首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何引用stata estout中的滞后相互作用系数?(错误“找不到系数”)

在stata中使用estout命令可以将回归结果导出为表格格式。要引用滞后相互作用系数,需要在estout命令中使用varlabels选项来确保系数的标签显示正确。具体步骤如下:

  1. 首先,确保已经正确估计了包含滞后项和相互作用项的回归模型。
  2. 运行estout命令将回归结果导出为表格。例如,可以使用以下命令导出结果:
  3. 运行estout命令将回归结果导出为表格。例如,可以使用以下命令导出结果:
  4. 这将导出回归系数和标准误差,并使用星号表示显著性水平。varlabels选项确保系数的标签显示在表格中。
  5. 检查生成的表格是否包含滞后相互作用系数的标签。如果标签显示为错误或未找到系数,可能是因为滞后相互作用项的标签未正确定义。
  6. 确保在定义滞后相互作用项时使用了合适的标签。例如,可以使用label命令为滞后项和相互作用项定义标签。例如:
  7. 确保在定义滞后相互作用项时使用了合适的标签。例如,可以使用label命令为滞后项和相互作用项定义标签。例如:
  8. 然后,在回归模型中使用这些标签:
  9. 然后,在回归模型中使用这些标签:
  10. 确保滞后项和相互作用项的标签与定义的标签一致。
  11. 重新运行estout命令导出结果,并检查滞后相互作用项的标签是否正确显示在表格中。

总结起来,引用stata estout中的滞后相互作用系数的关键是确保滞后相互作用项的标签正确定义,并使用varlabels选项导出结果。如果仍然出现"找不到系数"的错误提示,可以检查滞后相互作用项的标签是否正确定义或尝试重新运行回归模型和estout命令。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • Cerebral Cortex:有向脑连接识别帕金森病中广泛存在的功能网络异常

    帕金森病(PD)是一种以大规模脑功能网络拓扑异常为特征的神经退行性疾病,通常通过脑区域间激活信号的无向相关性来分析。这种方法假设大脑区域同时激活,尽管先前的证据表明,大脑激活伴随着因果关系,信号通常在一个区域产生,然后传播到其他区域。为了解决这一局限性,我们开发了一种新的方法来评估帕金森病参与者和健康对照组的全脑有向功能连接,使用反对称延迟相关性,更好地捕捉这种潜在的因果关系。我们的结果表明,通过功能性磁共振成像数据计算的全脑有向连接,与无有向方法相比,识别了PD参与者与对照组在功能网络方面的广泛差异。这些差异的特征是全局效率的提高、聚类和可传递性与较低的模块化相结合。此外,楔前叶、丘脑和小脑的有向连接模式与PD患者的运动、执行和记忆缺陷有关。总之,这些发现表明,与标准方法相比,有向脑连接对PD中发生的功能网络差异更敏感,为脑连接分析和开发跟踪PD进展的新标志物提供了新的机会。

    02

    额叶-小脑连接介导认知加工速度

    加工速度是理解认知的重要概念。本研究旨在控制任务特异性,以了解认知加工速度背后的神经机制。对40名被试执行两种方式(听觉和视觉)和两种水平的任务规则(相容和不相容)的注意任务。block设计的功能磁共振成像在任务过程中捕捉到了BOLD信号。参考公开的用于处理速度的任务激活图,定义了13个感兴趣区域。认知速度是从任务反应时间得出的,这产生了六组连接性测量。混合效应LASSO回归显示,有六条重要路径提示了小脑-额叶网络预测认知速度。其中,3例为长程(2例额叶-小脑,1例小脑-额叶),3例短程(额叶-额叶、小脑-小脑和小脑-丘脑)。长距离的连接可能与认知控制有关,而短距离的连接可能与基于规则的刺激-反应过程有关。揭示的神经网络表明,按照任务规则执行操作,自动性与自上而下努力控制注意力相互作用,解释了认知速度。 1 简述 本研究旨在通过使用一系列简单的视觉和听觉通道的刺激-反应(S-R)映射任务来解决可能的任务相关偏差。这个多任务设计目的是解决上面提到的特定于形态和功能偏向的。箭头任务最初是一种视觉S-R兼容性任务,为了更好地控制所需的感觉运动处理时间,回答涉及到关于所看到或听到的内容的简单反应,箭头任务后来被改编成视觉和听觉形式(图1)。为了减少任务转换效应和交叉试验的不确定性,我们采用了分组设计,而不是与事件相关的设计。此外,我们的目标是解决以前的研究中的方法论缺陷,这些研究利用皮尔逊的相关性和心理生理学相互作用(PPI)来建立基于连接性的模型来预测加工速度。在这项研究中,我们建立了六个连通性指标,包括四个基于多变量的指数,用于进行模型比较。通过将控制任务的反应时与控制感觉运动成分的实验任务的反应时进行回归,构造了一个认知速度变量。功能关联性模型的建立基于混合效应套索回归。据我们所知,本文在该领域首次采用跨通道多任务设计,并比较了6种方法对区域间交互作用辅助处理速度的建模结果。 2 方法 2.1 被试 从当地社区招募了40名年龄在18-28岁的健康年轻人参与研究。他们都有高中或以上学历。最终样本包括35名参与者(21.5±2.1岁,14名女性),其中5名参与者被排除在分析之外。 2.2 处理速度任务 箭头任务被用来测量加工速度。它包括一个双选择S-R映射任务,具有相容(COM)、不相容(INC)和简单RT控制条件(NEU)(图1)。在COM中,参与者在出现向上箭头时按下“向上”按钮,在出现向下箭头时按下“向下”按钮(图1)。在INC中,参与者按下“向上”键表示向下箭头,按“向下”键表示向上箭头。实验涉及参与者在观看一条没有箭头的垂直线时按下任何按钮。因为在这些条件下出现的刺激是视觉图像,所以它们被称为COMVIS、INC-VIS和NEU-VIS。相同条件的听觉版本是COM-AUD、INC-AUD和NEU-AUD,向上箭头、向下箭头和垂直线分别被高音、低音和中音代替。

    01

    IID | 组织特异性蛋白相互作用预测数据库

    在基因的相互作用分析预测方面,我们介绍过 [[STRING-蛋白相互作用数据库使用 | STRING]], [[BioGRID-蛋白,化学物质相互作用数据库 V4.4 | BioGRID]] 更加偏向于蛋白之间的相互作用预测。[[IncAct-基因相互作用分析数据库 | IncAct]] 是一个多组学的预测数据库。而 [[ConsensusPathDB-综合性相互作用分析数据库 | ConsensusPathDB]] 则是一个解释蛋白质-蛋白质、遗传、代谢、信号、基因调控和药物-靶标相互作用的数据库。但是对于基因相互作用而言,在不同的组织和疾病当中调控关系肯定也是不一样的。所以在进行相互作用预测的时候也要基于特定的环境来进行预测。今天就介绍一个基于特定环境预测相互作用关系的数据库:IID: http://iid.ophid.utoronto.ca/ 。

    01

    北理工团队用机器学习分析大鼠在跑步机上“遮目”双足行走

    大数据文摘转载自机器人大讲堂 让大鼠在跑步机上行走,这是要作甚? 受环境因素的影响,如低光环境,动物在行走时可能无法视觉观测到地形的变化,这使得它们需要调整自己的动作来适应不可预测的地形。 随着神经科学的发展,越来越多的研究表明大脑皮层在动物对意外干扰的反应中起着重要作用,但科学家对这一过程中皮层区域之间的功能网络知之甚少。 北理工大鼠实验 为了研究这个问题,北京理工大学的研发团队训练了六只视力受阻的大鼠在跑步机上行走(跑步机上有一个随机的不平坦区域),研究人员记录了大鼠的全脑脑电图信号,并使用相位滞后

    02

    缺氧协调胶质母细胞瘤内髓系细胞的空间分布

    通过测量每个population的聚类系数,研究了髓系细胞在空间上与同类细胞的关联趋势。聚类系数是一种描述网络特性的统计数据,高值表明population形成了紧密相连的cluster,低值表明该群体的细胞在TME中连接弱,聚类更松散。在这一初步分析中,所有的髓系群体都表现出相似的聚类倾向,核心的TAM-Cd68和TAM-Int群体的聚类性明显更高。这些聚类值表明,大多数髓系population在TME中形成小的、弱连接的cluster。由于更丰富的population可能纯粹是偶然聚集在一起,随后修正了区域间population丰度差异的聚类系数。这表明,几乎所有的细胞群都表现出比偶然预期更多的聚集性。值得注意的是,TAM-Supp细胞在边缘显示出明显更密集的聚集。在边缘和核心区之间,聚类模式是保守的。测量分类性(网络中种群与不同种群的同类种群相连接的趋势的描述性统计数据)同样表明,细胞对与同类种群的细胞相连接表现出微弱但积极的偏好,这在边缘和核心区域之间是相似的。总的来说,这些数据表明,不同的髓系细胞群在TME中分离并形成松散的同型cluster,这种分离的生物学驱动因素大多独立于肿瘤边缘或核心的更广泛位置。

    00
    领券