Schriftenreihe Band 11 femlogit Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“ Klaus Pforr
Schr
iften
reih
e
Schriftenreihe
ISBN 978-3-86819-020-5ISSN 1869-2869
19,- EUR
Band 11
fem
logi
tBa
nd 1
1
femlogitImplementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Klaus Pforr
Fixed-effects-Modelle sind zu einem wichtigen Werkzeug der Kausalanalyse geworden, da sie die Kontrolle von un-beobachteter Heterogenität ermöglichen. Bis heute wurden fixed-effects-Modelle für kontinuierliche und dichotome abhängige Variablen entwickelt und für viele Statistikpakete implementiert. Für multinominale abhängige Variable wurde von Chamberlain (1980) ein solches Modell entwickelt, es liegt aber keine allgemein anwendbare Umsetzung vor. Die vorliegende Arbeit schließt diese Forschungslücke mit der ersten Umsetzung des Modells von Chamberlain in einem weitverbreiteten Statistikpaket (Stata). Die Anwendbarkeit wird durch Erweiterungen der Arbeiten von Schröder (2010) im Bereich der Familiensoziologie und Kohler (2005) im Bereich der politischen Soziologie gezeigt.
Fixed effects models have become a prime tool for causal analysis, as they allow to control for unobserved hetero-geneity. As of today, fixed effects models have been derived and implemented for many statistical software packages for continuous, dichotomous and count-data dependent variables. For multinomial categorical dependent variables such a model has been derived in a seminal paper by Chamberlain (1980), but no implementation is available. The dis-sertation on hand closes this research gap by delivering the first implementation of Chamberlain’s model in a widely available statistical package (Stata). Its applicability is shown by extending Schröder’s (2010) work in the sociology of the family and Kohler’s (2005) work in political sociology.
femlogit: Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreiheherausgegeben von GESIS – Leibniz-Institut für Sozialwissenschaften
Band 11
Klaus Pforrfemlogit: Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Die vorliegende Arbeit wurde von der Fakultät für Sozialwissenschaften der Universität Mann-heim als Dissertation zur Erlangung des akademischen Grades eines Doktors der Sozialwissen-schaften (Dr. rer. soc.) angenommen.
Dekan: Prof. Dr. Michael Diehl
1. Gutachter: Prof. Dr. Josef Brüderl
2. Gutachter: PD Dr. Henning Best
Vorsitzender der Prüfungskommision: Prof. Dr. Frank Kalter
Tag der Disputation: 09. Oktober 2012
Klaus Pforr
femlogitImplementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS – Leibniz-Institut für Sozialwissenschaften 2013
Bibliographische Information Der Deutschen Bibliothek
Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbi-bliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.ddb.de abrufbar.
ISBN 978-3-86819-020-5 ISSN 1869-2869
Herausgeber, Druck u. Vertrieb: GESIS – Leibniz-Institut für Sozialwissenschaften Unter Sachsenhausen 6-8, 50667 Köln, Tel.: 0221 / 476 94 - 0 [email protected] Printed in Germany
©2013 GESIS – Leibniz-Institut für Sozialwissenschaften, Köln. Alle Rechte vorbehalten. Insbesondere ist die Überführung in maschinenlesbare Form sowie das Speichern in In-formationssystemen, auch auszugsweise, nur mit schriftlicher Einwilligung von GESIS gestattet.
vi GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 vii
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
viii GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 ix
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 1
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
yit = f(αi, xit, β, ǫit) yitxit β
i = 1, . . . , N
t = 1, . . . , T
2 GESIS-Schriftenreihe | Band 11
Klaus Pforr
αi
ǫit
αi
t
GESIS-Schriftenreihe | Band 11 3
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
4 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 5
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
ǫni i
6 GESIS-Schriftenreihe | Band 11
Klaus Pforr
0,0
0,2
0,4
0,6
0,8
1,0
An
teil
(P
rom
ille
)
1970 1980 1990 2000 2010
Erscheinungsjahr
GESIS-Schriftenreihe | Band 11 7
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
8 GESIS-Schriftenreihe | Band 11
Klaus Pforr
αi
GESIS-Schriftenreihe | Band 11 9
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
αi
Xit
10 GESIS-Schriftenreihe | Band 11
Klaus Pforr
0,0
0,5
1,0
1,5A
nte
il (
Pro
mil
le)
1970 1980 1990 2000 2010
Erscheinungsjahr
GESIS-Schriftenreihe | Band 11 11
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
12 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 13
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
14 GESIS-Schriftenreihe | Band 11
Klaus Pforr
⇒
(1, 2, 3)(1, 3, 2)(2, 1, 3)(2, 3, 1)(3, 1, 2)(3, 2, 1)
1 2
GESIS-Schriftenreihe | Band 11 15
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
2 3 1, 2, 3
16 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 17
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 21
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 23
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
N J
B ∈ {1, . . . , J} J
i yi
y =
y1
yN
y∗jM xim
xim m
24 GESIS-Schriftenreihe | Band 11
Klaus Pforr
i M Xi =
(xi1, . . . , xiM )
X =
X1
XN
=
x11 . . . x1M
xN1 . . . xNM
Xi
N i i = 1, . . . , N Ti
J
B ∈ {1, . . . , J}
J i yi i
t yit
yi =
yi1
yiTi
y =
�y11, . . . , y1T1
, y21, . . . , y2T2, . . . , yN1, . . . , yNTN
�′
y∗itj
M xitm
xitm m
i t m
Xit Xi X
Xit (xit1, . . . , xitM ) Xi
Xi =
xi11 . . . xi1M
xiTi1 . . . xiTiM
X =
x111 . . . x11M
x1T11 . . . x11M
xN11 . . . xN1M
xNTN1 . . . xNTNM
GESIS-Schriftenreihe | Band 11 25
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Ti = 1 i yit yi1 xitm
xi1m Xit Xi1 t
yi1 xi1m Xi1 yi xim Xi
i j αij
αj
m j βjm
j
βj = (βj1, . . . , βjM )
β = (β11, . . . , βJM ) αj β
(α, β)
β β
α
ǫij ǫitj
i j i j
t
26 GESIS-Schriftenreihe | Band 11
Klaus Pforr
J j ∈ {1, . . . , J}
y∗j = αj +Xβ′j + ǫj
j j ∈ {1, . . . , J}
y∗j xm ǫj αj βjm
GESIS-Schriftenreihe | Band 11 27
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
ǫj
∀j ∈ {1, . . . , J} : ǫj ∼ (ǫj) = γ (ǫj) =π2
6
π2/6
∀j ∈ {1, . . . , J} : (y = j) = (y∗j >k �=j
y∗k)
∀j ∈ {1, . . . , J} : fǫj |X = fǫj
∀j, k ∈ {1, . . . , J} : ǫj ⊥ ǫk
FX(x) = (− (−(x− µ)/σ)) (X) = µ+ σγ (X) = (π2/6)σ2 γ
28 GESIS-Schriftenreihe | Band 11
Klaus Pforr
J = 2
B
αB = βB1 = · · · = βBM = 0
X
(X ′X) = M
(yi, Xi)i=1,...,N N
∀i, j ∈ {1, . . . , N} :
f(yi,Xi)(·) = f(yj ,Xj)(·)
f(yi,Xi)(·) ⊥ f(yj ,Xj)(·)
GESIS-Schriftenreihe | Band 11 29
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
j y∗j
(y = j) = (y∗j ≥k �=j
y∗k) = (0 ≥k �=j
y∗k − y∗j )
y∗j ∼ (y∗j ) = γ + αj +Xβ′j (y∗j ) =
π2
6
y∗j y∗k
∗ =k �=j
y∗k ∼
(∗) = γ +∑
k �=j
(αk +Xβ′k)
(∗) =π2
6
∗ =k �=j
y∗k − y∗j ∼
F∗(x) =1
1 + (−(x− ((∑
k �=j (αk +Xβ′k))− (αj +Xβ′
j))))
=1
1 + (∑
k �=j (αk +Xβ′k)− αj +Xβ′
j − x)
30 GESIS-Schriftenreihe | Band 11
Klaus Pforr
=1
1 +∑
k �=j (αk+Xβ′k)
(αj+Xβ′j+x)
=(αj +Xβ′
j + x)
(αj +Xβ′j + x) +
∑k �=j (αk +Xβ′
k)
=(αj +Xβ′
j + x)∑J
k=1 (αk +Xβ′k)
= Fk �=j y∗
k−y∗
j(x)
j
(y = j) = (y∗j ≥k �=j
y∗k) = (0 ≥k �=j
y∗k − y∗j ) =
= Fk �=j y∗
k−y∗
j(0) =
(αj +Xβ′j)∑J
k=1 (αk +Xβ′k)
(y = j) =(αj +Xβ′
j)
1 +∑
k �=B (αk +Xβ′k)
j �= B
(y = B) =1
1 +∑
k �=B (αk +Xβ′k)
J = 2
(yi, Xi)i=1,...,N N
GESIS-Schriftenreihe | Band 11 31
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
ℓi(α, β) i
fyi|Xi,α,β
ℓi(α, β) = fyi|Xi,α,β =
J∏
j=1
(yi = j|Xi, α, β)δyi,j
(α, β) = ( ℓi(α, β)) =1
N
N∑
i=1
J∑
j=1
δyi,j (yi = j|Xi, α, β)
(α, β)
(α, β)
(α, β) =(α,β)
(α, β)
(α, β)p−→ (α, β)
(α, β)d−→ N
((α, β),
− ( i(α, β))−1
N
)
( i(α, β))
( i(α, β)) =1
N
N∑
i=1
∂2 ℓi(α, β)
∂(α, β)′∂(α, β)
∣∣∣∣(α,β)
δa,b δa,b = 1a = b δa,b = 0 a �= b
32 GESIS-Schriftenreihe | Band 11
Klaus Pforr
Xm
(y = j)
Xm
j
Xm,j =∂ (y = j)
∂Xm
∣∣∣∣X
= (y = j|X)
(βjm −
∑
k �=B
βkm (y = k|X)
)
0 = B 1 Xm 1
βm (y = 1|X)(1− (y = 1|X)
)
Xm
j Xm
Xm,j = (y = j|X1, . . . , Xm−1, Xm + 1, Xm+1, . . . , XM )
− (y = j|X)
Xm
j βjm
Xm
X1 XM
Xm j
Xm,j =∂ (y = j)
∂Xm
∣∣∣∣X
GESIS-Schriftenreihe | Band 11 33
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
= (y = j|X)
(βjm −
∑
k �=B
βkm (y = k|X)
)
0 = B 1
Xm 1
∂ (y = 1)
∂Xm
∣∣∣∣X
= βm (y = 1|X)(1− (y = 1|X)
)
Xm j
Xm,j = (y = j|X1, . . . , Xm−1, Xm + 1, Xm+1, . . . , XM )
− (y = j|X)
Xm
j
Xm,j =1
N
N∑
i=1
∂ (y = j)
∂Xm
∣∣∣Xi
=1
N
N∑
i=1
((y = j|Xi)
(βjm −
∑
k �=B
βkm (y = k|Xi)
))
0 = B 1 Xm
1
1
N
N∑
i=1
∂ (y = 1)
∂Xm
∣∣∣Xi
= βjm
1
N
N∑
i=1
((y = 1|Xi)
(1− (y = 1|Xi)
))
Xm
Xm,j =1
N
N∑
i=1
((y = j|Xi1, . . . , Xim−1, Xim+1, Xim+1, . . . , XiM )
− (y = j|Xi))
34 GESIS-Schriftenreihe | Band 11
Klaus Pforr
y∗jyj
x/4+1/2
exp(x)/(1+exp(x))
Discrete−change Effekt
Marginaler Effekt
0,0
0,3
0,5
0,8
1,0
−3 −2 −1 0 1 2 3
Xm
(x)/(1 + (x))
Xm
(y = 1|X) Xm
Xm = 0
Xm = 0
1/2
(1)
1 + (1)−
1
2≈ 0, 231
GESIS-Schriftenreihe | Band 11 35
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Xm = 0
( (y = j|X − 1)− (y = j|X))/− 1
Xm = 0
Xm = 0 y = x/4+1/2 1/4
( ) =
1/2
j
k
jk(X) =(y = j|X)
(y = k|X)
36 GESIS-Schriftenreihe | Band 11
Klaus Pforr
=
(αj+Xβ′j)
1+∑
l �=B (αl+Xβ′l)
(αk+Xβ′k)
1+∑
l �=B (αl+Xβ′l)
=(αj +Xβ′
j)
(αk +Xβ′k)
= ((αj − αk) +X(βj − βk)′)
Xm
jk Xm
Xm
j k
jk(Xm) =jk(X1, . . . , Xm−1, Xm + 1, Xm+1, . . . , XM )
jk(X)
=((αj − αk) + (Xm + 1)(βjm − βkm)′ +X−m(βj−m − βk−m)′)
((αj − αk) +X(βj − βk)′)
βjm − βkm
=(βjm − βkm) ((αj − αk) +X(βj − βk)
′)
((αj − αk) +X(βj − βk)′)
jk(Xm) = (βjm − βkm)
Xm
Xm
X−m
j k (βjm − βkm) Xm
j
B
jB(Xm) = j(Xm) = (βjm − 0) = (βjm)
Xm
j k
GESIS-Schriftenreihe | Band 11 37
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Xm
j k
jk(Xm) =
((y = j|X + 1)
(y = k|X + 1)
/(y = j|X)
(y = k|X)
)
= ( (βjm − βkm)) = βjm − βkm
Xm j k
B
Xm j B
βjm
βjm
Xm j
βjm − βkm
38 GESIS-Schriftenreihe | Band 11
Klaus Pforr
j k Xm
GESIS-Schriftenreihe | Band 11 39
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
J
T j ∈ {1, . . . , J} t ∈
{1, . . . , T}
y∗tj = αj +Xtβ′j + ǫtj
j
t j ∈ {1, . . . , J} t ∈ {1, . . . , T}
y∗tj αj xtm ǫtjβjm
αj βjm
ǫtj
∀t ∈ {1, . . . , T}, ∀j ∈ {1, . . . , J} :
ǫtj ∼ (ǫtj) = γ (ǫtj) =π2
6
π2/6
∀t ∈ {1, . . . , T}, ∀j ∈ {1, . . . , J} : (yt = j) = (y∗tj >k �=j
y∗tk)
Ti
N
40 GESIS-Schriftenreihe | Band 11
Klaus Pforr
y∗
y
∀t ∈ {1, . . . , T}, ∀j ∈ {1, . . . , J} : fǫtj |X1,...,XT ,αj= fǫtj
fα,X
∀t ∈ {1, . . . , T}, ∀j, k ∈ {1, . . . , J} : ǫtj ⊥ ǫtk
∀s, t ∈ {1, . . . , T}, ∀j ∈ {1, . . . , J} : ǫsj ⊥ ǫtj
GESIS-Schriftenreihe | Band 11 41
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
B
αB
αB = βB1 = · · · = βBM = 0
�(X − X)′(X − X)
�= M X =
�1
T
T�
t=1
xtm
�
X X
T X − X i
∀i ∈ {1, . . . , N} : X − X =
xi11 −�Ti
t=1 xit1 . . . xi1M −�Ti
t=1 xitM
xiTi1 −�Ti
t=1 xit1 . . . xiTiM −�Ti
t=1 xitM
(yi, Xi)i=1,...,N N
Ti
Ti
T y X α
((yi1, . . . , yiTi), (Xi1, . . . , XiTi
))i=1,...,N
∀i, j ∈ {1, . . . , N} :
f(yi,Xi)(·) = f(yj ,Xj)(·)
42 GESIS-Schriftenreihe | Band 11
Klaus Pforr
f(yi,Xi)(·) ⊥ f(yj ,Xj)(·)
j y∗j
∀t ∈ {1, . . . , T} : (yt = j) = (y∗tj ≥k �=j
y∗tk) = (0 ≥k �=j
y∗tk − y∗tj)
∀t ∈ {1, . . . , T} :
(yt = j) =(αj +Xtβ
′j)
1 +∑
k �=B (αk +Xtβ′k)
j �= B
(yt = B) =1
1 +∑
k �=B (αk +Xtβ′k)
J = 2
(yi, Xi)i=1,...,N N
GESIS-Schriftenreihe | Band 11 43
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Ti Ti
ℓi(β)
i fyi|Xi,α,β
ℓi(α, β) = fyi|Xi,α,β =
Ti∏
t=1
J∏
j=1
(yit = j|Xi, α, β)δyit,j
˜(α, β) = ( ℓi(α, β)) =1
N
N∑
i=1
Ti∑
t=1
J∑
j=1
δyit,j (yit = j|Xi, α, β)
α
X
y X
y X y− y
X − X
αi
αi
α
N − 1
44 GESIS-Schriftenreihe | Band 11
Klaus Pforr
kij(yi1, . . . , yiT ) kij
αij
fyi|ki,αi= fyi|ki
j∑Ti
t=1 δyit,j
αij
yiαij
i
(αi1, . . . , αiJ)
B
αiB = 0 αi =
(αi1, . . . , αiB−1, αiB+1, . . . , αiJ)
ki = (ki1, . . . , kiB−1, kiB+1, . . . , kiJ)
kij =∑Ti
t=1 δyit,j
di (di1, . . . , diTi) di
yi kij di∑Ti
t=1 δdit,j = kijdi j
yi ∆i di
∆i ={(di1, . . . , diTi
)′|∀j = 1, . . . , J, j �= B :
Ti∑
t=1
δdit,j = kij
}
∆i diyi
j
Ti = 3 J = 3
yi = (1, 2, 3)
B = 1
ki2 = 1 ki3 = 1 ∆i
GESIS-Schriftenreihe | Band 11 45
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
{(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1)}
fyi|Xi,αi,β kii yi Xi
αi
fyi|ki,αi=
f(yi∧ki)|αi
fki
yi ki
f(yi∧ki)|αi
fki
=fyi|αi
fki
kiyi
fyi|αi
fki
=fyi|αi∑di∈∆i
fdi
diyi di
fyi|αi∑di∈∆i
fdi
=
∏Ti
t=1
∏Jj=1 (yit = j)δyit,j
∑di∈∆i
∏Ti
t=1
∏Jj=1 (dit = j)δdit,j
=
∏Ti
t=1
∏Jj=1
((αij+Xitβ
′j)
1+∑
Jk=1,k �=B (αik+Xitβ
′k)
)δyit,j
∑di∈∆i
(
∏Ti
t=1
∏Jj=1
(
(αij+Xitβ′j)
1+∑
Jk=1,k �=B (αik+Xitβ
′k)
)δdit,j)
kiαi αi
1 +∑J
k=1,k �=B (αik +Xitβ′k)
46 GESIS-Schriftenreihe | Band 11
Klaus Pforr
j t
j
=
∏Ti
t=1
∏Jj=1
( (αij+Xitβ′j))
δyit,j
1+∑
Jk=1,k �=B (αik+Xitβ
′k)
∑di∈∆i
∏Ti
t=1
∏Jj=1
( (αij+Xitβ′j))
δdit,j
1+∑
Jk=1,k �=B (αik+Xitβ
′k)
=
∏Tit=1
∏Jj=1
( (αij+Xitβ′j))
δyit,j
∏Tit=1(1+
∑Jk=1,k �=B (αik+Xitβ
′k))
∑di∈∆i
∏Tit=1
∏Jj=1
( (αij+Xitβ′j))
δdit,j
∏Tit=1(1+
∑Jk=1,k �=B (αik+Xitβ
′k))
di
=
∏Tit=1
∏Jj=1
( (αij+Xitβ′j))
δyit,j
∏Tit=1(1+
∑Jk=1,k �=B (αik+Xitβ
′k))
∑di∈∆i
∏Tit=1
∏Jj=1
( (αij+Xitβ′j))
δdit,j
∏Tit=1(1+
∑Jk=1,k �=B (αik+Xitβ
′k))
=
∏Ti
t=1
∏Jj=1( (αij +Xitβ
′j))
δyit,j
∑di∈∆i
∏Ti
t=1
∏Jj=1( (αij +Xitβ
′j))
δdit,j
=
∏Ti
t=1
∏Jj=1,j �=B( (αij +Xitβ
′j))
δyit,j
∑di∈∆i
∏Ti
t=1
∏Jj=1,j �=B( (αij +Xitβ
′j))
δdit,j
GESIS-Schriftenreihe | Band 11 47
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
αij +Xitβ′j
=
∏Ti
t=1
∏Jj=1,j �=B( (αij))
δyit,j∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δyit,j
∑di∈∆i
(∏Ti
t=1
∏Jj=1,j �=B( (αij))
δdit,j∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δdit,j
)
α
=
∏Jj=1,j �=B
∏Ti
t=1( (αij))δyit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δyit,j
∑di∈∆i
(∏Jj=1,j �=B
∏Ti
t=1( (αij))δdit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δdit,j
)
( (αij))δyit,j ( (αij))
δdit,j
j αij t
=
∏Jj=1,j �=B( (αij))
∑Tit=1 δyit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δyit,j
∑di∈∆i
(∏Jj=1,j �=B( (αij))
∑Tit=1 δdit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δdit,j
)
∆i di∑Ti
t=1 δyit,j = kij =∑Ti
t=1 δdit,j
=
∏Jj=1,j �=B( (αij))
∑Tit=1 δyit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δyit,j
∑di∈∆i
(∏Jj=1,j �=B( (αij))
∑Tit=1 δyit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δdit,j
)
di∆i
=
∏Jj=1,j �=B( (αij))
∑Tit=1 δyit,j
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δyit,j
(∏Jj=1,j �=B( (αij))
∑Tit=1 δyit,j
)∑di∈∆i
(∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δdit,j
)
αi
=
∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δyit,j
∑di∈∆i
(∏Ti
t=1
∏Jj=1,j �=B( (Xitβ
′j))
δdit,j
)
f(yi|ki, αi)
αi kiαi
48 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β
δyit,j δdit,j
ℓi(β) = fyi|ki,αi=
(∑Ti
t=1
∑Jj=1,j �=B δyit,jXitβ
′j)∑
di∈∆i(∑Ti
t=1
∑Jj=1,j �=B δdit,jXitβ
′j)
(β) = ( ℓi(β))
=1
N
N∑
i=1
(∑Ti
t=1
∑Jj=1,j �=B δyit,jXitβ
′j)∑
di∈∆i(∑Ti
t=1
∑Jj=1,j �=B δdit,jXitβ
′j)
=1
N
N∑
i=1
( Ti∑
t=1
J∑
j=1,j �=B
δyit,jXitβ′j −
∑
di∈∆i
( Ti∑
t=1
J∑
j=1,j �=B
δdit,jXitβ′j
))
β
β =β
(β)
βp−→ β
βd−→ N
(β,
− ( i(β))−1
N
)
( (β))
( i(β)) =1
N
N∑
i=1
∂2 ℓi(β)
∂β′∂β
∣∣∣∣β
GESIS-Schriftenreihe | Band 11 49
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
J
J = 2
j
i
yi = (yi1, . . . , yiTi)
yi1 = yi2 = · · · = yiTi
yi = (yi1, . . . , yiTi)
fyi|ki,αi(yi) = (yi = yi) =
(∑Ti
t=1
∑Jj=1,j �=B δyit,jXitβ
′j)∑
di∈∆i(∑Ti
t=1
∑Jj=1,j �=B δdit,j
Xitβ′j)
∆i
yi
(yi = yi) =
{1 yi = yi
0 yi �= yi
h
∆i
∀i ∈ {1, . . . , N} : kih = 0
kih �= 0 kih = 0
βh
βh
βh
50 GESIS-Schriftenreihe | Band 11
Klaus Pforr
j αij +Xitβ′j
αi
αi
αi
Xm
i kiXm yi
DEXm,yi= (yi|Xi + 1, ki, αi)− (yi|Xi, ki, αi)
=(∑Ti
t=1
∑Jj=1,j �=B δyit,j(Xit + 1)β′
j)∑di∈∆i
(∑Ti
t=1
∑Jj=1,j �=B δdit,j(Xit + 1)β′
j)
−(∑Ti
t=1
∑Jj=1,j �=B δyit,jXitβ
′j)∑
di∈∆i(∑Ti
t=1
∑Jj=1,j �=B δdit,jXitβ
′j)
GESIS-Schriftenreihe | Band 11 51
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
52 GESIS-Schriftenreihe | Band 11
Klaus Pforr
Ti
GESIS-Schriftenreihe | Band 11 53
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
t = 1 t = T
i
(yit, Xit, αi) t
i
si = (si1, . . . , siT )′ sit = 1 t
{(yi, Xi, αi, si)}i=1,...,N
Ti
i∑Ti
t=1 sit = Ti
i j
(yi, Xi, αi)
sitXit
αi
54 GESIS-Schriftenreihe | Band 11
Klaus Pforr
(α, β)d−→ N
((α, β),
− ( i(α, β))−1
N
)
βd−→ N
(β,
− ( i(β))−1
N
)
(α, β) β
β
f∗y|X,β
∗(β)
β =β
∗(β)
GESIS-Schriftenreihe | Band 11 55
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β∗ �= β
βp−→ β∗ �= β
βd−→ N
(β∗,
−(
i(β∗))−1 (
i(β∗)′ i(β
∗))−
(i(β
∗))−1
N
)
− ( i(β∗)) =
1
N
N∑
i=1
∂2 ℓ∗i (β)
∂β′∂β
∣∣∣∣β
i(β∗)
(i(β
∗)′ i(β∗))=
1
N
N∑
i=1
∂ℓ∗i (β)
∂β′
∂ℓ∗i (β)
∂β
∣∣∣∣β
β
β
f∗y|X,β
fy
=
( (fy
f∗y|X,β
))
f∗
f β
β
( (fy
f∗y|X,β
))=
( (fy
f∗y|X,β
))
56 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β
fyi|Xi
fyi|Xi=
Ti∏
t=1
fyit|Xit
∑Ti
yit αi
yi
GESIS-Schriftenreihe | Band 11 57
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
j j Xj = X
βj
B
βB = 0
t
y∗j
y∗j = αj +Xβ′j + ǫj
58 GESIS-Schriftenreihe | Band 11
Klaus Pforr
S
C j
y∗j = αj + Sβ′j + Cjγ
′ + ǫj
βB
CB = 0
Xβ′
(y = j) =(αj + S(βj − βB)
′ + (Cj − CB)γ′)
1 +∑
k �=B (αk + S(βk − βB)′ + (Cj − CB)γ′)j �= B
(y = B) =1
1 +∑
k �=B (αk + S(βk − βB)′ + (Cj − CB)γ′)
βB = 0 CB = 0
αj + Sβ′j + Cjγ
′
S C
GESIS-Schriftenreihe | Band 11 59
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
S
C
C
j �= B
B Cj−CB
γ
γ1 = γ2 = · · · = γJ
γB = 0
(y = j) =(αj + (C1 − CB)γ
′ + (C2 − CB)γ′ + · · ·+ (CJ − CB)γ
′)
1 +∑
k �=B (αk +∑J
l=1 (Cl − CB)γ′)
60 GESIS-Schriftenreihe | Band 11
Klaus Pforr
C
J−1 C1−CB CJ −CB
1
C2 − C1 C3 − C1
1 2 10− 5 = 5 7− 5 = 22 1 3− 4 = −1 10− 4 = 63 2 5− 1 = 4 7− 1 = 6
K1 KJ
S
K1 K2 K3 S K1S K2S K3S
K1S K2S K3S
γK1S γK2S γK3S
GESIS-Schriftenreihe | Band 11 61
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
62 GESIS-Schriftenreihe | Band 11
Klaus Pforr
yi1 = yi2 fαi|Xiαi
(yit = 1|Xit, αi) yit = 1t = 1, 2 yit = 0 t = 1, 2 yit
t αi
β
αij
j
αij = ∞
j αij = −∞
α
GESIS-Schriftenreihe | Band 11 63
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
X
α
α
ǫ
α
64 GESIS-Schriftenreihe | Band 11
Klaus Pforr
y∗
y
y αj + Xβ′j
αij
αj +Xβ′j
y∗j
zi
yi = α+Xiβ′ + zi + ǫi
= α+Xiβ′ + (zi + ǫi)
GESIS-Schriftenreihe | Band 11 65
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
fy|X = fǫz
(zi + ǫi)
β z
αi
66 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 67
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
68 GESIS-Schriftenreihe | Band 11
Klaus Pforr
x f(x) = x/ (x)
x
ƒ(x)=x/exp(x)
ƒ′(x)=(1−x)/exp(x)
−0,5
0,0
0,5
1,0
0 1 2 3
x
x = 1
f ′(x) = (1 − x)/ (x)
x0 x0 = 0
f ′(x) β0
T (x0) = f ′(x0) + f ′′(x0)(x− x0)
=1− x0
(x0)+
x0 − 2
(x0)(x− x0)
= −2x+ 1
GESIS-Schriftenreihe | Band 11 69
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
T (x0) x1
x1 = 1/2 T (x1)
f ′(x) x1
T (x1) = f ′(x1) + f ′′(x1)(x− x1)
=1− x1
(x1)+
x1 − 2
(x1)(x− x1)
=1
2 (1/2)−
3
2 (1/2)(x− 1/2)
=
(−
3
2x+
5
4
) (1
2
)
x0 x1 x2
ƒ(x)=x/exp(x)
ƒ′(x)=(1−x)/exp(x)
T(x0)=−2x+1 T(x1)=(−1,5x+1,25)exp(1/2)−0,5
0,0
0,5
1,0
0 1 2 3
x
r xr+1
xr+1 = xr −f ′(xr)
f ′′(xr)
(β) = ( ℓi(β)) (β)
70 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β
(β)
βjm
(β)
(β) =∂ (β)
∂β=
�∂ (β)
∂β1, . . . ,
∂ (β)
∂βB−1,∂ (β)
∂βB+1, . . . ,
∂ (β)
∂βJ
�
=
�∂ (β)
∂β11, . . . ,
∂ (β)
∂βB−1,M,
∂ (β)
∂βB+1,1, . . . ,
∂ (β)
∂βJM
�
(β)
β0
β0 = (β110, . . . , βB−1,M 0, βB+1,10, . . . , βJM 0) = (0, . . . , 0)
r βr+1
βr+1 = βr − (βr)−1 (βr)
′
(βr)
(β) =∂ (β)
2
∂β′∂β
=
∂ (β)2
∂β′1∂β1
. . .∂ (β)2
∂β′1∂βB−1
∂ (β)2
∂β′1∂βB+1
. . .∂ (β)2
∂β′1∂βJ
∂ (β)2
∂β′B−1
∂β1. . .
∂ (β)2
∂β′B−1
∂βB−1
∂ (β)2
∂β′B−1
∂βB+1. . .
∂ (β)2
∂β′B−1
∂βJ
∂ (β)2
∂β′B+1
∂β1. . .
∂ (β)2
∂β′B+1
∂βB−1
∂ (β)2
∂β′B+1
∂βB+1. . .
∂ (β)2
∂β′B+1
∂βJ
∂ (β)2
∂β′J∂β1
. . .∂ (β)2
∂β′J∂βB−1
∂ (β)2
∂β′J∂βB+1
. . .∂ (β)2
∂β′J∂βJ
=
∂ (β)2
∂β11∂β11. . .
∂ (β)2
∂β11∂βB−1,M
∂ (β)2
∂β11∂βB+1,1. . .
∂ (β)2
∂β11∂βJM
∂ (β)2
∂βB−1,M∂β11. . .
∂ (β)2
∂βB−1,M∂βB−1,M
∂ (β)2
∂βB−1,M∂βB+1,1. . .
∂ (β)2
∂βB−1,M∂βJM
∂ (β)2
∂βB+1,1∂β11. . .
∂ (β)2
∂βB+1,1∂βB−1,M
∂ (β)2
∂βB+1,1∂βB+1,1. . .
∂ (β)2
∂βB+1,1∂βJM
∂ (β)2
∂βJM∂β11. . .
∂ (β)2
∂βJM∂βB−1,M
∂ (β)2
∂βJM∂βB+1,1. . .
∂ (β)2
∂βJM∂βJM
GESIS-Schriftenreihe | Band 11 71
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
(βr)−1 (βr)
′
βr
βr+1
(β)
ℓi(β) i
(β) = ( ℓi(β)) = 1/N∑N
i=1 ℓi(β)
(β) = ( i(β)) =
1/N∑N
i=1 ( i(β)) (β) = ( i(β)) = 1/N∑N
i=1 ( i(β))
˜(β) =∑N
i=1 ℓi(β)
1/N
72 GESIS-Schriftenreihe | Band 11
Klaus Pforr
1/N
β
2
GESIS-Schriftenreihe | Band 11 73
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
y X
β
βr
(βr) (βr) (βr)
ydX
βr
r βr (βr) (βr)
(βr) βr+1
β
74 GESIS-Schriftenreihe | Band 11
Klaus Pforr
ℓi(β)
i(β)
(β) = ( i(β))
(β) (β)
i
ℓi(β) =(∑Ti
t=1
∑Jj=1,j �=B δyit,jXitβ
′j)∑
di∈∆i(∑Ti
t=1
∑Jj=1,j �=B δdit,jXitβ
′j)
ℓi(β) =
Ti∑
t=1
J∑
j=1,j �=B
δyit,jXitβ′j −
∑
di∈∆i
(
Ti∑
t=1
J∑
j=1,j �=B
δdit,jXitβ′j)
ℓi(β)
i
i
i(β) =∂ ℓi(β)
∂β
=
(∂ ℓi(β)
∂β1, . . . ,
∂ ℓi(β)
∂βB−1,∂ ℓi(β)
∂βB+1, . . . ,
∂ ℓi(β)
∂βJ
)
=
(∂ ℓi(β)
∂β11, . . . ,
∂ ℓi(β)
∂βB−1,M,∂ ℓi(β)
∂βB+1,1, . . . ,
∂ ℓi(β)
∂βJM
)
GESIS-Schriftenreihe | Band 11 75
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
ℓi(β) i
βjm
∂ ℓi(β)
∂βjm
=
Ti∑
t=1
δyit,jxitm
−
∑di∈∆i
((∑Ti
t=1 δdit,jxitm) (∑Ti
t=1
∑Jj=1,j �=B δdit,jXitβ
′j))
∑di∈∆i
(∑Ti
t=1
∑Jj=1,j �=B δdit,jXitβ
′j)
( i(β))
(β) (J − 1)M × (J − 1)M
(β) =
(∂ (β)
2
∂βjm∂βlk
)=
(∂
(ℓi(β)
)2
∂βjm∂βlk
)=
( (∂ ℓi(β)
2
∂βjm∂βlk
))
ℓi(β)
βmj βlk
(∂ ℓi(β)
2
∂βjm∂βlk
)
=1
N
N∑
i=1
(( ∑
di∈∆i
(( Ti∑
t=1
ditjxitm
) ( Ti∑
t=1
J∑
j=1,j �=B
ditjXitβ′j
))
·∑
di∈∆i
(( Ti∑
t=1
ditlxitk
) ( Ti∑
t=1
J∑
j=1,j �=B
ditjXitβ′j
))/
( ( Ti∑
t=1
J∑
j=1,j �=B
ditjXitβ′j
))2)−
( ∑
di∈∆i
(( Ti∑
t=1
ditjxitm
)
·( Ti∑
t=1
ditlxitk
) ( Ti∑
t=1
J∑
j=1,j �=B
ditjXitβ′j
))/
( ( Ti∑
t=1
J∑
j=1,j �=B
ditjXitβ′j
))))
76 GESIS-Schriftenreihe | Band 11
Klaus Pforr
1N
i di∆i
βmj
=( Ti∑
t=1
J∑
j=1,j �=B
δdit,jXitβ′j
)
=(
11, . . . , B−1,M , B+1,1, . . . , JM
)
=
( Ti∑
t=1
δdit,1xit1, . . . ,
Ti∑
t=1
δdit,B−1xitM ,
Ti∑
t=1
δdit,B+1xit1, . . . ,
Ti∑
t=1
δdit,JxitM
)
i i
βmj
βmj βlk
=
Ti∑
t=1
J∑
j=1,j �=B
δyit,jXitβ′j
=∑
di∈∆i
=(
11, . . . , B−1,M , B+1,1, . . . , JM
)
=
( Ti∑
t=1
δyit,1xit1, . . . ,
Ti∑
t=1
δyit,B−1xitM ,
Ti∑
t=1
δyit,B+1xit1, . . . ,
Ti∑
t=1
δyit,JxitM
)
=(
11, . . . , B−1,M , B+1,1, . . . , JM
)
=∑
di∈∆i
·
GESIS-Schriftenreihe | Band 11 77
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
=
1111 . . . 1,1,B−1,M 1,1,B+1,1 . . . 11JM
B−1,M,1,1 . . . B−1,M,B−1,M B−1,M,B+1,1 . . . B−1,M,J,M
B+1,1,1,1 . . . B+1,1,B−1,M B+1,1,B+1,1 . . . B+1,1,J,M
JM11 . . . J,M,B−1,M J,M,B+1,1 . . . JMJM
=�
di∈∆i
′ ·
ℓi(β)
i(β) (β)
ℓi(β) = − B
(β) = C −D
B
(β) =
� N�
i=1
D′D
B2−
E
B
�
y
X
J
B = 1
78 GESIS-Schriftenreihe | Band 11
Klaus Pforr
2, . . . , J 1
X = (X1, . . . , XM )
GESIS-Schriftenreihe | Band 11 79
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
M
80 GESIS-Schriftenreihe | Band 11
Klaus Pforr
y
= 0 =
1 = 2
βr
ℓi(β)
X
y
−1, 0, 1, 3, 5 B = 1
=
−1 1
0 2
1 0
3 3
5 4
GESIS-Schriftenreihe | Band 11 81
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
J
B = 1
N J M
ℓi(βr)
i(βr)
i(βr)
(J − 1) · M
i(βr)
82 GESIS-Schriftenreihe | Band 11
Klaus Pforr
ℓi(β)
i(β) (β)
yiXi
ℓi(β) i(β) (β)
i
GESIS-Schriftenreihe | Band 11 83
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
∆i i
yi
i
∆i i
yiyi
∆i
yi di
84 GESIS-Schriftenreihe | Band 11
Klaus Pforr
ℓi(β) i
i(β) i(β)
i(β)
GESIS-Schriftenreihe | Band 11 85
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
2
86 GESIS-Schriftenreihe | Band 11
Klaus Pforr
= 1 = 2
= 1 t = 1
t = 2 t = 3
x
t = 1 t = 2
t = 3
GESIS-Schriftenreihe | Band 11 87
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
( it = 1) =(αi + β1 it + β2 it)
1 + (αi + β1 it + β2 it)
88 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 89
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
(2, 082 · 10−17,−1, 540 · 10−15)
(3.219 · 10−19 −1.702 · 10−19
−1.702 · 10−19 6.536 · 10−16
)
N = 4000 T = 5
J = 5
M = 1
x
αj
B = 1 α1 = 0
90 GESIS-Schriftenreihe | Band 11
Klaus Pforr
(x) = (αj) = 0 (x) = (αi) = 1
x,αj= 1
5 αj
α2 αJ x1 xT
α2 α3 α4 α5 x1 x2 x3 x4 x5
α2 1 0 0 0 15
15
15
15
15
α3 0 1 0 0 15
15
15
15
15
α4 0 0 1 0 15
15
15
15
15
α5 0 0 0 1 15
15
15
15
15
x115
15
15
15 1 0 0 0 0
x215
15
15
15 0 1 0 0 0
x315
15
15
15 0 0 1 0 0
x415
15
15
15 0 0 0 1 0
x515
15
15
15 0 0 0 0 1
ǫ
ǫitj
(ǫitj) = γ (ǫitj) =π2
6
x
β1 β2 β5
β1 = 0
β = (β1, β2, β3, β4, β5) =
(0, 1, 2, 3, 4)
y∗itjj
j = 1 : y∗it1 = ǫit1
j �= 1 : y∗itj = αij + βjxit + ǫitj
Fǫ(x) = (− (−x))F−1ǫ (x) = − (− (x))
GESIS-Schriftenreihe | Band 11 91
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
yit
yit = j ⇔k∈{1,...,J}
y∗itk = y∗itj
1
2
3
4
ges
chät
zer
Reg
ress
ion
sko
effi
zien
t
fe2
po
fe3
po
fe4
po
fe5
po
Modelltyp über Alterativen j
92 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 93
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 97
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
98 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 99
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
100 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 101
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
102 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 103
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
104 GESIS-Schriftenreihe | Band 11
Klaus Pforr
Xit
Xi =1
Ti
∑Tit=1
Xit
GESIS-Schriftenreihe | Band 11 105
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
106 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 107
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
(β) (β) (β) (β)
0,051∗∗∗ 0,003∗∗∗ 0,056∗∗∗ 0,005∗∗∗
(0,005) (0,000) (0,006) (0,000)
0,037∗∗∗ 0,001∗∗∗ 0,033∗∗∗ 0,001∗∗∗
(0,005) (0,000) (0,005) (0,000)
0,030∗∗∗ 0,001∗∗∗ 0,040∗∗∗ 0,001∗∗∗
(0,006) (0,000) (0,010) (0,000)
1,418∗∗∗ 1,743∗∗∗ 1,176∗∗∗ 1,132∗∗∗
(0,045) (0,042) (0,035) (0,030)
2 0,983∗∗∗ 0,977∗∗∗ 0,995∗ 1,004(0,003) (0,002) (0,003) (0,002)
3 1,000∗∗∗ 1,000∗∗∗ 1,000 1,000(0,000) (0,000) (0,000) (0,000)
1,353∗∗∗ 1,818∗∗∗ 1,130∗∗ 1,221∗∗∗
(0,040) (0,049) (0,042) (0,041)
108 GESIS-Schriftenreihe | Band 11
Klaus Pforr
(β) (β) (β) (β)
2 0,987∗∗∗ 0,976∗∗∗ 1,001 1,008∗∗
(0,003) (0,002) (0,003) (0,003)
3 1,000∗∗∗ 1,000∗∗∗ 1,000 1,000∗∗∗
(0,000) (0,000) (0,000) (0,000)
1,354∗∗∗ 1,962∗∗∗ 1,137∗ 1,206∗∗∗
(0,070) (0,109) (0,074) (0,067)
2 0,985∗∗ 0,965∗∗∗ 1,000 1,007(0,005) (0,005) (0,006) (0,005)
3 1,000∗ 1,001∗∗∗ 1,000 1,000(0,000) (0,000) (0,000) (0,000)
0,632∗∗∗ 0,524∗∗∗ 0,767∗∗ 0,536∗∗∗
(0,055) (0,067) (0,071) (0,079)
0,556∗∗∗ 0,317∗∗∗ 0,694∗∗∗ 0,395∗∗∗
(0,041) (0,031) (0,055) (0,042)
0,189∗∗∗ 0,036∗∗∗ 0,243∗∗∗ 0,065∗∗∗
(0,020) (0,005) (0,029) (0,009)
1,121 1,056 0,998 1,224∗
(0,160) (0,095) (0,122) (0,114)
0,913 0,753∗∗ 0,838 0,863(0,139) (0,079) (0,121) (0,090)
0,568∗∗∗ 0,278∗∗∗ 0,463∗∗∗ 0,298∗∗∗
(0,084) (0,025) (0,067) (0,029)
1,271 0,740∗ 1,573∗ 1,730∗∗∗
(0,264) (0,092) (0,314) (0,221)
0,921 0,715 0,469∗ 0,265∗∗∗
(0,350) (0,134) (0,160) (0,049)
1,286 1,593∗∗
(0,188) (0,260)
1,344 1,314(0,247) (0,288)
1,964∗∗∗ 2,212∗∗∗
(0,285) (0,360)
0,747 0,923(0,185) (0,248)
1,822∗∗ 1,915∗∗
(0,336) (0,393)
3,320∗∗∗ 2,595∗∗∗
(0,657) (0,567)
1,082 0,696∗∗
(0,120) (0,083)
GESIS-Schriftenreihe | Band 11 109
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
(β) (β) (β) (β)
0,949 0,626∗∗∗
(0,119) (0,085)
0,627∗ 0,333∗∗∗
(0,128) (0,067)
0,942 0,706∗∗∗ 1,013 1,008(0,045) (0,021) (0,015) (0,011)
2 1,004 1,020∗∗∗
(0,003) (0,002)
χ2
2
∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
110 GESIS-Schriftenreihe | Band 11
Klaus Pforr
1
0,1
0,01
0,001
0,0001
Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
ein Kind zwei Kinder drei oder mehr Kinder
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
= 0
= 0
0, 004
GESIS-Schriftenreihe | Band 11 111
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
1
0,1
0,01
0,001
0,0001
Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
ein Kind zwei Kinder drei oder mehr Kinder
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
112 GESIS-Schriftenreihe | Band 11
Klaus Pforr
(β) (β) (β) (β)
0,005∗∗∗ 0,013∗∗∗ 0,085∗∗∗ 0,005∗∗∗
(0,001) (0,003) (0,030) (0,002)
0,002∗∗∗ 0,003∗∗∗ 0,054∗∗∗ 0,001∗∗∗
(0,001) (0,001) (0,022) (0,000)
0,002∗∗∗ 0,008∗∗∗ 0,023∗∗∗ 0,002∗∗∗
(0,001) (0,004) (0,013) (0,001)
1,687∗∗∗ 1,131 1,847∗∗∗ 1,392∗∗∗
(0,104) (0,074) (0,151) (0,107)
2 0,978∗∗∗ 1,004 0,969∗∗∗ 0,995(0,005) (0,005) (0,006) (0,006)
3 1,000∗∗ 1,000 1,000∗∗ 1,000(0,000) (0,000) (0,000) (0,000)
1,753∗∗∗ 1,126 1,997∗∗∗ 1,473∗∗∗
(0,119) (0,096) (0,170) (0,147)
2 0,980∗∗∗ 1,016∗ 0,963∗∗∗ 1,003(0,006) (0,007) (0,007) (0,009)
3 1,000∗ 1,000∗ 1,001∗∗∗ 1,000(0,000) (0,000) (0,000) (0,000)
1,775∗∗∗ 0,971 1,840∗∗∗ 1,293(0,242) (0,139) (0,290) (0,229)
2 0,971∗ 1,023 0,964∗ 1,002(0,014) (0,013) (0,016) (0,018)
3 1,001 0,999 1,001 1,000(0,000) (0,000) (0,000) (0,000)
0,443∗ 0,608 0,420 0,444(0,172) (0,262) (0,269) (0,207)
0,633 0,508∗ 1,302 0,612(0,192) (0,165) (0,527) (0,221)
0,029∗∗∗ 0,103∗∗∗ 0,057∗∗∗ 0,064∗∗∗
(0,012) (0,047) (0,043) (0,031)
1,005 1,054 1,031 1,066(0,290) (0,330) (0,526) (0,361)
0,561 0,654 0,783 0,651(0,177) (0,201) (0,399) (0,229)
0,239∗∗∗ 0,315∗∗∗ 0,372∗ 0,233∗∗∗
(0,062) (0,089) (0,167) (0,072)
0,686 1,937 0,327∗ 1,559(0,237) (0,686) (0,175) (0,630)
GESIS-Schriftenreihe | Band 11 113
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
(β) (β) (β) (β)
0,558 0,274∗∗ 2,767 0,341(0,267) (0,134) (2,137) (0,202)
0,801∗∗ 1,026 0,899 0,954(0,063) (0,028) (0,107) (0,096)
2 1,013∗ 1,004 1,004(0,006) (0,008) (0,007)
χ2
2
∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
114 GESIS-Schriftenreihe | Band 11
Klaus Pforr
1
0,1
0,01
0,001
0,0001
Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
ein Kind zwei Kinder drei oder mehr Kinder
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
1
0,1
0,01
0,001
0,0001
Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
ein Kind zwei Kinder drei oder mehr Kinder
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
GESIS-Schriftenreihe | Band 11 115
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
116 GESIS-Schriftenreihe | Band 11
Klaus Pforr
10
1
0,1
0,01
0,001
Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des Kindes (Jahre)
ORvollzeit vs. erwerbslos(1 Kind vs. kinderlos)
ORteilzeit vs. erwerbslos(1 Kind vs. kinderlos)
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
10
1
0,1
0,01
0,001Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
ORvollzeit vs. erwerbslos(2 Kinder vs. kinderlos)
ORteilzeit vs. erwerbslos(2 Kinder vs. kinderlos)
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
GESIS-Schriftenreihe | Band 11 117
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
10
1
0,1
0,01
0,001Od
ds
Rat
io (
log
. Sk
ala)
0 2 4 6 8 10 12 14 16 18 20
Alter des Kindes (Jahre)
ORvollzeit vs. erwerbslos(3+ Kinder vs. kinderlos)
ORteilzeit vs. erwerbslos(3+ Kinder vs. kinderlos)
Anmerkung: Konfidenzintervalle berechnet in Anlehnung an Brambor et al. (2006).
118 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 119
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
120 GESIS-Schriftenreihe | Band 11
Klaus Pforr
0,0
0,2
0,4
0,6
0,8
1,0W
ahrs
chei
nli
chk
eit
0 2 4 6 8 10 12 14 16 18 20
Alter des Kindes (Jahre)
Nicht erwerbstätig Teilzeit Vollzeit
Anmerkung: Pr(vollzeit|kinderlos)=0,68 Pr(teilzeit|kinderlos)=0,09Pr(nicht erwerbstätig|kinderlos)=0,22
0,0
0,2
0,4
0,6
0,8
1,0
Wah
rsch
ein
lich
kei
t
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
Nicht erwerbstätig Teilzeit Vollzeit
Anmerkung: Pr(vollzeit|kinderlos)=0,68 Pr(teilzeit|kinderlos)=0,09Pr(nicht erwerbstätig|kinderlos)=0,22
GESIS-Schriftenreihe | Band 11 121
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
0,0
0,2
0,4
0,6
0,8
1,0W
ahrs
chei
nli
chk
eit
0 2 4 6 8 10 12 14 16 18 20
Alter des jüngsten Kindes (Jahre)
Nicht erwerbstätig Teilzeit Vollzeit
Anmerkung: Pr(vollzeit|kinderlos)=0,68 Pr(teilzeit|kinderlos)=0,09Pr(nicht erwerbstätig|kinderlos)=0,22
122 GESIS-Schriftenreihe | Band 11
Klaus Pforr
αi∑t yit
α
αi αi
fα|Xfα|X
x
x{t=1,2,3}
(xt, xt−1){t=2,3}
(xt, xt−1, xt+1){t=2}
GESIS-Schriftenreihe | Band 11 123
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 125
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
126 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 127
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
128 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 129
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
130 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 131
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
132 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 133
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
( it = )
( it �= )= αi + β it + ǫit
( it = )
( it �= )
= αi + β ( it − i,t−1) + ǫit
it − i,t−1
(yit = j)
(yit �= j)
= αij + βj1xit + ǫitj
βj1
xt
(−βj1xi,t−1 + βj1xi,t−1)
= αij + βj1xit − βj1xi,t−1 + βj1xi,t−1 + ǫitj
= αij + βj1(xit − xi,t−1) + βj1xi,t−1 + ǫitj
134 GESIS-Schriftenreihe | Band 11
Klaus Pforr
(yit = j)
(yit �= j)
= αij + βj1xit + βj2xi,t−1 + ǫitj
βj2
xt−1
βj1 β∗j − βj2
= αij + (β∗j − βj2)xit + βj2xi,t−1 + ǫitj
= αij + β∗j xit − βj2xit + βj2xi,t−1 + ǫitj
βj2
= αij + β∗j xit + (−βj2)(xit − xi,t−1) + ǫitj
βj1xi,t−1
β∗j xit
ǫ
βj1 = 0
(xit − xi,t−1) ⊥ xi,t−1
β∗j = 0
(xit − xi,t−1) ⊥ xit
GESIS-Schriftenreihe | Band 11 135
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
136 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β
→−0,81 −0,09 −0,02(−0,14) (−0,24)
→0,06 −0,07 0,22(0,80) (−0,57) (0,40)
→0,22 0,08 −1,11(0,74) (0,17) (−0,18)
→0,06 −0,04 0,56(0,13) (−0,10)
→0,71+ −0,07 0,16(1,74) (−0,15) (0,03)
→−0,28 0,38 −0,73(−1,35) (0,09) (−0,16)
→−0,27 0,23 −0,19(−1,40) (1,12) (−0,51)
→−0,65 −0,09 0,10(−0,80) (−0,47) (0,02)
→−0,21∗∗ −0,32+ 0,59(−3,19) (−1,65) (1,36)
→0,03 −0,14 0,49(0,11) (−0,29) (0,64)
→0,00 0,45 0,13(0,00) (1,29) (0,03)
→0,04 0,15 −0,59∗∗
(0,26) (0,81) (−2,83)
0,17+ −0,26 −0,04(1,73) (−1,41) (−0,22)
−0,21 0,20 0,01(−1,43) (0,94) (0,06)
0,08 −0,11 0,47∗
(0,32) (−0,54) (2,26)
0,20 0,06 −0,41(0,74) (0,30) (−1,32)
0,11 0,03 −0,02(0,61) (0,26) (−0,10)
0,40+ 0,09 0,28(1,87) (0,70) (1,38)
0,42∗∗ 0,14 −0,06(2,62) (0,93) (−0,26)
0,15 0,18 0,30(0,91) (1,30) (1,01)
GESIS-Schriftenreihe | Band 11 137
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β β β
−0,02 −0,11 0,07(−0,12) (−0,71) (0,28)
χ2
2
+ p < 0,1 ∗ p < 0,05 ∗∗ p < 0,01
138 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β
→−0,67∗∗ −0,02 0,00(−2,83) (−0,12) (0,01)
→−0,13 −0,08 0,08(−1,34) (−0,95) (0,48)
→0,47∗ −0,16 −0,66∗
(2,53) (−0,82) (−2,12)
→0,14 −0,01 0,09(0,60) (−0,05) (0,24)
→0,60∗∗ −0,34∗ 0,48(2,84) (−2,27) (1,50)
→0,05 0,28 −0,09(0,28) (1,52) (−0,34)
→−0,11 0,07 −0,05(−1,15) (0,80) (−0,30)
→−0,24 0,30+ 0,14(−1,27) (1,86) (0,46)
→−0,09 −0,11 0,30∗
(−1,41) (−1,50) (2,30)
→−0,13 0,15 0,66∗
(−0,74) (0,73) (2,01)
→−0,27+ 0,42∗∗ −0,10(−1,70) (2,79) (−0,37)
→0,04 −0,07 −0,42∗∗∗
(0,59) (−0,99) (−3,59)
GESIS-Schriftenreihe | Band 11 139
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β β β
0,16∗∗ −0,19∗ −0,12(2,73) (−2,39) (−1,11)
−0,12∗ 0,10 0,10(−1,98) (1,25) (0,85)
0,30∗∗∗ 0,23∗ 0,37∗∗
(3,56) (2,33) (3,08)
−0,04 0,09 −0,10(−0,43) (0,80) (−0,83)
0,03 −0,02 0,14(0,46) (−0,25) (1,64)
0,18∗∗ 0,27∗∗∗ 0,17+
(2,92) (3,83) (1,78)
0,17∗ 0,15 −0,19(2,22) (1,60) (−1,53)
0,35∗∗∗ 0,03 0,28∗
(4,70) (0,29) (2,30)
−0,02 −0,04 0,05(−0,30) (−0,58) (0,53)
χ2
2
+ p < 0,1 ∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
140 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β β β
→−0,64∗∗ −0,15 0,41 −0,07 −0,07(−2,62) (−0,84) (1,07)(−0,19) (−0,15)
→−0,13 −0,06 −0,42+ 0,06 −0,09(−1,33) (−0,61) (−1,74) (0,33) (−0,36)
→0,37+ −0,11 −0,11 −0,52 0,54(1,92) (−0,52) (−0,23)(−1,63) (0,91)
GESIS-Schriftenreihe | Band 11 141
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β β β β β
→0,09 0,09 −0,47 0,03 −0,09(0,36) (0,52) (−1,11) (0,08) (−0,17)
→0,64∗∗ −0,27+ −0,23 0,59+ −0,19(2,90) (−1,71) (−0,64) (1,79) (−0,29)
→−0,02 0,32+ −0,36 −0,21 −0,37(−0,13) (1,67) (−0,73)(−0,71) (−0,67)
→−0,14 −0,03 0,56∗ −0,09 −0,55∗
(−1,45) (−0,31) (2,45)(−0,51) (−2,29)
→−0,22 0,21 0,71+ 0,04 −0,20(−1,14) (1,21) (1,88) (0,14) (−0,37)
→−0,06 −0,11 −0,09 0,27∗ 0,17(−0,95) (−1,37) (−0,38) (2,06) (0,99)
→−0,04 0,19 −0,40 0,67∗ −0,60(−0,22) (0,89) (−0,77) (2,00) (−1,15)
→−0,29+ 0,44∗∗ 0,88∗ −0,14 0,66(−1,70) (2,69) (1,97)(−0,53) (1,52)
→0,01 −0,09 0,13 −0,41∗∗∗ 0,13(0,14) (−1,25) (0,58)(−3,34) (0,77)
0,16∗∗ −0,12 −0,50∗ −0,05 0,44∗∗
(2,58) (−1,45) (−2,04)(−0,48) (2,94)
−0,11+ 0,05 0,10 0,05 −0,29+
(−1,78) (0,63) (0,40) (0,45) (−1,90)
0,39∗∗∗ 0,31∗∗ 0,30 0,53∗∗∗ 0,27(4,50) (2,82) (1,38) (4,28) (1,18)
−0,10 0,05 0,25 −0,15 −0,67(−0,90) (0,44) (1,00)(−1,16) (−1,64)
0,05 −0,02 0,29 0,18∗ 0,14(0,81) (−0,25) (1,38) (2,03) (1,00)
0,24∗∗∗ 0,31∗∗∗ 0,42∗ 0,26∗∗ −0,01(3,73) (4,13) (2,46) (2,65) (−0,06)
0,16∗ 0,18+ −0,28 −0,12 −0,30(2,03) (1,85) (−0,99)(−0,94) (−1,23)
0,42∗∗∗ 0,08 0,37 0,45∗∗∗ 0,36(5,45) (0,89) (1,36) (3,59) (1,51)
142 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β β β
−0,01 −0,09 0,54∗∗ 0,07 0,34+
(−0,14) (−1,33) (2,72) (0,79) (1,90)
χ2
2
+ p < 0,1 ∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
= (0,64)
= 1/ (−0,27)
GESIS-Schriftenreihe | Band 11 143
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
144 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β β β
→−0,03 −0,06 −0,00 0,05 0,01(−0,38) (−0,79) (−0,01) (0,41) (0,06)
→0,08 0,16 0,19 0,08 0,07(0,72) (1,40) (0,82) (0,44) (0,31)
→0,01 0,05 −0,33 −0,04 0,03(0,15) (0,65) (−1,39)(−0,25) (0,18)
→0,05 0,11 0,08 0,10 −0,06(0,62) (1,45) (0,52) (0,85) (−0,42)
→0,16 0,06 −0,00 −0,42 −0,62∗
(1,06) (0,36) (−0,01)(−1,53) (−2,50)
→0,09 −0,03 0,12 −0,42∗ −0,07(1,01) (−0,38) (0,44)(−2,17) (−0,44)
→−0,08 0,11 −0,28 0,21 0,16(−0,79) (0,96) (−1,25) (1,30) (0,81)
→0,11 −0,07 0,05 −0,37 −0,38(0,72) (−0,45) (0,15)(−1,45) (−1,38)
→−0,07 0,09 0,23 −0,13 0,02(−0,52) (0,66) (0,59)(−0,55) (0,07)
→−0,01 −0,21∗∗ 0,10 0,11 0,01(−0,13) (−2,72) (0,46) (0,83) (0,08)
→−0,16∗ 0,02 0,22 −0,24 −0,19(−2,04) (0,20) (0,84)(−1,33) (−1,25)
→0,03 −0,26∗ −0,31 0,13 0,08(0,23) (−2,05) (−0,88) (0,66) (0,38)
0,10∗∗∗ −0,03 −0,30∗∗∗ 0,24∗∗∗ 0,11∗
(3,43) (−0,91) (−3,95) (4,60) (1,96)
−0,10∗ −0,11∗ 0,31∗ −0,11 −0,10(−2,57) (−2,37) (2,53)(−1,54) (−1,21)
0,55∗∗∗ 0,43∗∗∗ 0,59∗∗ 0,50∗∗∗ 0,17(6,95) (4,62) (3,10) (4,65) (1,19)
0,16∗ 0,20∗ 0,08 0,20∗ −0,23(2,05) (2,42) (0,52) (2,28) (−1,51)
GESIS-Schriftenreihe | Band 11 145
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β β β β β
−0,02 0,15∗∗ 0,38∗∗ 0,15∗ 0,00(−0,50) (3,16) (3,21) (2,15) (0,00)
0,30∗∗∗ 0,08 0,16 0,13 0,04(3,50) (0,85) (0,82) (1,18) (0,27)
0,11 0,12 0,25 0,09 −0,08(1,53) (1,47) (1,21) (0,77) (−0,59)
0,34∗∗∗ 0,16∗ 0,15 0,31∗∗ −0,13(5,18) (2,16) (0,79) (2,91) (−1,05)
−0,05 0,02 0,15 0,07 −0,06(−1,03) (0,43) (1,16) (1,00) (−0,59)
χ2
2
+ p < 0,1 ∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
146 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 147
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
148 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 149
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
150 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 151
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 153
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
154 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 155
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
GESIS-Schriftenreihe | Band 11 159
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
160 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 161
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
162 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 163
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
164 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 165
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
166 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 167
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
168 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 169
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β β β
→−0,80∗∗∗ −0,02∗∗∗ 0,08∗∗∗
(−278,70) (−12,36) (20,40)
→−0,07∗∗∗ 0,15∗∗∗ 0,20∗∗∗
(−69,19) (162,29) (119,35)
→0,26∗∗∗ 0,29∗∗∗ −0,99∗∗∗
(165,57) (146,65) (−306,29)
→0,17∗∗∗ −0,03∗∗∗ 0,16∗∗∗
(69,42) (−15,38) (39,46)
→0,95∗∗∗ −0,23∗∗∗ 0,30∗∗∗
(371,90) (−149,89) (90,30)
→−0,32∗∗∗ 0,53∗∗∗ −0,81∗∗∗
(−175,34) (292,30) (−319,94)
→−0,15∗∗∗ 0,02∗∗∗ −0,15∗∗∗
(−148,34) (17,46) (−87,94)
→−0,77∗∗∗ −0,00+ 0,11∗∗∗
(−352,22) (−1,65) (34,08)
→−0,17∗∗∗ −0,19∗∗∗ 0,32∗∗∗
(−240,05) (−242,62) (236,82)
→−0,02∗∗∗ −0,20∗∗∗ 0,79∗∗∗
(−11,37) (−89,24) (195,18)
→0,04∗∗∗ 0,34∗∗∗ 0,27∗∗∗
(23,14) (200,90) (109,18)
→0,12∗∗∗ 0,10∗∗∗ −0,51∗∗∗
(167,71) (132,32) (−413,82)
0,16∗∗∗ −0,26∗∗∗ −0,01∗∗∗
(222,01) (−295,41) (−6,84)
−0,18∗∗∗ 0,20∗∗∗ −0,02∗∗∗
(−258,90) (222,95) (−19,14)
0,12∗∗∗ −0,06∗∗∗ 0,46∗∗∗
(122,52) (−64,20) (366,61)
0,17∗∗∗ 0,05∗∗∗ −0,38∗∗∗
(175,96) (39,84) (−392,58)
0,11∗∗∗ 0,02∗∗∗ −0,04∗∗∗
(182,49) (30,45) (−48,92)
0,36∗∗∗ 0,15∗∗∗ 0,29∗∗∗
(629,15) (248,92) (325,70)
0,39∗∗∗ 0,10∗∗∗ −0,03∗∗∗
(472,09) (110,02) (−22,99)
0,21∗∗∗ 0,12∗∗∗ 0,31∗∗∗
(259,29) (132,45) (245,98)
170 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β
−0,03∗∗∗ −0,11∗∗∗ 0,07∗∗∗
(−47,84) (−169,11) (77,04)
χ2
2
∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
GESIS-Schriftenreihe | Band 11 171
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
β β β
→−0,04 0,03 −0,02(−0,71) (0,62) (−0,19)
→0,12 0,19∗ −0,04(1,56) (2,52) (−0,38)
→0,01 −0,09 −0,11(0,24) (−1,55) (−1,07)
→0,09+ 0,07 0,04(1,69) (1,38) (0,45)
→0,07 0,12 −0,29+
(0,67) (1,29) (−1,65)
→0,21∗∗∗ −0,11+ −0,30∗
(3,68) (−1,87) (−2,26)
→−0,16∗ 0,01 0,25∗
(−2,27) (0,18) (2,28)
→0,09 −0,20∗ −0,40∗
(0,83) (−2,08) (−2,30)
→0,01 −0,03 −0,05(0,13) (−0,32) (−0,35)
→−0,02 −0,10+ 0,05(−0,41) (−1,93) (0,52)
→−0,17∗∗ 0,17∗∗ −0,34∗∗
(−3,26) (2,84) (−2,83)
→0,07 −0,10 −0,01(0,85) (−1,20) (−0,06)
0,06∗∗∗ −0,09∗∗∗ 0,15∗∗∗
(3,35) (−4,65) (4,44)
−0,09∗∗∗ −0,02 −0,12∗∗
(−3,59) (−0,61) (−2,58)
0,53∗∗∗ 0,47∗∗∗ 0,38∗∗∗
(9,80) (7,78) (5,06)
0,14∗∗ 0,16∗∗ 0,14∗
(2,87) (3,02) (2,35)
0,06+ 0,20∗∗∗ 0,08(1,88) (6,38) (1,59)
0,20∗∗∗ 0,09 0,10(3,58) (1,60) (1,38)
0,07 0,18∗∗∗ −0,11(1,42) (3,31) (−1,40)
0,27∗∗∗ 0,07 0,36∗∗∗
(6,18) (1,46) (4,92)
172 GESIS-Schriftenreihe | Band 11
Klaus Pforr
β β β
−0,02 0,06+ 0,09+
(−0,51) (1,74) (1,77)
χ2
2
∗ p < 0,05 ∗∗ p < 0,01 ∗∗∗ p < 0,001
GESIS-Schriftenreihe | Band 11 173
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
174 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 175
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
176 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 177
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
178 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 179
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
180 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 181
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
182 GESIS-Schriftenreihe | Band 11
Klaus Pforr
GESIS-Schriftenreihe | Band 11 183
Implementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Schr
iften
reih
e
Schriftenreihe
ISBN 978-3-86819-020-5ISSN 1869-2869
19,- EUR
Band 11
fem
logi
tBa
nd 1
1
femlogitImplementation und Anwendung der multinominalen logistischen Regression mit „fixed effects“
Klaus Pforr
Fixed-effects-Modelle sind zu einem wichtigen Werkzeug der Kausalanalyse geworden, da sie die Kontrolle von un-beobachteter Heterogenität ermöglichen. Bis heute wurden fixed-effects-Modelle für kontinuierliche und dichotome abhängige Variablen entwickelt und für viele Statistikpakete implementiert. Für multinominale abhängige Variable wurde von Chamberlain (1980) ein solches Modell entwickelt, es liegt aber keine allgemein anwendbare Umsetzung vor. Die vorliegende Arbeit schließt diese Forschungslücke mit der ersten Umsetzung des Modells von Chamberlain in einem weitverbreiteten Statistikpaket (Stata). Die Anwendbarkeit wird durch Erweiterungen der Arbeiten von Schröder (2010) im Bereich der Familiensoziologie und Kohler (2005) im Bereich der politischen Soziologie gezeigt.
Fixed effects models have become a prime tool for causal analysis, as they allow to control for unobserved hetero-geneity. As of today, fixed effects models have been derived and implemented for many statistical software packages for continuous, dichotomous and count-data dependent variables. For multinomial categorical dependent variables such a model has been derived in a seminal paper by Chamberlain (1980), but no implementation is available. The dis-sertation on hand closes this research gap by delivering the first implementation of Chamberlain’s model in a widely available statistical package (Stata). Its applicability is shown by extending Schröder’s (2010) work in the sociology of the family and Kohler’s (2005) work in political sociology.