IE估计法目前可以在Stata和R中运行，以Stata12.0版本为例，首先需要在Stata软件中键入“ssc install apc”来安装专门的IE求解插件。我们仍以表14-1数据为例，依然将excel数据整理为前面表14-2中的形式（数据集依然为exe14＿1），并置于电脑桌面上，导入Stata时将第一行作为变量名，随后运行IE估计。
Stata程序：
import excel"C:＼Users＼Windows User＼Desktop＼exe14＿1.xlsx"，sheet("Sheet1")firstrow clear
apc＿ie(Mortality)，age(Age)period(Period)cohort(Cohort)family(poisson)link(log)
Stata程序解释：
IE估计的语句与广义线性模型十分类似。在此语句中，“apc＿ie”表示我们要调用IE估计的语句，随后括号中的“Mortality”表示我们将Mortality列变量作为结局变量进行估计，随后定义年龄、时期、队列三个自变量所在的列变量名称。在family后的括号设定结局变量的分布类型，这里设定死亡率数据服从泊松分布。link后的括号内依据结局变量的分布类型来设定链接函数类型，这里的泊松分布的链接函数为log函数。由此可见，IE估计的Stata语句可以针对不同分布类型的结局变量，例如当结局为二分变量时，family后应当输入bin，此时link后给定的链接函数应当是logit；如果结局变量为近似服从正态分布的连续型变量，则family后应当输入normal，此时不需要链接函数，可以将link语句直接舍去。
Stata结果：
(www.xing528.com)
图14-8 APC模型IE估计结果
Stata结果解释：
在图14-8的输出结果中，ML表示默认的估计方法为最大似然估计法。（1/df）Deviance、（1/df）Pearson、AIC赤池信息准则和BIC贝叶斯信息准则（Bayesian Information Criteria）均用于衡量模型的拟合情况，其取值越小越好。由于没有绝对的拟合优度标准，这些拟合指标通常在多模型比较中更能发挥作用。很显然，估计系数的p值基本都小于0.05，表明死亡率的年龄、时期、队列效应均具有统计学意义。
由于模型估计经过链接函数log转换，我们在解释模型系数时通常需要使用指数函数进行转换。此时，我们需要选择每个因素的其中一项作为参照项，然后将各因素内的项的系数减去该参照项。例如，我们选择年龄组20—24、时期1990和队列1910—1914作为参照项，将年龄、时期、队列的所有项各自减去对应参照项的估计系数（此时3个参照项的值均变为0），再进行自然指数转换（此时3个参照项的值均变为1），最后将转换后的值用折线图加以直观展示，如图14-9。由于年龄效应在指数转换后的风险值较大，图14-3年龄效应风险值用左纵坐标衡量，时期和队列效应风险值用右纵坐标衡量。关于图14-9更多和更深刻的解读，可以参见陈心广和王培刚（2014）的研究。
图14-9 中国居民相对死亡风险的年龄、时期、出生队列效应（1990—2010年）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
