我有一个 Poisson 模型，我将其用于具有 329 个观察值的医学数据集。在回归中，我对单个系数的简单 Wald 统计量特别感兴趣： 我被告知只需使用稳健的选项无济于事，建议我使用百分位 t 方法进行 Wald 检验以改进 t 统计量。我知道我必须在 Stata 中使用 bootstrap 命令，但我还没有完全弄清楚。关于这种类型的细化的理论观点很清楚，但问题是实施它，然后知道与未细化的相比，对此的任何指导将不胜感激。
使用 Stata 对 Poisson 进行稳健的 Wald 检验
机器算法验证
假设检验
t检验
状态
引导程序
2022-03-25 17:37:53
2个回答
据我所知，在 Stata 中没有现成的命令用于您的目的，但似乎没有必要，因为它可以很容易地手动实现。如果你运行你的回归
poisson y x, vce(robust)
创建一个保存您感兴趣的变量系数的局部变量（例如，将其称为“bx”），然后对您发布的测试统计数据使用 bootstrap 命令。
bootstrap twald = ((_b[x] - `bx')/_se[x]), reps(800) nodots: poisson y x, vce(robust)
如果您需要您的结果可复制，请先设置种子。获得结果后，您可以将“twald”的自举标准误差与标准正态的标准偏差 1 进行比较（如果这是您将精制 t 与未精制 t 进行比较的意思）。
Stata 中的 Robust Wald 测试是通过在 Stata 中使用or命令robust后的选项来实现的。这与自举标准误差估计不同，后者是标准误差的另一种“稳健”估计。您使用该命令收到的标称“稳健标准误差”估计值是 Huber White 标准误差估计值。glmpoissonrobust
Huber White 估计器不是基于重采样的，而是使用经验信息来估计。它们解释了数据中未指定的相关性来源、异方差性和模型错误指定。来自此类模型系数的参数估计被解释为“人口平均”，这使得它们对关联的非因果流行病学研究有用。
其它你可能感兴趣的问题