有变量，如het（age married children）)，LR检验原假设为同方差。
多值选择模型
个体面临的选择有时是多值的，因此可能需要使用到多项probit或多项logit，或者在有某项条件时需要用到条件logit，还有在不随方案而变的多项logit模型和解释变量随方案而变的条件logit模型混合的logit模型。
举例来说，问卷调查将受访者职业分为五类（OCC），解释变量为是否白人、受教育年限、工龄，解释变量都依赖于个体而不依赖于方案，因此使用多项logit或多项probit回归：
进行多项logit回归：
上述结果说明白人更不可能选择服务业或工匠；是否白人对选择蓝领或白领没显著影响。。。
排序与计数模型
1、 泊松回归：被解释变量只能取非负整数，即0,1,2….，这时常用泊松回归。
Poisson y x1 x2 x3,r irr
Poisson y x1 x2 x3,r exposure(x1) Poisson y x1 x2 x3,r offset(x1)
其中，r为稳健标准误，irr为显示发生率比，exposure表示把inx1作为解释变量并使其系数为1，offset表示将x1作为解释变量并使其系数为1.
2、 负二项回归：泊松回归的局限是泊松分布的期望与方差一定相等，但如果被解释变量的
方差明显大于期望，即存在过度分散，这时候可以使用负二项回归。 Nbreg y x1 x2 x3,r exposure(x1)
Nbreg y x1 x2 x3,r dispersion(constant) offset(x1) 其中dispersion（constant）表示使用NB1模型。
3、 零膨胀泊松回归与负二项回归：如计数数据中包含大量0值，则可以使用零膨胀泊松回
归或零膨胀负二项回归。如果vuong统计量很大为正数，则应该使用零膨胀泊松回归，如果统计量很小为负数，则使用零膨胀负二项回归。 Zip y x1 x2 x3,inflate(varlist) vuong(零膨胀泊松回归)
Zinb y x1 x2 x3,inflate(varlist) vuong(零膨胀负二项回归)，其中inflate(varlist)不可缺少列出所有变量。
如果研究者只关注参数的估计值，则泊松回归。 Stata举例：
被解释变量narr86（1986年被逮捕的次数），被解释变量为计数数据，尽管如此，还是使用OLS回归进行观察：
R的平方为0.07，但大多数解释变量都显著，下面进行泊松回归，并使用稳健标准误：
（nolog）表示不显示迭代记录。上俩图可以看出虽然OLS和泊松的系数相差很大，但两者并不具有可比性，为方便比较，计算泊松回归的平均边际效应：
可以看出，泊松模型的平均边际效应与OLS的回归系数很接近，为便于解释系数，下面计算发生率比：
可以看出黑人被逮捕次数比白人多93.6%。此外使用泊松回归的前提之一是被解释变量的期望与方差相等，因此考察被解释变量的统计特征：
结果显示样本方差几乎是样本均值的两倍，为放松此假定进行负二项回归（NB2）：
上图中alpha的置信区间为0.7-1.24，因此可在5%的显著性水平下拒绝过度分散参数