您的数据是否存在两个或多个组？是否有未观测到的组数据？你的回归模型在这些组之间是否有差异？还是这些组有不同的方法？或者它们遵循不同的分布？
• 两个、三个或更多未观测组（类）的混合模型

• 单个估计量的混合

• 不同估计量或分布组合的混合

• fmm前缀，可与17个估计量一起使用

• 结果和混合分布可以是连续的、二进制的、有序的、计数的、分类的、分数的、截尾的、截断的，甚至生存期的

• 预测

– 组成员概率

– 整个模型的预期结果

– 假设加入特定组的预期结果

• 选择使用AIC或BIC的组数

拟合模型

两个正态分布的混合

. fmm 2: regress y

三个正态分布的混合

. fmm 3: regress y

三个线性回归模型的混合

. fmm 3: regress y x1 x2

三种Poisson回归模型的混合

. fmm 3: poisson y x1 x2

两个逻辑回归模型的混合

. fmm 2: logistic y x1 x2

添加组成员关系的预测因子

. fmm 2, lcprob(x1 x3): logistic y x1 x2

假设我们有兴趣根据年龄、教育水平、个人是否有私人保险或医疗补助，以及个人是否患有慢性病，对每年的医生就诊次数进行建模。我们认为，模型可能在两个未观测到的组中有所不同，于是我们输入：

. fmm 2: poisson drvisits i.private dicaid

age educ chronic

估算组平均值

esta-lcmean报告了每个未观测到的组（即潜在类别）的估计平均值，在这种情况下，估计就诊次数。

*二组患者的预期就诊次数要高得多。

估计组比例

esta-lcprob估计每个群体的人口比例。
大约28%的人属于*二组，即那些希望更频繁地去看医生的人。

高级推断

• 对以下内容进行推断：

– 每组人口的预期比例

– 假设加入一个群体的预期结果（均值、概率或计数）

– 使用所有组的模型和成员概率的预期结果

– 协变量如何影响假设为群体成员的结果

– 协变量如何影响考虑所有组别和成员概率的结果

• 对群体或个人进行推断：

– 全人群

– 亚人群

– 特定协变量值的预期结果

预测

我们可以预测就诊次数

. predict drvis*, mu

并使用twoway histogram来比较所得到的分布。
此外，还可以

在不同的组中想要不同的协变量？

. fmm: (regress y x1 x2) 

(regress y x1 x3)

在不同组中想要不同的模式？

. fmm: (poisson y x1 x2) (nbreg y x1 x2)

想要拟合一个零膨胀的模型?

. fmm: (poisson y x1 x2) (pointmass y)

北京天演融智软件有限公司（科学软件网）是Stata软件在中国的授权经销商，为中国的软件用户提供优质的软件销售和培训服务。