对Stata来说很新，所以使用固定效果会有点挣扎。这里的数据是弥补的，但请耐心等待。我有一堆虚拟变量，我正在做回归。我的因变量是假人，如果顾客买了东西，则为1，否则为0。我的固定效果是前面是否有黄色标记（再次是虚拟变量）。我的自变量是商店经理是否表示喜（虚拟变量）。
基本上，我希望我的输出看起来像这样（显然有标准错误）
this.$bus.emit( 'test', { code: 1 } );
答案 0 :(得分：2)
您可以在回归中使用##运算符来获得具有固定效果的饱和模型：
首先，输入数据，使得您有二进制结果（购买），因变量（ saidhi ）和固定效果变量（ sign < / em>的）。 saidhi 应该与你的结果相关联（所以 saidhi 的一部分与购买和部分不相关），以及你的FE变量应该与购买和 saidhi 相关联（如果您只对 saidhi的效果感兴趣，那么在您的回归中没有任何意义 EM>）。
clear
set obs 100
set seed 45
gen bought = runiform() > 0.5 // Binary y, 50/50 probability
gen saidhi = runiform() + runiform()^2*bought
gen sign = runiform() + runiform()*saidhi + runiform()*bought > 0.66666 // Binary FE, correlated with both x and y
replace saidhi = saidhi > 0.5
现在，运行回归：
* y = x + FE + x*FE + cons
reg bought saidhi##sign, r
exit
您的输出应为：
Linear regression Number of obs = 100
F(3, 96) = 13.34
Prob > F = 0.0000
R-squared = 0.1703
Root MSE = .46447
------------------------------------------------------------------------------
| Robust
bought | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
1.saidhi | .3571429 .2034162 1.76 0.082 -.0466351 .7609209
1.sign | .3869048 .1253409 3.09 0.003 .138105 .6357046
|
saidhi#sign |
1 1 | -.1427489 .2373253 -0.60 0.549 -.6138359 .3283381
|
_cons | .0714286 .0702496 1.02 0.312 -.0680158 .210873
------------------------------------------------------------------------------
1.saidhi 是{em> saidhi 在sign == 0时的效果。 1.sign 是标志的影响，单独，即saidhi == 0时。 saidhi#sign下的部分描述了这两个变量之间的相互作用（即它们的边际效应同时为1 ......请记住，它们的总效应包括前两个术语）。当两者都为0时，你的常数代表购买的平均值（例如，这与你从sum bought if saidhi == 0 & sign == 0得到的相同）。