Bem-vindo ao Instituto de Pesquisa e Educação Digital Análise de Regressão Logística de Saída Anotada Stata Esta página mostra um exemplo de análise de regressão de regressão logística com notas de rodapé explicando o resultado. Estes dados foram coletados em 200 alunos do ensino médio e são pontuações em vários testes, incluindo ciência, matemática, leitura e estudos sociais (socst). A variável feminina é uma variável dicotômica codificada 1 se o estudante fosse do sexo feminino e 0 se fosse do sexo masculino. Como não temos uma variável dicotômica adequada para usar como nossa variável dependente, criaremos uma (que chamaremos honcomp. Para composição de honras) com base na escrita de variável contínua. Nós não defendemos a saída de variáveis dicotômicas de variáveis contínuas, o que fazemos aqui apenas para fins desta ilustração. Iteration Log a. Esta é uma listagem das probabilidades de log em cada iteração. (Lembre-se de que a regressão logística usa a máxima verossimilhança, que é um procedimento iterativo.) A primeira iteração (chamada iteração 0) é a probabilidade do log do modelo quotnullquot ou quotemptyquot que é um modelo sem preditores. Na próxima iteração, o (s) preditor (es) estão incluídos no modelo. Em cada iteração, a probabilidade de log aumenta porque o objetivo é maximizar a probabilidade do log. Quando a diferença entre as iterações sucessivas é muito pequena, o modelo diz ter quotconvergedquot, a iteração é interrompida e os resultados são exibidos. Para obter mais informações sobre este processo, consulte Modelos de regressão para variáveis categóricas e dependentes limitadas por J. Scott Long. Resumo do modelo b. Probabilidade de registro - Esta é a probabilidade de log do modelo final. O valor -80.11818 não tem nenhum significado por si só, esse número pode ser usado para ajudar a comparar modelos aninhados. C. Número de obs - Este é o número de observações que foram utilizadas na análise. Esse número pode ser menor do que o número total de observações no seu conjunto de dados se você tiver valores faltantes para qualquer uma das variáveis usadas na regressão logística. O Stata usa uma exclusão de lista por padrão, o que significa que, se houver um valor faltante para qualquer variável na regressão logística, todo o caso será excluído da análise. D. LR chi2 (3) - Este é o teste de qui-quadrado da razão de verossimilhança (LR). A estatística de teste do qui-quadrado de verossimilhança pode ser calculada à mão como 2 (115.64441 - 80.11818) 71.05. Isso é menos dois (ou seja, -2) vezes a diferença entre a probabilidade de log inicial e final. O número entre parênteses indica o número de graus de liberdade. Neste modelo, existem três preditores, então existem três graus de liberdade. E. Prob gt chi2 - Esta é a probabilidade de obter a estatística do qui-quadrado dado que a hipótese nula é verdadeira. Em outras palavras, esta é a probabilidade de obter essa estatística do qui-quadrado (71.05) se não houver efeito das variáveis independentes, em conjunto, na variável dependente. Este é, obviamente, o valor p, que é comparado a um valor crítico, talvez 0,05 ou 0,01 para determinar se o modelo geral é estatisticamente significativo. Neste caso, o modelo é estatisticamente significativo porque o valor p é inferior a .000. F. Pseudo R2 - Este é o pseudo R-quadrado. A regressão logística não tem um equivalente ao R-quadrado que é encontrado na regressão OLS no entanto, muitas pessoas tentaram chegar a um. Há uma grande variedade de estatísticas pseudo-R-square. Como esta estatística não significa o que R-quadrado significa na regressão OLS (a proporção de variância explicada pelos preditores), sugerimos interpretar esta estatística com grande cautela. Parâmetro Estimativas g. Honcomp - Esta é a variável dependente em nossa regressão logística. As variáveis listadas abaixo são as variáveis independentes. H. Coef. - Estes são os valores para a equação de regressão logística para prever a variável dependente da variável independente. Eles estão em unidades de log-odds. Semelhante à regressão OLS, a equação de predição é log (p1-p) b0 b1female b2read b3science onde p é a probabilidade de estar em composição de honras. Expresso em termos das variáveis utilizadas neste exemplo, a equação de regressão logística é log (p1-p) -12.7772 1.482498female .1035361read 0947902science Estas estimativas contam sobre a relação entre as variáveis independentes e a variável dependente, onde a variável dependente é Na escala logit. Essas estimativas indicam a quantidade de aumento nas probabilidades de log predito de honcomp 1 que seria predito por um aumento de 1 unidade no preditor, mantendo todos os outros preditores constantes. Nota: Para as variáveis independentes que não são significativas, os coeficientes não são significativamente diferentes de 0, o que deve ser levado em consideração ao interpretar os coeficientes. (Veja as colunas com os valores z e os valores de p para testar se os coeficientes são estatisticamente significativos). Como esses coeficientes estão em unidades de log-odds, eles são muitas vezes difíceis de interpretar, então eles geralmente são convertidos em odds ratios. Você pode fazer isso manualmente, exponenciando o coeficiente, ou usando a opção ou com o comando logit, ou usando o comando logístico. Feminino - O coeficiente (ou estimativa do parâmetro) para a variável feminina é 1.482498. Isso significa que, para um aumento de uma unidade em mulheres (em outras palavras, indo de masculino a feminino), esperamos um aumento de 1.482498 nas probabilidades de log da variável dependente. Mantendo todas as demais variáveis independentes constantes. Ler - Para cada aumento de uma unidade no índice de leitura (então, para cada ponto adicional no teste de leitura), esperamos um aumento de .1035361 nas probabilidades de log de honcomp. Mantendo todas as demais variáveis independentes constantes. Ciência - Para cada aumento de uma unidade na pontuação científica, esperamos um aumento de 0,0947902 no log-odds de honcomp. Mantendo todas as demais variáveis independentes constantes. Constante - Este é o valor esperado do log-odds de honcomp quando todas as variáveis de preditores são iguais a zero. Na maioria dos casos, isso não é interessante. Além disso, muitas vezes zero não é um valor realista para uma variável a tomar. Eu. Std. Errar. - Estes são os erros padrão associados aos coeficientes. O erro padrão é usado para testar se o parâmetro é significativamente diferente de 0, dividindo a estimativa do parâmetro pelo erro padrão, você obtém um valor z (veja a coluna com valores z e valores p). Os erros padrão também podem ser usados para formar um intervalo de confiança para o parâmetro, conforme mostrado nas duas últimas colunas desta tabela. J. Z e Pgtz - Essas colunas fornecem o valor-z e o p-valor de 2 colos usados para testar a hipótese nula de que o coeficiente (parâmetro) é 0. Se você usa um teste de 2 colas, então você compararia cada valor p Para o seu valor pré-selecionado de alfa. Os coeficientes com valores p inferiores ao alfa são estatisticamente significativos. Por exemplo, se você escolheu alfa para ser 0,05, os coeficientes com um valor de p de 0,05 ou menos seriam estatisticamente significativos (ou seja, você pode rejeitar a hipótese nula e dizer que o coeficiente é significativamente diferente de 0). Se você usa um teste de 1 cola (ou seja, você preveja que o parâmetro irá em uma determinada direção), então você pode dividir o valor p em 2 antes de compará-lo com seu nível alfa pré-selecionado. Com um teste de 2 colos e alfa de 0,05, você pode rejeitar a hipótese nula de que o coeficiente para a fêmea é igual a 0. O coeficiente de 1.482498 é significativamente maior do que 0. O coeficiente de leitura é .1035361 significativamente diferente de 0 usando alfa De 0,05 porque o seu valor p é 0,000, que é menor do que 0,05. O coeficiente de ciência é .0947902 significativamente diferente de 0 usando alfa de 0,05 porque o seu valor p é 0,000, menor que 0,05. K. 95 Conf. Intervalo - Isso mostra um intervalo de confiança 95 para o coeficiente. Isso é muito útil, pois ajuda a entender o quão alto e quão baixo o valor real da população do parâmetro pode ser. Os intervalos de confiança estão relacionados aos valores de p de modo que o coeficiente não seja estatisticamente significativo se o intervalo de confiança incluir 0. Razões de Odds Neste próximo exemplo, vamos ilustrar a interpretação dos odds ratios. Usaremos o comando logístico para que vejamos os odds ratios em vez dos coeficientes. Neste exemplo, simplificaremos nosso modelo de modo que tenhamos apenas um preditor, a variável binária feminina. Antes de executar a regressão logística, usaremos o comando tab para obter um crosstab das duas variáveis. Se dividirmos o número de homens que estão em composição de honra, 18, pelo número de homens que não estão em composição de honra, 73, obtemos a chance de estar em composição de honra para homens, 1873 .24657534. Se fizermos o mesmo para mulheres, obtemos 3574 .47297297. Para obter o odds ratio, que é a proporção das duas chances que acabamos de calcular, obtemos .47297297.24657534 1.9181682. Como podemos ver na saída abaixo, este é exatamente o odds ratio que obtemos do comando logístico. O motivo para lembrar aqui é que você deseja que o grupo seja codificado como 1 em relação ao grupo codificado como 0, de modo que honcomp1honcomp0 para homens e mulheres e, em seguida, as probabilidades para fêmeas de sexo masculino, porque as fêmeas são codificadas como 1. No que diz respeito à 95, não queremos que isso inclua o valor de 1. Quando estávamos considerando os coeficientes, não queremos que o intervalo de confiança inclua 0. Se exponenciarmos 0, obtemos 1 (exp (0) 1). Portanto, estas são duas maneiras de dizer o mesmo. Como você pode ver, o intervalo de confiança 95 inclui 1, portanto, o odds ratio não é estatisticamente significativo. Como o limite inferior do intervalo de confiança 95 é tão próximo de 1, o valor p é muito próximo de .05. Há algumas outras coisas a serem observadas sobre o resultado abaixo. O primeiro é que, embora tenhamos apenas uma variável preditor, o teste para o odds ratio não coincide com o teste geral do modelo. Isso ocorre porque a estatística z é realmente o resultado de um teste de qui-quadrado de Wald, enquanto o teste do modelo geral é uma razão de verossimilhança do qui-quadrado. Embora esses dois tipos de testes de qui-quadrado sejam assintoticamente equivalentes, em pequenas amostras podem diferir, como fazem aqui. Além disso, temos a situação infeliz em que os resultados dos dois testes dão conclusões diferentes. Isso não ocorre com muita frequência. Em uma situação como essa, é difícil saber o que concluir. Pode-se considerar o poder, ou pode-se decidir se um odds ratio dessa magnitude é importante do ponto de vista clínico ou prático. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia. Bem-vindo ao Instituto de Pesquisa e Educação Digital Stata FAQ Como posso realizar a razão de verossimilhança, Wald E teste de multiplicador Lagrange (pontuação) em Stata O teste de razão de verossimilhança (teste lr), teste de Wald e teste multiplicador Lagrange (às vezes chamado de teste de pontuação) são comumente usados para avaliar a diferença entre modelos aninhados. Um modelo é considerado aninhado em outro se o primeiro modelo pode ser gerado impondo restrições aos parâmetros do segundo. Na maioria das vezes, a restrição é que o parâmetro é igual a zero. Em um modelo de regressão, a restrição de parâmetros a zero é realizada removendo as variáveis preditoras do modelo. Por exemplo, nos modelos abaixo, o modelo com as variáveis preditores femininas. e leia . Está aninhado dentro do modelo com as variáveis preditoras femininas. ler . Matemática. E ciência. Os testes de multiplicador lr, Wald e Lagrange fazem a mesma pergunta básica, que é, restringe esses parâmetros a zero (ou seja, deixando para fora essas variáveis de preditores) reduzem significativamente o ajuste do modelo. Para realizar um teste de razão de verossimilhança, é preciso estimar ambos Dos modelos que se deseja comparar. A vantagem dos testes Wald e score é que eles se aproximam do teste lr, mas exigem que apenas um modelo seja estimado. Quando o poder de computação era muito mais limitado, e muitos modelos demoravam muito para ser executados, essa era uma grande vantagem. Hoje, para a maioria dos modelos, os pesquisadores provavelmente irão comparar, isso não é um problema, e geralmente recomendamos executar o teste de razão de verossimilhança na maioria das situações. Isso não quer dizer que nunca se deve usar os testes de Wald ou de pontuação. Por exemplo, o teste de Wald é comumente usado para realizar testes de múltiplo grau de liberdade em conjuntos de variáveis dummy usadas para modelar variáveis categóricas em regressão (para mais informações, veja nosso webbook em Regressão com Stata, especificamente Capítulo 3 - Regressão com Preditores Categóricos). Outro exemplo são os índices de quotmodificação utilizados na modelagem de equações estruturais, são testes de multiplicadores Lagrange. Como mencionado acima, o teste lr requer que dois modelos sejam executados, um dos quais tem um conjunto de parâmetros (variáveis) e um segundo modelo com todos os parâmetros do primeiro, mais uma ou mais variáveis. O teste de Wald examina um modelo com mais parâmetros e avalia se restringir esses parâmetros (geralmente a zero, removendo as variáveis associadas do modelo) prejudica seriamente o ajuste do modelo. Em contraste, o teste de pontuação examina os resultados de um modelo menor e pergunta se a adição de uma ou mais variáveis omitidas melhoraria o ajuste do modelo. Em geral, os três testes devem chegar à mesma conclusão (porque o teste Wald e score, pelo menos em teoria, aproxima o teste lr). Como exemplo, vamos testar uma diferença estatisticamente significante entre dois modelos, usando os três testes. O conjunto de dados para este exemplo inclui dados demográficos, bem como pontuações padronizadas para 200 alunos do ensino médio. Vamos comparar dois modelos. A variável dependente para ambos os modelos é hiwrite (para ser aninhado, dois modelos devem compartilhar a mesma variável dependente), que é uma variável dicotômica que indica que o aluno teve uma pontuação de escrita acima da média. Existem quatro possíveis variáveis preditoras, femininas. Uma variável dummy que indica que o aluno é feminino e as variáveis contínuas são lidas. Matemática. E ciência. Que são os alunos padronizados nos resultados de testes em leitura, matemática e ciência, respectivamente. Vamos testar um modelo contendo apenas as variáveis preditoras feminino e lido. Contra um modelo que contém as variáveis preditores feminino e lido. Bem como, as variáveis de preditores adicionais, matemática e ciência. Exemplo de teste de razão de verossimilhança. Conforme discutido acima, o teste lr envolve estimar dois modelos e compará-los. A fixação de um ou mais parâmetros para zero, ao remover as variáveis associadas a esse parâmetro do modelo, quase sempre tornará o modelo mais adequado, de modo que uma mudança na probabilidade do log não significa necessariamente que o modelo com mais variáveis se encaixa significativamente melhor. O teste lr compara as probabilidades de log dos dois modelos e verifica se esta diferença é estatisticamente significativa. Se a diferença for estatisticamente significante, entende-se que o modelo menos restritivo (aquele com mais variáveis) corresponde aos dados significativamente melhor do que o modelo mais restritivo. A estatística do teste lr é calculada da seguinte maneira: LR -2 ln (L (m1) L (m2)) 2 (ll (m2) - ll (m1)) Onde L (m) denota a probabilidade do modelo respectivo, E ll (m) o log natural da probabilidade dos modelos. Esta estatística é distribuída chi-quadrado com graus de liberdade igual à diferença no número de graus de liberdade entre os dois modelos (ou seja, o número de variáveis adicionadas ao modelo). Para realizar o teste de razão de verossimilhança, precisaremos executar os dois modelos e tomar nota de suas probabilidades de log final. Vamos executar os modelos usando o Stata e usar os comandos para armazenar as probabilidades de log. Nós também podemos simplesmente copiar as verossimilhanças (por exemplo, escrevendo-as para baixo ou cortando e colando), mas usar comandos é um pouco mais fácil e é menos provável que resulte em erros. A primeira linha de sintaxe abaixo lê no conjunto de dados do nosso site. A segunda linha de sintaxe executa um modelo de regressão logística, prevendo o hiwrite baseado no gênero do estudante (feminino) e na leitura (leitura). A terceira linha de código armazena o valor da probabilidade de log para o modelo, que é temporariamente armazenado como a estimativa devolvida e (ll) (para mais informações, digite, ajude a retornar na janela de comando do Stata), no escalar chamado m1. Abaixo está a saída. Para realizar o teste de razão de verossimilhança, precisaremos acompanhar a probabilidade do log (-102.44), a sintaxe para este exemplo (acima) faz isso armazenando o valor em um escalar. Uma vez que não é nossa principal preocupação aqui, ignoraremos a interpretação do modelo de regressão logística restante. Observe que armazenar a estimativa retornada não produz qualquer saída. A primeira linha de sintaxe abaixo corre o segundo modelo, ou seja, o modelo com as quatro variáveis preditoras. A segunda linha de código armazena o valor da probabilidade de log para o modelo (-84.4), que é temporariamente armazenado como a estimativa retornada (e (ll)), no escalar chamado m2. Mais uma vez, não vamos dizer muito sobre o resultado, exceto para notar que os coeficientes para matemática e ciência são ambos estatisticamente significativos. Então sabemos que, individualmente, são preditores estatisticamente significativos de hiwrite. Agora que temos as probabilidades de log de ambos os modelos, podemos realizar um teste de razão de verossimilhança. A primeira linha de sintaxe abaixo calcula a estatística de teste da razão de verossimilhança. A segunda linha de sintaxe abaixo encontra o valor p associado à nossa estatística de teste com dois graus de liberdade. Olhando abaixo, vemos que a estatística de teste é 36,05 e que o valor de p associado é muito baixo (menos de 0,0001). Os resultados mostram que a adição de matemática e ciência como variáveis preditoras em conjunto (e não apenas individualmente) resulta em uma melhoria estatisticamente significativa no ajuste do modelo. Note-se que se realizássemos um teste de razão de verossimilhança para adicionar uma única variável ao modelo, os resultados seriam os mesmos que o teste de significância para o coeficiente dessa variável apresentado na tabela acima. Usando os comandos de Statsestatities para calcular um teste de razão de verossimilhança Como você viu, é fácil calcular um teste de razão de verossimilhança por mão. No entanto, você também pode usar o Stata para armazenar as estimativas e executar o teste para você. Este método é ainda mais fácil, e provavelmente menos propenso a erros. A primeira linha de sintaxe executa um modelo de regressão logística, prevendo o hiwrite baseado no gênero do estudante (feminino) e na leitura (leitura). A segunda linha de sintaxe pede a Stata para armazenar as estimativas do modelo que acabamos de executar e instrui a Stata que queremos chamar as estimativas m1. É necessário dar um nome às estimativas, uma vez que a Stata permite aos usuários armazenar as estimativas de mais de uma análise e estaremos armazenando mais de um conjunto de estimativas. Abaixo está a saída. Uma vez que não é nossa principal preocupação aqui, ignoraremos a interpretação do modelo de regressão logística. Observe que armazenar as estimativas não produz qualquer saída. A primeira linha de sintaxe abaixo deste parágrafo executa o segundo modelo, que é o modelo com as quatro variáveis de preditores. A segunda linha de sintaxe economiza as estimativas desse modelo e os nomeia em m2. Abaixo da sintaxe é gerada a saída. Mais uma vez, não vamos dizer muito sobre o resultado, exceto para notar que os coeficientes para matemática e ciência são ambos estatisticamente significativos. Então sabemos que, individualmente, são preditores estatisticamente significativos de hiwrite. Os testes abaixo nos permitirão testar se a adição de ambas as variáveis ao modelo melhora significativamente o ajuste do modelo, em comparação com um modelo que contém apenas sexo e leitura. A primeira linha de sintaxe a seguir mostra a Stata que queremos executar um teste lr e que queremos comparar as estimativas que salmos como m1 para aqueles que economizamos em m2. A saída nos lembra que este teste pressupõe que A está aninhado em B, o que é. Também nos dá o valor do qui-quadrado para o teste (36.05), bem como o valor p para um qui-quadrado de 36.05 com dois graus de liberdade. Observe que os graus de liberdade para o teste lr, juntamente com os outros dois testes, são iguais ao número de parâmetros que são restritos (ou seja, removidos do modelo), no nosso caso, 2. Observe que os resultados são os mesmos que Quando calculamos o teste lr à mão acima. A adição de matemática e ciência como variáveis preditoras em conjunto (e não apenas individualmente) resulta em uma melhoria estatisticamente significativa no ajuste do modelo. Conforme observado quando calculamos o teste da razão de verossimilhança manualmente, se realizarmos um teste de razão de verossimilhança para adicionar uma única variável ao modelo, os resultados seriam os mesmos que o teste de significância para o coeficiente dessa variável apresentado na tabela acima. Toda a sintaxe para um teste de razão de verossimilhança, tudo em um bloco, parece assim: Exemplo de um teste Wald Como mencionado acima, o teste Wald se aproxima do teste lr, mas com a vantagem de que ele só precisa estimar um modelo. O teste Wald funciona testando que os parâmetros de interesse são simultaneamente iguais a zero. Se o fizerem, isso sugere fortemente que removê-los do modelo não reduzirá substancialmente o ajuste desse modelo, uma vez que um preditor cujo coeficiente é muito pequeno em relação ao seu erro padrão geralmente não está fazendo muito para ajudar a prever a variável dependente. O primeiro passo na execução de um teste de Wald é executar o modelo completo (ou seja, o modelo que contém as quatro variáveis preditoras). A primeira linha de sintaxe abaixo faz isso (mas usa o prefixo silencioso para que a saída da regressão não seja mostrada). A segunda linha de sintaxe abaixo instrui Stata para executar um teste Wald para testar se os coeficientes para as variáveis matemática e ciência são simultaneamente iguais a zero. A saída primeiro dá a hipótese nula. Abaixo disso, vemos o valor do qui-quadrado gerado pelo teste Wald, bem como o valor p associado a um qui-quadrado de 27,53 com dois graus de liberdade. Com base no valor p, somos capazes de rejeitar a hipótese nula, indicando novamente que os coeficientes para matemática e ciência não são simultaneamente iguais a zero, o que significa que, incluindo essas variáveis, crie uma melhoria estatisticamente significativa no ajuste do modelo. Exemplo de uma pontuação ou teste multiplicador Lagrange Por favor, note que o testomit escrito pelo usuário não está mais disponível no Stata. Para realizar o teste de pontuação, você precisará baixar dois pacotes escritos pelo usuário para o Stata. Esses pacotes são chamados enumopt e testomit. Se o seu computador estiver online, você pode digitar findit enumopt na janela de comando do Stata. (Para mais informações ou ajuda, veja a nossa página de perguntas frequentes. Como faço para encontrar find para procurar programas e ajuda adicional). Assumindo que os pacotes necessários estão instalados, a sintaxe abaixo mostra como executar um teste de pontuação. A primeira linha de sintaxe executa o modelo com apenas sexo feminino e lê como variáveis preditoras (lembre-se de que o teste de pontuação usa um modelo com menos variáveis e testes para variáveis omitidas). A próxima linha usa o comando prever gerar uma nova variável chamada teste que contém a pontuação para cada caso. Sem entrar em detalhes demais, as pontuações aqui são baseadas no modelo estimado e no valor das variáveis no modelo para cada caso. A terceira linha de sintaxe usa o comando testomit para examinar se as variáveis matemática e ciência são variáveis que foram omitidas incorretamente do modelo. A pontuação da opção (teste) diz a Stata o nome da variável que contém as pontuações, embora esteja na seção de opções (isto é, após a vírgula), isso é necessário. Observe que o testomit escrito pelo usuário não está mais disponível no Stata. A primeira parte da saída fornece o tipo de modelo executado, seguido por uma tabela de resultados. Os resultados do teste de pontuação são distribuídos em qui-quadrado com graus de liberdade iguais ao número de variáveis adicionadas ao modelo. A tabela tem três colunas, a primeira dando o valor da estatística de teste, a segunda o número de graus de liberdade para o teste eo terceiro que dá o valor de p associado a um qui-quadrado de um dado valor com um número determinado De graus de liberdade. As variáveis matemática e ciência aparecem separadamente em suas próprias linhas, as duas primeiras linhas contêm os resultados para um teste de se adicionar (mas não ambas) essas variáveis ao modelo melhoraria significativamente o ajuste do modelo. A linha inferior, rotulada como teste simultâneo, testa se a adição de ambas as variáveis ao modelo melhorará significativamente o ajuste do modelo. Os resultados apresentados na tabela são consistentes com os testes Wald e lr que realizamos acima. Eles também são consistentes com a saída de regressão acima, em que os coeficientes para matemática e ciência foram estatisticamente significativos. O comando testomit se comporta de forma um pouco diferente para diferentes comandos de estimativa. Abaixo estão exemplos de como usar o testomit com vários outros comandos de regressão. A maioria dos comandos de equações múltiplas usará uma sintaxe semelhante à sintaxe do mlogit. Duas excepções são ologit e oprobit. E regredir. Que são mostrados separadamente. Observe que o testomit escrito pelo usuário não está mais disponível no Stata. Para mlogit e muitos outros comandos de equações múltiplas: Para ologit e oprobit:
No comments:
Post a Comment