我刚刚进行了200万次回归-综合可能性

我目前正在努力实现一种流行的论文中使用的方法，该论文的标题为“ I Just Ran 200万Regressions”。其背后的基本思想是，在某些情况下，不清楚应在模型中包括哪些控件。在这种情况下，您可以做的一件事是随机绘制控件，运行数百万种不同的回归，然后查看您感兴趣的变量如何反应。如果它在所有规范中通常都具有相同的符号，那么我们可以认为它比符号总是变化的变量更可靠。

大部分论文非常清楚。但是，本文通过以下方式对所有这些不同的回归进行加权：给定规范的综合可能性除以所有规范的所有综合可能性之和。

我遇到的麻烦是，我不确定积分的可能性与我想运行的OLS回归（在Stata中）如何相关。在我不断碰到诸如混合效应逻辑回归之类的问题时，诸如“状态综合可能性”之类的谷歌搜索主题一直是死胡同。我承认这些模型太复杂了，我无法掌握。

我目前的工作是，我确实（有点）理解文献中使用了不同的加权方案。例如，可以基于似然比指数对每个回归进行加权。甚至有一个使用lri作为权重的R包。当然，我也想实施原始版本。

有什么建议吗？

论文链接：http : //down.cenet.org.cn/upfile/34/2009112141315178.pdf

对于OLS，您仍然可以计算似然函数（指数对数似然，如Christoph Hanck在评论中提到的）。只是旧的。Stata 使用以下命令运行回归后将其存储$L_i = \prod_i (2\pi \sigma^2)^{-.5} \exp(-.5 (y_i - x_i\beta)^2)$e(ll)regress

然后将权重构造为。$w_i = \frac{L_i}{\sum_j L_j}$

最后，使用作为权重来构造回归系数的加权平均值。$w_i$