Insignificante efecto de la Interacción en la econometría aplicada (modelo logit multinomial de regresión)

Question

Actualmente estoy escribiendo mi tesis de maestría donde estoy aplicando un modelo logit multinomial de regresión con las interacciones efecto.

El modelo que yo estoy usando es $$ P(y=j) = exp(xb_j)/(1+∑exp(xb_h)) $$ donde $$ xb_j =x_1b_{ij} + x_2b_{2j} + x_1x_2b_{3j} + XB + \epsilon $$ $x_1$ y $x_2$ son variables ficticias ($x_1$ es codificado 0/1 para hombre/mujer).

Yo uso marginal (o incremental) efectos para reportar los resultados de mi, ya que estoy interesado en el efecto de un cambio de unidad en la probabilidad de af resultado de mi y variable.

Mi pregunta está relacionada con los resultados de mi, donde puedo conseguir una insignificante efecto marginal del término de interacción, que supongo que indica que no hay ninguna diferencia entre cómo los hombres y las mujeres se ven afectadas por un cambio de unidad en $x_2$. Pero cuando miro por separado en hombres y mujeres, me sale que el efecto marginal de $x_2$ es importante para los hombres ($\frac { \partial P(y=j) } {\partial x_2 }$ cuando $x_1=0$) e insignificante para las mujeres ($\frac { \partial P(y=j) } {\partial x_2 }$ cuando $x_1=1$). (Yo uso tres diferentes niveles de significación (0.1, 0.05 y 0.01))

¿Cómo debo interpretar una insignificante efecto de la interacción, pero significativo, en un subgrupo de (hombres)?

Answer 1

No es 100% claro qué procedimiento se utiliza para hacer el subgrupo de pruebas, así que voy a cubrir un par de bases. A continuación, sugiero pruebas exploratorias para entender mejor los resultados. La lógica de esta respuesta es el mismo que el de seguir en un modelo lineal.

Si usted está tomando los resultados del modelo único y haciendo pruebas post hoc de la coefficents, asegúrese de que usted está interpretando correctamente el modelo. Porque los hombres son la referencia implícita a la categoría, la constante representa a los hombres de la media (ceteris paribus) y la constante plus b1 es el medio de las mujeres. Del mismo modo, b2 es de los hombres "pendiente" con respecto a x2, mientras que b2 + b3 es de las mujeres "pendiente" con respecto a x2. Así que, para probar si x2 de asuntos para la mujer, tendría que probar b2 Y b3 juntos.

Dicho esto, me parece, después de correr el modelo completo, se corrió el modelo por separado para hombres y mujeres (menos los relacionados con el sexo términos) para investigar más a fondo. Aquí hay un par de cosas para investigar:

1. ¿Cómo se diferencian de los otros parámetros para los hombres y las mujeres en los modelos independientes de la principal modelo?

   • Hay similares estimaciones puntuales?
   • Son las mismas variables significativas?
   • Hacer los modelos comparables de ajuste del modelo?

2. ¿Qué tipo de variación tienes en tus datos? Usted puede hacer descriptivo y exploratorio de análisis para entender esto.

   • Presentar una tabla descriptiva de las frecuencias por sexo, x2, y j. Si cada "celda" creado de esta manera tenía exactamente el mismo cargo, que sería más bien poco probable que una disparidad entre el subgrupo de los modelos y el modelo completo (a menos que los datos de generación de procesos para los hombres y las mujeres son totalmente diferentes, y/o existe heterocedasticidad por sexo).
     • Es decir, mi corazonada es que usted tiene "micronumerosity" para algunas de las mujeres en ciertos resultados, y por lo tanto usted no puede conseguir una lo suficientemente pequeño error estándar para distinguir el término de interacción.
     • Otra manera de mirar esto es averiguar el reino de soporte común para su modelo.
   • Ejecutar las estadísticas descriptivas (media, SD) en el resto de variables por separado para hombres y mujeres y buscar discrepancias. Si hay diferencias sustanciales, podría significar algo más que sexo, es la conducción de la diferencia, y/o que la colinealidad entre esa variable y el sexo se complica la estimación.
     • Si las variables siguen una distribución normal, se puede ejecutar una serie de pruebas t-además de eyeballing los medios. (Si quería ser más formal acerca de este tema y tomar en cuenta las múltiples pruebas de hipótesis, se podría hacer varios tipos de balance de cheques, esencialmente, el uso de la x variables para predecir el sexo.)
   • Los gráficos de la zona de soporte común o distribuciones de otras variables condicionales en el sexo puede ayudar a mostrar lo que se encuentra.

Para escribir los resultados, me gustaría sugerir la presentación de una tabla con los coeficientes para el modelo completo sin la interacción, el modelo completo con la interacción (mostrando la interacción no es significativa), y los modelos de género.

Para la sección de discusión, se puede mencionar que se veía en el papel de la interacción plazo. Usted puede mostrar sus resultados sobre micronumerosity y covariable equilibrio por sexo (ya sea o no que parecen explicar el problema). Todos estos son los análisis exploratorios, así que no pueden valerse por sí mismos como explicaciones definitivas. Pero que ayudará a abordar lo que se debe hacer en los análisis futuros (por ejemplo, que un mayor N general es necesaria o que sobremuestreo de las personas en las pequeñas células podría ayudar, o encontrar otras maneras para aumentar la precisión del modelo).