如何获取mvprobit模型的边际效应？联合概率相关技术问询

一、用margins命令获取联合概率的边际效应 #

完全可以通过margins实现，步骤如下：

1. 先拟合你的mvprobit模型（假设协变量为x1、x2、x3）：

   mvprobit (innovation1 = x1 x2 x3) (innovation2 = x1 x2 x3), corr
   

2. 直接用margins结合predict选项计算联合成功/失败概率的边际效应：

   • 联合成功（innovation1=1且innovation2=1）的边际效应：

     margins, dydx(*) predict(pr(1,1))  // 所有协变量的平均边际效应
     margins, dydx(*) predict(pr(1,1)) atmean  // 协变量均值处的边际效应
     

   • 联合失败（innovation1=0且innovation2=0）的边际效应：

     margins, dydx(*) predict(pr(0,0))
     margins, dydx(*) predict(pr(0,0)) atmean
     

   其中dydx(*)表示计算所有协变量的边际效应，替换成具体变量名（如dydx(x1)）可单独计算某一变量的效应。

二、mvppred生成的pall回归分析建议 #

mvppred生成的pall是联合概率相关的预测统计量，直接做回归需注意以下几点：

1. 明确pall的定义
   先确认你执行mvppred时的选项，比如mvppred pall, all会生成多个联合概率的线性预测值或概率值。建议先用predict生成明确的联合概率变量（如p11、p00），替代pall做回归，结果更易解释：

   predict p11, pr(1,1)  // 联合成功概率
   predict p00, pr(0,0)  // 联合失败概率
   

2. 回归模型选择

   • 若用概率值（p11/p00）做因变量，优先考虑线性概率模型（LPM），搭配稳健标准误解决异方差问题：

     reg p11 x1 x2 x3, robust
     

   • 若想捕捉非线性关系，也可尝试probit/logit，但需注意：此时因变量是原模型的预测概率，双重非线性建模可能存在逻辑冗余，需结合研究目的判断合理性。

3. 内生性与解释边界
   若用原mvprobit的协变量对pall/概率变量做回归，结果更多是描述协变量对预测联合概率的线性影响。若原模型未控制所有混杂因素，可能存在内生性偏差，需谨慎解读。

内容的提问来源于stack exchange，提问作者Ma. de las Mercedes Menéndez