1702648860
1 2 1 1 161
1702648861
1702648862
1 2 1 2 92
1702648863
1702648864
1 2 2 1 157
1702648865
1702648866
1 2 2 2 25
1702648867
1702648868
2 1 1 1 65
1702648869
1702648870
2 1 1 2 162
1702648871
1702648872
2 1 2 1 23
1702648873
1702648874
2 1 2 2 23
1702648875
1702648876
2 2 1 1 197
1702648877
1702648878
2 2 1 2 214
1702648879
1702648880
2 2 2 1 107
1702648881
1702648882
2 2 2 2 32
1702648883
1702648884
接着用下面的命令将数据读入Stata：
1702648885
1702648886
infile a r s c count using knoke.raw，clear
1702648887
1702648888
前面曾提到基准模型［C］［ARS］是对模型［C］［A］［R］［S］［AR］［AS］［RS］［ARS］的缩写，因此，我们需要在模型中识别每一项。因为创建分类变量乘积项的Stata命令-xi-不能创建二维以上的乘积，我们将利用一个用户编写的-ado-命令-desmat-（Hendrickx，1999；2000；2001a；2001b）来识别这些符合要求的变量（详见下载文件“ch12_1.do”和“ch12_1.log”）。同样，因为-glm-不能提供如表12-3中所示的所有系数，并且会产生一个错误的BIC估计（我们曾提到过此问题，-glm-在计算样本数的时候用的是表中单元格的个数，而不是样本中的人数），所以我们编写了一个简单的-do-文件——-gof.do-（针对“拟合优度”），以及一个精简的版本——-gof2.do-来生成这些系数；这些-do-文件也可以在本章的下载文件包中获得。
1702648889
1702648890
-glm-命令可以像Stata中的其他命令一样正常使用，但有一个地方不同：由于-glm-命令可以处理许多种线性模型，所以你必须用-family-选项（表明分布形式）来具体指定你想做的模型类别。这里，我们用“泊松”（Poisson）模型是因为泊松分布适合于因变量“频数”（count）这样的计数变量。在这里，我们具体指定了用泊松分布族（Poisson family）来处理对数线性模型。
1702648891
1702648892
在执行了-glm-命令之后，使用-gof.do-（或-gof2.do-）产生表12-6中第一行所示的系数。然后，我们对A、R和S分别与C的关联模型重复此步骤，但并不使它们的交互项和C相关（也就是所谓的三次交互项），即［ARS］［AC］［RC］［SC］。该模型的系数如表12-6中的最后一行所示（模型8）。显然，所有判别标准都表明此模型对数据拟合得很好，事实上，这也意味着可能还可以使用更简单的模型来拟合数据。为了确定这一点，我们估计了所有的中间模型，从而得出表中其余的系数。
1702648893
1702648894
表12-6 1977年美国成年人对“是否允许共产主义者在您社区演讲”这个问题的态度，与他们的年龄、居住地和受教育程度相关的对数线性模型的拟合优度统计量
1702648895
1702648896
1702648897
1702648898
1702648899
比较这些统计量，我们看到，这些模型没有一个可以恰当地拟合数据。因此，我们将［ARS］［AC］［RC］［SC］作为我们偏好的模型。事实上，年龄、居住地和受教育程度都影响了对共产主义演讲者的态度。为了弄清楚这些影响的程度，我们将从模型中得到的期望频数表转化成表12-7中所示的百分比（有关如何得到这些结果的细节，可参考下载文件“ch12_1.do”和“ch12_1.log”）。表中清楚地显示，在控制了其他变量之后，那些受过更好的教育、较年轻的、居住在南方之外的人更有可能支持共产主义者进社区演讲。在每种比较中，百分比差异都呈现非常明显的相同方向。
1702648900
1702648901
表12-7 1977年美国成年人按照受教育程度、年龄和居住地划分的同意“允许共产主义者在您社区演讲”的期望百分比（根据模型8计算得出）
1702648902
1702648903
1702648904
1702648905
1702648906
这里报告的是30年前的态度，这个时期也是冷战最严峻的时期。判断当代是否有同样的模式会非常有意义。如果用对数线性模型来解决这个问题，你需要根据一些近期的数据（如2006年GSS数据）再构建一个数据集，然后将第二个数据集与第一个数据集合并起来并通过一个变量（T，即“时间”变量）来区分它们，最后判断是否存在时间效应（或时间与任何两个变量关联之间的交互项）。也就是说，你需要估计［ARS］［AC］［RC］［SC］、［ARS］［AC］［RC］［SC］［T］和［ARS］［ACT］［RCT］［SCT］，以及这些模型之间一些可能的中间模型，并且比较它们的拟合优度。如果这些模型都不如［ARS］［AC］［RC］［SC］——依据不同时间混合在一起的数据估计的模型8——对数据拟合得好的话，你就可以得出结论认为：对待共产主义者演讲权利的态度在1977～2006年间没有变化。而如果发现［ARS］［AC］［RC］［SC］［T］是更好的模型的话，你可以得出结论认为：在支持共产主义者的民权自由方面存在一致的变化（假设支持率上升）。而如果发现［ARS］［ACT］［RCT］［SCT］模型更好的话，你可以得出结论认为：在1977～2006年间，年龄、居住地和受教育程度各变量与支持共产主义者的民权之间的关系结构发生了变化。如果选择了一个中间模型，你可以得出结论认为：不是全部而只是部分变量之间的关系结构发生了变化。
1702648907
1702648908
对多分类变量进行对数线性分析
1702648909