.897177
Wholesale/Retail Trade | .7578957 1.331357 0.57 0.569 -1.852943 3.368734
Finance/Ins/Real Estate | 4.258568 1.355005 3.14 0.002 1.601355 6.915781
Business/Repair Svc | 1.894149 1.421387 1.33 0.183 -.8932415 4.681539
Personal Services | -.3136217 1.410269 -0.22 0.824 -3.07921 2.451967
Entertainment/Rec Svc | .7577804 1.837152 0.41 0.680 -2.84494 4.3605
Professional Services | 1.399826 1.313806 1.07 0.287 -1.176593 3.976246
Public Administration | 3.367397 1.360314 2.48 0.013 .6997726 6.035021
|
collgrad |
college grad | 3.346222 .3197178 10.47 0.000 2.719244 3.9732
|
race |
black | -1.279729 .2951157 -4.34 0.000 -1.858461 -.7009966
other | -.3266847 1.31086 -0.25 0.803 -2.897328 2.243959
|
collgrad#race |
college grad#black | 2.098549 .6590111 3.18 0.001 .8062049 3.390893
college grad#other | .7141623 2.2373 0.32 0.750 -3.673262 5.101587
|
_cons | 5.20828 1.301126 4.00 0.000 2.656726 7.759834
------------------------------------------------------------------------------------------
回归结果显示：大学毕业与黑人的交乘项 collgrad#black 的系数显著为正，而黑人 black 的系数显著为负，表明大学毕业 collgrad 对黑人 black 与 妇女的小时工资 wage 之间的影响关系具有调节作用。因此，我们想进一步了解 大学毕业(collgrad) 与 种族(race) 交乘项的 各个类别 对 妇女的小时工资 (wage) 的边际效应分别是多少。于是，我们使用 margins 附加 atmeans 的选项就可以计算当 其他变量取均值时，collgrad 与race交乘项的各个类别 的小时工资的 预测边际值。Stata 命令和结果如下所示：
. margins collgrad#i.race, atmeans
Adjusted predictions Number of obs = 2,232
Model VCE : OLS
Expression : Linear prediction, predict()
at : 1.industry = .0076165 (mean)
2.industry = .0017921 (mean)
3.industry = .0129928 (mean)
4.industry = .1644265 (mean)
5.industry = .0403226 (mean)
6.industry = .1491935 (mean)
7.industry = .0860215 (mean)
8.industry = .0385305 (mean)
9.industry = .0434588 (mean)
10.industry = .0076165 (mean)
11.industry = .3691756 (mean)
12.industry = .078853 (mean)
0.collgrad = .7629928 (mean)
1.collgrad = .2370072 (mean)
1.race = .7289427 (mean)
2.race = .2594086 (mean)
3.race = .0116487 (mean)
-----------------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. t P>|t| [95% Conf. Interval]
------------------------+----------------------------------------------------------------
collgrad#race |
not college grad#white | 7.226442 .156204 46.26 0.000 6.92012 7.532763
not college grad#black | 5.946713 .2504188 23.75 0.000 5.455632 6.437793
not college grad#other | 6.899757 1.300669 5.30 0.000 4.349098 9.450416
college grad#white | 10.57266 .273137 38.71 0.000 10.03703 11.10829
college grad#black | 11.39148 .5335905 21.35 0.000 10.34509 12.43787
college grad#other | 10.96014 1.789176 6.13 0.000 7.451503 14.46878
-----------------------------------------------------------------------------------------
计算结果表明：当其他变量处于均值水平时，当妇女没有大学毕业时，白人妇女的小时工资的预测边际值最大，为 7.226，而当妇女为大学毕业时，黑人妇女的小时工资的预测边际值最大，为 11.391。
我们使用 marginsplot 命令将计算结果用图的形式表示。Stata 命令如下所示：
. marginsplot
输出图片如下：
此外，我们还可以进一步计算在不同种族类别下 (race)，大学毕业 (collgrad=1) 与 非大学毕业(collgrad=0) 的 妇女小时工资 (wage) 的预测边际值的差值是多少。于是，我们使用 margins 附加 dydx、at 与 atmeans 的选项来实现 。Stata 命令和结果如下所示：
. margins, dydx(collgrad) at(race=(1 2 3)) atmeans
Conditional marginal effects Number of obs = 2,232
Model VCE : OLS
Expression : Linear prediction, predict()
dy/dx w.r.t. : 1.collgrad
1._at : 1.industry = .0076165 (mean)
2.industry = .0017921 (mean)
3.industry = .0129928 (mean)
4.industry = .1644265 (mean)
5.industry = .0403226 (mean)
6.industry = .1491935 (mean)
7.industry = .0860215 (mean)
8.industry = .0385305 (mean)
9.industry = .0434588 (mean)
10.industry = .0076165 (mean)
11.industry = .3691756 (mean)
12.industry = .078853 (mean)
0.collgrad = .7629928 (mean)
1.collgrad = .2370072 (mean)
race = 1
2._at : 1.industry = .0076165 (mean)
2.industry = .0017921 (mean)
3.industry = .0129928 (mean)
4.industry = .1644265 (mean)
5.industry = .0403226 (mean)
6.industry = .1491935 (mean)
7.industry = .0860215 (mean)
8.industry = .0385305 (mean)
9.industry = .0434588 (mean)
10.industry = .0076165 (mean)
11.industry = .3691756 (mean)
12.industry = .078853 (mean)
0.collgrad = .7629928 (mean)
1.collgrad = .2370072 (mean)
race = 2
3._at : 1.industry = .0076165 (mean)
2.industry = .0017921 (mean)
3.industry = .0129928 (mean)
4.industry = .1644265 (mean)
5.industry = .0403226 (mean)
6.industry = .1491935 (mean)
7.industry = .0860215 (mean)
8.industry = .0385305 (mean)
9.industry = .0434588 (mean)
10.industry = .0076165 (mean)
11.industry = .3691756 (mean)
12.industry = .078853 (mean)
0.collgrad = .7629928 (mean)
1.collgrad = .2370072 (mean)
race = 3
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
0.collgrad | (base outcome)
-------------+----------------------------------------------------------------
1.collgrad |
_at |
1 | 3.346222 .3197178 10.47 0.000 2.719244 3.9732
2 | 5.444771 .5929386 9.18 0.000 4.281997 6.607545
3 | 4.060384 2.212164 1.84 0.067 -.2777476 8.398516
------------------------------------------------------------------------------
Note: dy/dx for factor levels is the discrete change from the base level.
计算结果显示：大学毕业(collgrad=1) 黑人妇女的小时工资的预测边际值与 非大学毕业(collgrad=0) 黑人妇女的小时工资的预测边际值的差值是最大的，为 5.444，结果表明，上大学将在很大程度上提高黑人妇女工资。
同样，我们使用 marginsplot 命令将计算结果用图的形式表示。Stata 命令如下所示：
. marginsplot
输出图片如下所示：
3.2.2 类别变量与连续型变量交乘
影响妇女工资的因素较多，下面我们就来检验诸如 hours (每周工作时间) 与 union (是否工会成员) 这两个变量的 交乘项 是否会对妇女工资产生影响，其中 hours 为连续型变量， union 为类别变量。
使用 Stata 的自带数据 nlsw88.dta (1988年美国妇女小时工资)，以 wage (妇女的小时工资) 作为被解释变量、以 industry (行业类别) 、 union (是否工会成员)、 hours (每周工作小时数)、union (是否工会成员) 与 hours (每周工作小时数) 的 交乘项 建立线性回归模型。
使用 因子变量 的语法格式，i.union##c.hours 表示在模型中既包括 union 与 hours 变量，还包括 union 与 hours 变量的 交乘项。Stata 中的回归命令和结果如下所示：
. reg wage i.industry c.hours##i.union
Source | SS df MS Number of obs = 1,864
-------------+---------------------------------- F(14, 1849) = 19.48
Model | 4165.55214 14 297.539439 Prob > F = 0.0000
Residual | 28235.7439 1,849 15.2708188 R-squared = 0.1286
-------------+---------------------------------- Adj R-squared = 0.1220
Total | 32401.296 1,863 17.392 Root MSE = 3.9078
------------------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------------------+----------------------------------------------------------------
industry |
Mining | 1.965311 2.98501 0.66 0.510 -3.889033 7.819655
Construction | 2.944549 1.427687 2.06 0.039 .1445001 5.744598
Manufacturing | .8876583 1.149997 0.77 0.440 -1.367771 3.143088
Transport/Comm/Utility | 4.66455 1.206553 3.87 0.000 2.298201 7.030899
Wholesale/Retail Trade | -.2176107 1.15411 -0.19 0.850 -2.481107 2.045886
Finance/Ins/Real Estate | 2.714369 1.171926 2.32 0.021 .4159324 5.012805
Business/Repair Svc | 1.261646 1.238032 1.02 0.308 -1.166442 3.689734
Personal Services | -1.602596 1.231961 -1.30 0.193 -4.018775 .8135844
Entertainment/Rec Svc | 1.454197 1.537525 0.95 0.344 -1.561271 4.469666
Professional Services | 1.454095 1.137893 1.28 0.201 -.7775962 3.685785
Public Administration | 2.658987 1.171222 2.27 0.023 .3619308 4.956043
|
hours | .0565515 .0104406 5.42 0.000 .0360748 .0770282
|
union |
union | 3.761049 .8990725 4.18 0.000 1.997745 5.524353
|
union#c.hours |
union | -.0747591 .0226682 -3.30 0.001 -.1192171 -.0303012
|
_cons | 3.864411 1.193668 3.24 0.001 1.523332 6.20549
------------------------------------------------------------------------------------------
回归结果显示，hours (每周工作小时数) 的系数值显著为正，为 0.056，union (是否工会成员) 的系数值显著为正，为 3.761，而 工会成员的每周工作小时(union#c.hours) 的系数值显著为负，为 -0.074，表明 hours (每周工作小时数) 对 wage (妇女的小时工资) 的边际效应会受到 union (是否工会成员) 的影响；union (是否工会成员) 对 wage (妇女的小时工资) 的边际效应也会受到 hours (每天工作小时数) 的影响。
我们使用 margins 命令附加 dydx 选项与 at 选项来计算当妇女为工会成员或非工会成员时，hours 对 wage 的平均边际效应分别为多少。Stata 中的命令和结果如下所示：
. margins, dydx(hour) at(union=(0 1))
Average marginal effects Number of obs = 1,864
Model VCE : OLS
Expression : Linear prediction, predict()
dy/dx w.r.t. : hours
1._at : union = 0
2._at : union = 1
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
hours |
_at |
1 | .0565515 .0104406 5.42 0.000 .0360748 .0770282
2 | -.0182076 .020211 -0.90 0.368 -.0578463 .0214312
------------------------------------------------------------------------------
计算结果表明：当妇女为工会成员时，每周工作小时数增加 1 个单位，则小时工资下降0.018个单位，但在统计上不显著；当妇女为非工会成员时，每周工作小时增加 1 个单位，则小时工资将显著增加 0.056 个单位。
使用 marginsplot 命令将计算结果用图的形式表示。Stata 命令如下所示：
. marginsplot
输出图片如下所示：
我们还可以计算当妇女每周工作小时数不同时，union 对 wage 的边际效应分别为多少。可以使用 margins 命令附加 dydx 选项与 at 选项。在计算之前，我们需要事先知道 hours 变量的取值范围，可使用 sum命令查看。 Stata 中的命令和结果如下所示：
. keep if e(sample)
(382 observations deleted)
. sum hours
Variable | Obs Mean Std. Dev. Min Max
-------------+---------------------------------------------------------
hours | 1,864 37.62071 9.959845 1 80
. margins, dydx(union) at(hours=(1(5)80))
Average marginal effects Number of obs = 1,864
Model VCE : OLS
Expression : Linear prediction, predict()
dy/dx w.r.t. : 1.union
1._at : hours = 1
2._at : hours = 6
3._at : hours = 11
4._at : hours = 16
5._at : hours = 21
6._at : hours = 26
7._at : hours = 31
8._at : hours = 36
9._at : hours = 41
10._at : hours = 46
11._at : hours = 51
12._at : hours = 56
13._at : hours = 61
14._at : hours = 66
15._at : hours = 71
16._at : hours = 76
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
0.union | (base outcome)
-------------+----------------------------------------------------------------
1.union |
_at |
1 | 3.68629 .8771081 4.20 0.000 1.966064 5.406516
2 | 3.312494 .7678999 4.31 0.000 1.806452 4.818536
3 | 2.938699 .6600865 4.45 0.000 1.644105 4.233292
4 | 2.564903 .5544822 4.63 0.000 1.477426 3.65238
5 | 2.191107 .4526359 4.84 0.000 1.303376 3.078838
6 | 1.817312 .3577712 5.08 0.000 1.115634 2.51899
7 | 1.443516 .2771526 5.21 0.000 .8999512 1.987081
8 | 1.06972 .2265375 4.72 0.000 .6254243 1.514017
9 | .6959248 .2269741 3.07 0.002 .2507724 1.141077
10 | .3221292 .2782222 1.16 0.247 -.2235335 .8677918
11 | -.0516665 .3591522 -0.14 0.886 -.7560529 .6527199
12 | -.4254621 .4541644 -0.94 0.349 -1.316191 .4652668
13 | -.7992578 .5560869 -1.44 0.151 -1.889882 .2913665
14 | -1.173053 .6617344 -1.77 0.076 -2.470879 .1247717
15 | -1.546849 .7695742 -2.01 0.045 -3.056175 -.0375234
16 | -1.920645 .8787996 -2.19 0.029 -3.644189 -.1971008
------------------------------------------------------------------------------
Note: dy/dx for factor levels is the discrete change from the base level.
计算结果表明：相对于非工会成员，随着 hours 取值的增加，工会成员对妇女工资的边际效应逐渐减小；当 hours 大于等于 51 小时，工会成员的妇女工资的预测边际值比非工会成员的低。
为了更直观的显示结果，我们使用 marginsplot 命令进行绘图。Stata 命令如下所示：
. marginsplot
输出图片如下所示：
3.2.3 连续型变量与连续型变量交乘
在实证研究中常常会分析两个连续型变量的交乘项的影响作用和变量的调节作用。例如，当车辆重量 weight 与每加仑汽油行驶的距离 mpg 增加时，汽车价格 price 会有所增加。现在，我们想进一步了解每加仑汽油行驶距离 mpg 能否调节车辆重量 weight 与汽车价格 price 之间的影响关系。于是，拟在回归模型中加入这两个 连续变量 的 交乘项，然后再计算当每加仑汽油行驶距离 mpg 取不同的数值时，车辆重量 weight 对汽车价格 price 的边际效应。
使用 Stata 的自带数据 auto.dta (1978年美国汽车数据)，以 price (汽车价格) 作为被解释变量、以 foreign (是否进口车)、 mpg (每加仑汽油能够行驶的英里数)、weight (汽车重量)、 mpg (每加仑汽油能够行驶的英里数) 与 weight (汽车重量) 的 交乘项 作为解释变量建立线性回归模型。
使用 因子变量 的语法格式，c.mpg##c.weight 表示在模型中既包括 mpg 与 weight 变量，还包括 mpg 与 weight 变量的 交乘项。Stata 中的回归命令和结果如下所示：
. sysuse "auto.dta", clear
(1978 Automobile Data)
. reg price foreign c.mpg##c.weight
Source | SS df MS Number of obs = 74
-------------+---------------------------------- F(4, 69) = 18.96
Model | 332566402 4 83141600.6 Prob > F = 0.0000
Residual | 302498994 69 4384043.39 R-squared = 0.5237
-------------+---------------------------------- Adj R-squared = 0.4961
Total | 635065396 73 8699525.97 Root MSE = 2093.8
--------------------------------------------------------------------------------
price | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------------+----------------------------------------------------------------
foreign | 3369.814 691.4218 4.87 0.000 1990.466 4749.163
mpg | 292.8295 162.2982 1.80 0.076 -30.94655 616.6056
weight | 5.382755 1.198909 4.49 0.000 2.990997 7.774512
|
c.mpg#c.weight | -.1189117 .0636245 -1.87 0.066 -.2458392 .0080157
|
_cons | -10105.04 4023.204 -2.51 0.014 -18131.11 -2078.967
--------------------------------------------------------------------------------
回归结果显示 mpg 与 weight 的系数值显著为正，而 c.mpg#c.weight 的系数值显著为负 -0.118，表明 mpg (每加仑汽油能够行驶的英里数) 能够调节 weight (汽车重量) 对 汽车价格 (price) 的边际效应。
下面，我们计算当 mpg (每加仑汽油能够行驶的英里数) 取不同数值时，weight (汽车重量) 对 price (汽车价格) 的边际效应。使用 margins 命令附加 dydx 选项与 at 选项来计算。首先，需要知道 mpg (每加仑汽油能够行驶的英里数) 的取值范围，因此，先使用 sum 命令查看该变量的基本统计量，再使用 margins 命令附加 dydx 选项与 at 选项。Stata 中的命令和结果如下所示：
. keep if e(sample)
(0 observations deleted)
. sum mpg //查看 mpg 的基本统计量
Variable | Obs Mean Std. Dev. Min Max
-------------+---------------------------------------------------------
mpg | 74 21.2973 5.785503 12 41
. margins, dydx(weight) at(mpg=(12(2)41))
Average marginal effects Number of obs = 74
Model VCE : OLS
Expression : Linear prediction, predict()
dy/dx w.r.t. : weight
1._at : mpg = 12
2._at : mpg = 14
3._at : mpg = 16
4._at : mpg = 18
5._at : mpg = 20
6._at : mpg = 22
7._at : mpg = 24
8._at : mpg = 26
9._at : mpg = 28
10._at : mpg = 30
11._at : mpg = 32
12._at : mpg = 34
13._at : mpg = 36
14._at : mpg = 38
15._at : mpg = 40
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight |
_at |
1 | 3.955814 .6732094 5.88 0.000 2.612798 5.29883
2 | 3.71799 .6344514 5.86 0.000 2.452294 4.983686
3 | 3.480167 .6198636 5.61 0.000 2.243573 4.716761
4 | 3.242343 .6311243 5.14 0.000 1.983285 4.501402
5 | 3.00452 .6669255 4.51 0.000 1.67404 4.335
6 | 2.766696 .7236338 3.82 0.000 1.323086 4.210306
7 | 2.528873 .7967979 3.17 0.002 .9393044 4.118441
8 | 2.291049 .8823336 2.60 0.011 .530842 4.051257
9 | 2.053226 .9769968 2.10 0.039 .1041705 4.002281
10 | 1.815402 1.078387 1.68 0.097 -.3359202 3.966725
11 | 1.577579 1.184777 1.33 0.187 -.7859873 3.941145
12 | 1.339755 1.294937 1.03 0.304 -1.243573 3.923084
13 | 1.101932 1.407981 0.78 0.437 -1.706913 3.910777
14 | .8641083 1.523268 0.57 0.572 -2.174727 3.902944
15 | .6262849 1.640324 0.38 0.704 -2.646072 3.898641
------------------------------------------------------------------------------
为了使结果更加直观的显示出来，可使用 marginsplot 命令进行绘图。Stata 命令和结果如下所示：
marginsplot
输出图片如下：
计算结果表明：当 mpg 小于 28 时，随着 mpg 增加，weight 对 price 的边际效应逐渐减小且在统计上显著；当 mpg 大于28时，weight 对 price 的边际效应逐渐减小在统计上不显著。
3.3 非线性模型案例 (Logit Model)
由于在非线性模型的回归结果中，例如 Logit Model，自变量的系数值不能直接代表该变量对因变量的边际效应值，因此，我们需要借助 margins 命令来计算边际效应。
使用 Stata 的自带数据 auto.dta (1978年美国汽车数据)，以 foreign (是否进口车) 作为被解释变量、以 mpg (每加仑汽油能够行驶的英里数)、weight (汽车重量) 作为解释变量建立Logit回归模型。Stata 中的回归命令和结果如下所示：
. sysuse "auto.dta", clear
(1978 Automobile Data)
. logit foreign mpg weight
Iteration 0: log likelihood = -45.03321
Iteration 1: log likelihood = -29.238536
Iteration 2: log likelihood = -27.244139
Iteration 3: log likelihood = -27.175277
Iteration 4: log likelihood = -27.175156
Iteration 5: log likelihood = -27.175156
Logistic regression Number of obs = 74
LR chi2(2) = 35.72
Prob > chi2 = 0.0000
Log likelihood = -27.175156 Pseudo R2 = 0.3966
------------------------------------------------------------------------------
foreign | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
mpg | -.1685869 .0919175 -1.83 0.067 -.3487418 .011568
weight | -.0039067 .0010116 -3.86 0.000 -.0058894 -.001924
_cons | 13.70837 4.518709 3.03 0.002 4.851859 22.56487
------------------------------------------------------------------------------
回归结果显示 mpg 与 weight 的系数值显著为负，表明当车辆的 mpg 与 weight 增加时，该车辆是进口车的概率减小。但从这两个变量的系数值无法直接看出 mpg 与 weight 对车辆是进口车的概率的边际效应。于是，我们可以使用 margins 命令附加 dydx 选项来进行计算。Stata 中的命令和结果如下所示：
. margins, dydx(mpg)
Average marginal effects Number of obs = 74
Model VCE : OIM
Expression : Pr(foreign), predict()
dy/dx w.r.t. : mpg
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
mpg | -.0197187 .0096987 -2.03 0.042 -.0387277 -.0007096
------------------------------------------------------------------------------
. margins, dydx(weight)
Average marginal effects Number of obs = 74
Model VCE : OIM
Expression : Pr(foreign), predict()
dy/dx w.r.t. : weight
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight | -.0004569 .0000571 -8.01 0.000 -.0005688 -.0003451
------------------------------------------------------------------------------
计算结果显示：当 mpg 增加 1 个单位时，车辆为进口车的概率减少 1.97%；当 weight 增加 1 个单位时，车辆为进口车的概率减少 0.04%。
4. marginscontplot命令及举例
4.1 命令简介
marginscontplot 命令可以计算当 连续变量 取值不同、其他变量取均值时，被解释变量的预测边际值并绘制图形（同样适用于分类变量）。该命令可适用于绝大部分的回归命令，诸如 regress 、logit、 probit 、poisson、 glm、stcox、 streg、 xtreg 等。
marginscontplot （可简写为 mcp）命令将 margins 命令的计算功能与 marginsplot 命令的绘图功能整合在一起，并且能够识别连续变量的取值范围，无须在计算之前使用 sum 命令确定该连续变量的取值范围。因此，marginscontplot 命令使用起来更加便捷。
更为方便的是，当回归模型中的连续变量进行了线性或非线性的数值转换后，marginscontplot 命令可以在图形的坐标轴上显示连续变量的原始取值。
4.2 语法
marginscontplot 命令的语法如下所示：
{marginscontplot|mcp} xvar1 [(xvar1a [xvar1b ...])] ///
[xvar2 [(xvar2a [xvar2b ...])]] ///
[if] [in] [, options]
命令含义：
当分析一个变量 (xvar1) 时，由 at1() 选项和 var1() 选项来确定；当分析两个变量时 (xvar1 与 xvar2)，还需加入 var2() 与 at2() 选项。
4.3 安装
由于 marginscontplot 命令是由 Patrick Royston 编写的外部命令 (Patrick Royston, 2013)，因此使用前需要安装该命令。
首先在命令窗口中搜索 marginscontplot， 点击搜索结果中的安装包链接进行安装后即可使用。
4.4 使用案例
4.4.1 单个变量
下面，仍以研究妇女工资的决定因素为例进行说明。在 3.2.2节中，我们使用了 Stata 的自带数据 nlsw88.dta (1988年美国妇女小时工资)，以 wage (妇女的小时工资) 作为被解释变量、以 industry (行业类别)、union (是否工会成员)、 hours (每周工作小时数)、union (是否工会成员) 与 hours (每周工作小时数) 的 交乘项 建立线性回归模型。Stata 中的回归命令和结果见3.2.2节所述。
现在，我们使用 marginscontplot 命令来计算当其他变量取均值时， hours 取不同值时， wage 的预测边际值，附加95%的置信区间并呈现图形。此时，无需提前使用 sum 命令查看 hours 变量的取值范围，也无需在计算完预测边际值之后使用 marginsplot 命令绘图，直接在 Stata 中使用 marginscontplot 命令即可完成计算和绘图，命令和结果如下所示：
. sysuse "nlsw88.dta", clear
(NLSW, 1988 extract)
. reg wage i.industry c.hours##i.union
Source | SS df MS Number of obs = 1,864
-------------+---------------------------------- F(14, 1849) = 19.48
Model | 4165.55214 14 297.539439 Prob > F = 0.0000
Residual | 28235.7439 1,849 15.2708188 R-squared = 0.1286
-------------+---------------------------------- Adj R-squared = 0.1220
Total | 32401.296 1,863 17.392 Root MSE = 3.9078
------------------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------------------+----------------------------------------------------------------
industry |
Mining | 1.965311 2.98501 0.66 0.510 -3.889033 7.819655
Construction | 2.944549 1.427687 2.06 0.039 .1445001 5.744598
Manufacturing | .8876583 1.149997 0.77 0.440 -1.367771 3.143088
Transport/Comm/Utility | 4.66455 1.206553 3.87 0.000 2.298201 7.030899
Wholesale/Retail Trade | -.2176107 1.15411 -0.19 0.850 -2.481107 2.045886
Finance/Ins/Real Estate | 2.714369 1.171926 2.32 0.021 .4159324 5.012805
Business/Repair Svc | 1.261646 1.238032 1.02 0.308 -1.166442 3.689734
Personal Services | -1.602596 1.231961 -1.30 0.193 -4.018775 .8135844
Entertainment/Rec Svc | 1.454197 1.537525 0.95 0.344 -1.561271 4.469666
Professional Services | 1.454095 1.137893 1.28 0.201 -.7775962 3.685785
Public Administration | 2.658987 1.171222 2.27 0.023 .3619308 4.956043
|
hours | .0565515 .0104406 5.42 0.000 .0360748 .0770282
|
union |
union | 3.761049 .8990725 4.18 0.000 1.997745 5.524353
|
union#c.hours |
union | -.0747591 .0226682 -3.30 0.001 -.1192171 -.0303012
|
_cons | 3.864411 1.193668 3.24 0.001 1.523332 6.20549
------------------------------------------------------------------------------------------
. marginscontplot hours, ci
我们还可以将 hours 变量的取值范围均匀的分为若干个区间，计算在各区间节点上的 wage 的预测边际值。例如，计算 hours 取4个不同数值时 wage 的预测边际值，并且这4个数值均匀分布于 hours 变量的取值范围中，Stata 中的命令和结果如下所示：
. marginscontplot hours, ci var1(4)
- 此外，我们还可以指定计算 hours 变量的取值范围与间隔。例如，指定 hours 变量的取值范围为10至40，间隔为5，Stata 中的命令和结果如下所示：
. marginscontplot hours, ci at1(10(5)40)
4.4.2 两个变量
在3.2.2节案例中，由于加入了 union 与 hours 的交乘项并且该系数在统计上显著，由此，我们还想分别计算当 hours 取值不同时，工会成员与非工会成员的 wage 的预测边际值。因此，需要在 marginscontplot 命令中加入两个变量，Stata 中的命令和结果如下所示：
. marginscontplot hours union, ci at1(1(5)80)
*-或写为
. marginscontplot hours union, ci at1(1(5)80) at2(0 1)
4.4.3 对变量的数值转换
- 假设妇女工资 wage 与每周工作小时数 hours 变量取对数之后（记为 lnhours）存在线性关系。现需要计算 lnhours 变量对 wage 的影响作用并在图形的坐标轴上显示 hours 变量的原始取值。于是，我们以 wage 作为被解释变量，以 lnhours 作为解释变量，并以
industry(行业类别)、collgrad (是否大学毕业)、union (是否工会成员)作为控制变量，建立线性回归模型。Stata 中的命令和结果如下所示：
. gen lnhours = ln(hours)
(4 missing values generated)
. reg wage i.industry collgrad union lnhours
Source | SS df MS Number of obs = 1,864
-------------+---------------------------------- F(14, 1849) = 43.37
Model | 8010.08706 14 572.149076 Prob > F = 0.0000
Residual | 24391.209 1,849 13.1915679 R-squared = 0.2472
-------------+---------------------------------- Adj R-squared = 0.2415
Total | 32401.296 1,863 17.392 Root MSE = 3.632
------------------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------------------+----------------------------------------------------------------
industry |
Mining | 2.610535 2.774693 0.94 0.347 -2.831325 8.052395
Construction | 2.840079 1.326651 2.14 0.032 .2381882 5.441971
Manufacturing | 1.231468 1.069077 1.15 0.250 -.865257 3.328193
Transport/Comm/Utility | 4.943764 1.121633 4.41 0.000 2.743963 7.143564
Wholesale/Retail Trade | -.1333967 1.07259 -0.12 0.901 -2.237011 1.970218
Finance/Ins/Real Estate | 2.806101 1.089317 2.58 0.010 .6696813 4.942521
Business/Repair Svc | .9528829 1.150232 0.83 0.408 -1.303006 3.208772
Personal Services | -1.255364 1.144976 -1.10 0.273 -3.500946 .9902172
Entertainment/Rec Svc | 1.157725 1.428893 0.81 0.418 -1.644688 3.960138
Professional Services | .4944097 1.058875 0.47 0.641 -1.582307 2.571126
Public Administration | 2.404413 1.088813 2.21 0.027 .2689805 4.539845
|
collgrad | 3.701502 .2091694 17.70 0.000 3.291269 4.111735
union | .6846933 .2044257 3.35 0.001 .2837639 1.085623
lnhours | .4712976 .2119332 2.22 0.026 .0556441 .8869511
_cons | 3.742689 1.285111 2.91 0.004 1.222268 6.26311
------------------------------------------------------------------------------------------
现在使用 marginscontplot 命令计算当其他变量取均值、对均匀分布于 hours 变量的取值范围中的20个值取对数时，wage 的预测边际值。此时，需要在命令中加入原始变量 hours 与变量取对数后 lnhours 的对应关系，Stata 中的命令和结果如下所示：
. keep if e(sample)
(382 observations deleted)
. sum hours
Variable | Obs Mean Std. Dev. Min Max
-------------+---------------------------------------------------------
hours | 1,864 37.62071 9.959845 1 80
. range h r(min) r(max) 20
(1,844 missing values generated)
. gen lnh = ln(h)
(1,844 missing values generated)
. marginscontplot hours(lnhours), ci var1(h(lnh))
5. 相关阅读资料
- Marginal means, adjusted predictions, and marginal effects
- The Stata Blog » margins
- The Stata Blog » marginal effects
- Margins plots
- Trouble at the margins
- In the spotlight: Estimating, graphing, and interpreting interactions using margins
- In the spotlight: Visualizing continuous-by-continuous interactions with margins and twoway contour
- Effects of nonlinear models with interactions of discrete and continuous variables: Estimating, graphing, and interpreting
- Ben Jann, 2013, PPT, Predictive Margins and Marginal Effects in Stata
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。直播间 有很多视频课程，可以随时观看。
- 你的颈椎还好吗？ 您将 ::连享会-主页:: 和 ::连享会-知乎专栏:: 收藏起来，以便随时在电脑上查看往期推文。
- 公众号推文分类： 计量专题 | 分类推文 | 资源工具。推文分成 内生性 | 空间计量 | 时序面板 | 结果输出 | 交乘调节 五类，主流方法介绍一目了然：DID, RDD, IV, GMM, FE, Probit 等。
- 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，Profile, 手册, SJ, 外部命令, profile, mata, 绘图, 编程, 数据, 可视化DID，RDD, PSM，IV，DID, DDD, 合成控制法，内生性, 事件研究交乘, 平方项, 缺失值, 离群值, 缩尾, R2, 乱码, 结果Probit, Logit, tobit, MLE, GMM, DEA, Bootstrap, bs, MC, TFP面板, 直击面板数据, 动态面板, VAR, 生存分析, 分位数空间, 空间计量, 连老师, 直播, 爬虫, 文本, 正则, pythonMarkdown, Markdown幻灯片, marp, 工具, 软件, Sai2, gInk, Annotator, 手写批注盈余管理, 特斯拉, 甲壳虫, 论文重现易懂教程, 码云, 教程, 知乎
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2llQjgRA-1589876567322)(https://fig-lianxh.oss-cn-shenzhen.aliyuncs.com/连享会跑起来就有风400.png “连享会主页：lianxh.cn”)]
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
