1702646957
1702646958
当然，我们也可以针对由数据推导出的约束模型计算BIC：
1702646959
1702646960
BIC3′=1481×ln（1-0.096）+4×ln（1481）=-121.0
1702646961
1702646962
与模型1、模型2、模型3中的任何一个相比，BIC的负值都很大，因此“很强”地建议我们，对这些数据来说，约束模型更好。
1702646963
1702646964
估计BIC的其他方法 即使有一个给定的统计量，也还有其他版本的BIC。我喜欢Raftery的公式，因为它们内在地与基准模型相比较。因此，我编写了一个小的-do-文件-bicreg.do-，按Raftery的原则计算BIC：
1702646965
1702646966
*BICREG.DO（Updated for Stata 7.0 11/11/01.）
1702646967
1702646968
version 7.0
1702646969
1702646970
*Compute BIC from saved results from regression.
1702646971
1702646972
gen bic=e（N）* ln（1-e（r2））+e（df_m）*ln（e（N））
1702646973
1702646974
*Note：BIC is the same for all observations.Thus，I can
1702646975
1702646976
*list BIC for any observation.
1702646977
1702646978
list bic in 1
1702646979
1702646980
drop bic
1702646981
1702646982
在执行回归命令之后马上执行-bicreg-文件。但是，现在Stata 10.0作为事后估计统计量来提供BIC。如不用我的-do-文件而让Stata计算BIC，可以在回归命令之后立刻执行命令-estat ic-。得到的BIC值会与我的不同，但不同模型之间的BIC的差异是一致的——不管是用哪个版本计算的BIC。
1702646983
1702646984
1702646985
1702646986
1702646987
量化数据分析：通过社会研究检验想法 [:1702644763]
1702646988
量化数据分析：通过社会研究检验想法 独立检验
1702646989
1702646990
注意，我说过“对这些数据”而言约束模型是较好的。这是因为我们是通过审查数据而不是从事先的理论假设那儿得到一个新模型。因此，这样做我们会很容易犯错误，即受到抽样误差的影响。要确切地做出选择此约束模型的结论，我们需要证明它对另一个独立数据集来说也是较好的模型。如果样本大小允许，我们可以用一半数据来进行所有探索性分析，然后用其余一半数据再来估计最终模型（和它的竞争模型）。GSS对此想法提供了一个非常好的模拟，因为它在连续几次调查中重复使用相同的问题，并实施同样的抽样步骤。因此，将邻近年份的调查看作来自同一总体的独立样本是合理的，至少对不会在短期内波动的现象来说是可以的。这样做的意义是：我们能够对一年的数据进行所有的探索性分析，然后用前面或后面年份的数据证实我们结论的有效性。
1702646991
1702646992
我们在这里可以用这种方法使用GSS数据，用1973年的GSS数据重新估计赞成堕胎合法的态度的四个模型。如果我们假设赞成堕胎合法的态度在1973年和1974年人口总体之间不发生变化，用1973年的GSS数据重新估计模型，则构成一个更好地对“约束”模型的独立性检验。表6-4显示的是基于1973年数据的所有四个模型的BIC和R2值，以及模型之间的比较值——只要这些是比较有意义以及合适的。事实上，结果与基于1974年数据所得的结果是一样的：按照经典的统计推论准则，模型3比模型1和模型2好；然而，按照BIC准则，模型2比模型3好；按照BIC准则，约束模型是最好的。因此，我们可以得出结论，通过审查数据我们选择的约束模型是有效的。
1702646993
1702646994
表6-4 1973年美国成年人的宗教信仰、受教育年限和接受堕胎之间关系的不同模型的拟合优度统计量（N=1499）
1702646995
1702646996
1702646997
1702646998
1702646999
续表
1702647000
1702647001
1702647002
1702647003
1702647004
1702647005
1702647006