python逻辑回归输出结果,python 回归模型

　　面板数据是指不同对象在不同时间的指标数据。目前，面板数据被广泛应用于经济学研究。本文简要介绍了利用SPSSAU进行面板数据回归分析的步骤。

　　一.数据格式

　　下图显示了面板数据的一个示例。数据是9个地区2008-2018年11年的全部经济指标。

　　列反映数据的不同部分，即不同的研究个体。日期列反映的是数据的时间序列，即不同时期的数据。数据面板是两者的结合。在上传数据时，要注意识别研究个体的编号(地区)和时间点(年份)。

　　二、车型识别

　　当面板数据受到回归影响研究时，面板模型(面板回归)被调用。一般来说，面板模型可以分为三种：FE模型(固定效应模型)、POOL模型(混合估计模型)和RE模型(随机效应模型)。

　　最终应该选择哪个型号，可以通过每次测试来判断。SPSSAU分别进行f检验、BP检验和豪斯曼检验(houseman test)，最后将三种检验结合起来判断哪个模型最好。

　　如果是经济数据，大多数情况下，FE模型更好，所以很多研究直接使用FE模型，默认不进行校验；总的来说，三种模式的选择是有差异的，但结论上一般差异不会太大。

　　三。SPSSAU操作

　　案例：这里我们用上面提到的9个地区的11年数据作为案例数据来说明。

　　数据包括四个自变量：X1(城乡居民年末储蓄)、X2(年末常住人口)、X3(城市化率)、X4(教育支出)，因变量为GDP。

　　操作步骤：点击计量经济学研究面板模型。SPSSAU面板模型

　　研究四个自变量对因变量GDP的影响，识别面板数据，并将地区和日期分别放入相应的“个人ID”和“时间”框中。操作面板

　　四。结果分析

　　Au输出三种类型的表格，即检验汇总表、面板模型结果汇总表和模型中间过程结果表。

　　通过f检验比较有限元模型和水池模型。

　　通过BP测试确定是建立RE模型还是建立POOL模型。

　　通过豪斯曼试验选择FE模型或RE模型。

　　分析步骤请参考SPSSAU提供的“分析建议”和“智能分析”。在这种情况下，最终选择“有限元模型”是通过检查给出的。

　　SPSSAU会提供所有三个模型的分析结果，我们只需要以FE模型的结果为准。SPSSAU的Au分析结果

　　从表中可以看出，对于X1(城乡居民年末储蓄存款)，显示出0.01的显著水平(t=11.880，p=0.0000.01)，回归系数值为0.9670，表明X1(城乡居民年末储蓄存款)将对GDP产生显著的正向影响。

　　至于X2(年末常住人口)，没有表现出显著性(t=1.623，p=0.1080.05)，所以说明X2(年末常住人口)对GDP没有影响。

　　就X3(城市化率)而言，显示出0.01的显著水平(t=-4.073，p=0.0000.01)，回归系数为-1.0760，说明X3(城市化率)会对GDP产生显著的负面影响。

　　就X4(教育支出)而言，不显著(t=1.461，p=0.1480.05)，说明X4(教育支出)对GDP没有影响。

　　各型号具体工艺值请参考对应型号的“型号中间工艺结果表”，此处不再赘述。

　　有兴趣的小伙伴可以在官网登录SPSSAU进行实际操作。

　　最后，附上案例数据的链接：

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。