千文網(wǎng)小編為你整理了多篇相關(guān)的《stata學(xué)習(xí)感想》，但愿對你工作學(xué)習(xí)有幫助，當(dāng)然你在千文網(wǎng)還可以找到更多《stata學(xué)習(xí)感想》。

第一篇：stata命令總結(jié)

表2-1: 回歸分析相關(guān)命令一覽

命令用途

anova 方差和協(xié)方差分析 heckman Heckman 篩選模型

intreg 離散型變量模型，包括Tobit、cnreg 和intreg ivreg 工具變量法（IV 或2SLS）

newey Newey-West 標(biāo)準(zhǔn)差設(shè)定下的回歸

prais 針對序列相關(guān)的Prais-Winsten, Cochrane-Orcutt, or Hildreth-Lu 回歸 qreg 分量回歸 reg OLS 回歸 sw 逐步回歸法

reg3 三階段最小二乘回歸

rreg 穩(wěn)健回歸（不同于方差穩(wěn)健型回歸，即White 方法）sureg 似無相關(guān)估計

svyheckman 調(diào)查數(shù)據(jù)的Heckman 篩選模型 svyintreg 調(diào)查數(shù)據(jù)的間斷變量回歸 svyregress 調(diào)查數(shù)據(jù)的線性回歸 tobit Tobit 回歸

treatreg treatment 效應(yīng)模型 truncreg 截斷回歸

表2-2: 時間序列命令一覽

命令用途

clemao1 允許結(jié)構(gòu)突變的單位根檢驗 zandrews dfuller dfgls pperron coin 單方程協(xié)整檢驗

dwstat 參考dwstat2 , durbina2 durbinh

表2-3: Panel Data 模型相關(guān)命令一覽I 命令模型

統(tǒng)計描述相關(guān)命令：

xtdes 變量類型，數(shù)據(jù)類型描述 xtsum 基本統(tǒng)計量 xttab 按表格形式列示 xtpattern 面板數(shù)據(jù)的模式 估計相關(guān)命令：

xtreg 面板數(shù)據(jù)模型（固定效應(yīng)、隨機效應(yīng)）

xtregar 含有AR(1)干擾項的固定效應(yīng)和隨機效應(yīng)面板數(shù)據(jù)模型

xtgls 截面-時序混合模型，可處理異方差、組內(nèi)序列相關(guān)和組間相關(guān)性 xtpcse OLS or Prais-Winsten models with panel-corrected standard errors xtrchh Hildreth-Houck random coefficients models xtivreg 面板模型的工具變量或兩階段最小二乘法估計 xtabond Arellano-Bond(1991)線性動態(tài)面板數(shù)據(jù)模型估計

xtabond2 Arellano-Bover(1995)系統(tǒng)GMM 動態(tài)面板數(shù)據(jù)模型估計 xttobit Tobit 隨機效應(yīng)面板模型

xtintreg Random-effects interval data regression models xtlogit Fe, Re, Pa logit models xtprobit Re, Pa probit models xtcloglog Re, Pa cloglog models xtpoisson Fe, Re, Pa Poisson models xtnbreg Fe, Re, Pa negative binomial models xtfrontier 面板隨機前沿模型

xthtylor Hausman-Taylor estimator for error-components models

表2-4: Panel Data 模型相關(guān)命令一覽II 命令模型

假設(shè)檢驗相關(guān)：

test Wald 檢驗，如時間效應(yīng)聯(lián)合顯著性檢驗 xttest0 隨機效應(yīng)檢驗 xttest1 面板序列相關(guān)檢驗 xttest2 ads xtserial Wooldridge 一階序列相關(guān)檢驗 xtab Arellano 面板一階序列相關(guān)檢驗 hausman Hausman 檢驗 面板單位根和協(xié)整相關(guān)： xtunit stata提供的檢驗方法

ipshin IPS(2003)面板單位根檢驗

levilin Levin，Lin和Chu(LLC, 2002)面板單位根檢驗 madfuller Sarno-Taylor(1998)面板單位根檢驗

xtfisher Maddala和Wu(1999),基于P 值的面板單位根檢驗

表2-5: Post-estimation Commands 命令名稱用途

adjust 列示預(yù)測結(jié)果的均質(zhì)，適于多種回歸分析，可分組列示 estimates 估計結(jié)果的存儲、再顯示、列表比較等 hausman Hausman 模型識別檢驗

lincom 獲得參數(shù)的線性組合，在Logit 模型中可以獲得系數(shù)線性組合的OR 值 linktest 但方程link 識別檢驗，用y 對Oy 和Oy2 回歸 lrtest 似然比（LR）檢驗

mfx 計算邊際效應(yīng)和彈性系數(shù) nlcom 系數(shù)的非線性組合 predict 獲得擬合值、殘差等

predictnl 獲得非線性估計的擬合值、殘差等 test 線性約束的假設(shè)檢驗，Wald 檢驗 testnl 非線性約束的假設(shè)檢驗

vce 列示參數(shù)估計值的方差-協(xié)方差矩陣

表2-6: 二維圖種類一覽

圖形種類簡單描述 scatter scatterplot line line plot connected connected-line plot scatteri scatter with immediate arguments area line plot with shading bar bar plot spike spike plot dropline dropline plot dot dot plot rarea range plot with area shading rbar range plot with bars rspike range plot with spikes rcap range plot with capped spikes rcapsym range plot with spikes capped with symbols rscatter range plot with markers rline range plot with lines rconnected range plot with lines and markers tsline time-series plot tsrline time-series range plot mband median-band line plot mspline spline line plot lowess LOWESS line plot lfit linear prediction plot qfit quadratic prediction plot fpfit fractional polynomial plot lfitci linear prediction plot with CIs qfitci quadratic prediction plot with CIs fpfitci fractional polynomial plot with CIs function line plot of function histogram histogram plot kdensity kernel density plot 表2-7: 二維圖選項一覽

選項類別簡單描述

added line options draw lines at specified y or x values added text option display text at specified(y,x)value axis options labels, ticks, grids, log scales title options titles, subtitles, notes, captions legend option legend explaining what means what scale(#)resize text, markers, and line widths region options outlining, shading, aspect ratio, size aspect option constrain aspect ratio of plot region scheme(schemename)overall look by(varlist,...)repeat for subgroups nodraw suppress display of graph name(name,...)specify name for graph saving(filename,...)save graph in file advanced options difficult to explain 表2-9: 模擬分析相關(guān)命令一覽

命令用途備注 抽樣相關(guān)：

corr2data 產(chǎn)生具有指定相關(guān)性的數(shù)據(jù)僅適用于模擬相關(guān)分析 drawnorm invnorm(uniform())產(chǎn)生服從標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)函數(shù)，可調(diào)節(jié)均值和方差 matuniform(r,c)產(chǎn)生均勻分布函數(shù)

sample 從現(xiàn)有數(shù)據(jù)中進(jìn)行非重復(fù)隨機抽樣參考bsample sim arma 產(chǎn)生服從ARIMA 過程的隨機變量需要下載 Bootstrap 相關(guān)： bootstrap bs bstat bsample MC 相關(guān): simulate MC simulation jknife 類似于MC permute postfile 存儲MC 的結(jié)果 statsby exp list

第二篇：stata學(xué)習(xí)感想

stata學(xué)習(xí)感想

在經(jīng)過了緊張的考試周的洗禮之后，我們緊張的神經(jīng)還未放松，就迎來了2014年暑期小學(xué)期，在這樣的趁熱打鐵之下，經(jīng)過了兩周左右的時間，聆聽老師的教誨，我受益匪淺。

作為學(xué)校的一名大三學(xué)生，我深深體會到學(xué)校的一片良苦用心，學(xué)?；撕芏嘈乃奸_展小學(xué)期，是為了給學(xué)生提供自主創(chuàng)新的平臺，通過聆聽講座，接受老師的專業(yè)化教育，開闊了學(xué)生的學(xué)術(shù)視野、我們也確實長了見識、學(xué)到了本領(lǐng)。而我自己也獲益良多，感慨萬千。

在這個小學(xué)期我們學(xué)習(xí)了stata軟件，這是一個十分實用和重要的軟件。學(xué)習(xí)stata，感覺這是一個很好的軟件，語言簡便，實用性強。作為一個做新手，想要學(xué)習(xí)好這門語言，可以說還是比較難的。在這個軟件中，雖然有help。大家不要以為有了這個就萬事大吉了，反而，從另一個方面也對我們大學(xué)生提出了兩個要求——充實的課外基礎(chǔ)和良好的英語基礎(chǔ)。在現(xiàn)代，幾乎所有好的軟件都是來自國外，假如你不會外語，想學(xué)好是非常難的。

學(xué)習(xí)了stata這門課程，我了解該軟件的基本功能，也知道了該軟件在我們生活中的重要地位。隨著社會的不斷發(fā)展，科技的不斷進(jìn)步，計算機的普及，它也被應(yīng)用在越來越多的方面。stata的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用stata來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多。

stata相對于其他的一些編程軟件有許多的優(yōu)點：

一、語言簡潔緊湊，使用方便靈活，庫函數(shù)極其豐富。

二、運算符豐富。

三、stata既具有結(jié)構(gòu)化的控制語句，又有面向?qū)ο缶幊痰奶匦浴?/p>

四、語法限制不嚴(yán)格，程序設(shè)計自由度大。

五、程序的可移植性很好，基本上不做修改就可以在各種型號的計算機和操作系統(tǒng)上運行。

作為一種計算機語言，stata體現(xiàn)了與它價值的相符的優(yōu)點：

Stata以其簡單易懂和功能強大受到初學(xué)者和高級用戶的普遍歡迎。使用時可以每次只輸入一個命令（適合初學(xué)者），也可以通過一個Stata程序一次輸入多個命令（適合高級用戶）。這樣的話，即使發(fā)生錯誤，也較容易找出并加以修改。

數(shù)據(jù)管理。盡管Stata的數(shù)據(jù)管理能力沒有SAS那么強大，它仍然有很多功能較強且簡單的數(shù)據(jù)管理命令，能夠讓復(fù)雜的操作變得容易。Stata主要用 于每次對一個數(shù)據(jù)文件進(jìn)行操作，難以同時處理多個文件。隨著Stata/SE的推出，現(xiàn)在一個Stata數(shù)據(jù)文件中的變量可以達(dá)到32,768，但是當(dāng)一 個數(shù)據(jù)文件超越計算機內(nèi)存所允許的范圍時，你可能無法分析它。

統(tǒng)計分析。Stata也能夠進(jìn)行大多數(shù)統(tǒng)計分析（回歸分析，logistic回歸，生存分析，方差分析，因子分析，以及一些多變量分析）。Stata最大的優(yōu)勢可能在于回歸分析（它包含易于使用的回歸分析特征工具），logistic回歸（附加有解釋logistic回歸結(jié)果的程序，易用于有序和多元logistic回歸）。Stata也有一系列很好的穩(wěn)健方法，包括 穩(wěn)健回歸，穩(wěn)健標(biāo)準(zhǔn)誤的回歸，以及其他包含穩(wěn)健標(biāo)準(zhǔn)誤估計的命令。此外，在調(diào)查數(shù)據(jù)分析領(lǐng)域，Stata有著明顯優(yōu)勢，能提供回歸分析，logistic 回歸，泊松回歸，概率回歸等的調(diào)查數(shù)據(jù)分析。它的不足之處在于方差分析和傳統(tǒng)的多變量方法（多變量方差分析，判別分析等）。

繪圖功能。正如 SPSS，Stata能提供一些命令或鼠標(biāo)點擊的交互界面來繪圖。與SPSS不同的是它沒有圖形編輯器。在三種軟件中，它的繪圖命令的句法是最簡單的，功 能卻最強大。圖形質(zhì)量也很好，可以達(dá)到出版的要求。另外，這些圖形很好的發(fā)揮了補充統(tǒng)計分析的功能，例如，許多命令可以簡化回歸判別過程中散點圖的制作。

總結(jié)：Stata較好地實現(xiàn)了使用簡便和功能強大兩者的結(jié)合。盡管其簡單易學(xué)，它在數(shù)據(jù)管理和許多前沿統(tǒng)計方法中的功能還是非常強大的。用戶可以很容易的下載到別人已有的程序，也可以自己去編寫，并使之與Stata緊密結(jié)合。其實想要學(xué)習(xí)好一們語言，不能只靠老師，關(guān)鍵是自己。每個人內(nèi)心深處都是有抵觸意識的，不可能把老師的所有都學(xué)到。學(xué)習(xí)這門語言，不光是學(xué)習(xí)一種語言，更重要的事學(xué)習(xí)一種方法，一種學(xué)習(xí)軟件的方法，還有學(xué)習(xí)的態(tài)度。

學(xué)習(xí)stata的時間雖然很短，但卻讓我了解到了它的強大和它的功能。我想就算時間足夠，老師也不能把所有的都講解給我們，因為一個軟件的功能需要我們自己不斷的去摸索，老師也不可能知道所有。老師只是個指路的明燈，最終的學(xué)習(xí)還是要靠自己。而且在摸索過程中，我們能夠發(fā)現(xiàn)和體會學(xué)習(xí)的快樂。

第三篇：stata學(xué)習(xí)體會

stata學(xué)習(xí)心得（網(wǎng)絡(luò)版存盤）2009-03-25

調(diào)整變量格式：

format x1 %10.3f ——將x1的列寬固定為10，小數(shù)點后取三位 format x1 %10.3g ——將x1的列寬固定為10，有效數(shù)字取三位 format x1 %10.3e ——將x1的列寬固定為10，采用科學(xué)計數(shù)法

format x1 %10.3fc ——將x1的列寬固定為10，小數(shù)點后取三位，加入千分位分隔符 format x1 %10.3gc ——將x1的列寬固定為10，有效數(shù)字取三位，加入千分位分隔符

format x1 %-10.3gc ——將x1的列寬固定為10，有效數(shù)字取三位，加入千分位分隔符，加入“-”表示左對齊 合并數(shù)據(jù)：

use “C:Documents and Settingsxks桌面2006.dta”, clear merge using “C:Documents and Settingsxks桌面1999.dta” ——將1999和2006的數(shù)據(jù)按照樣本（observation）排列的自然順序合并起來 use “C:Documents and Settingsxks桌面2006.dta”, clear merge id using “C:Documents and Settingsxks桌面1999.dta” ,unique sort ——將1999和2006的數(shù)據(jù)按照唯一的（unique）變量id來合并，在合并時對id進(jìn)行排序（sort）建議采用第一種方法。對樣本進(jìn)行隨機篩選： sample 50 在觀測案例中隨機選取50%的樣本，其余刪除 sample 50,count 在觀測案例中隨機選取50個樣本，其余刪除 查看與編輯數(shù)據(jù)：

browse x1 x2 if x3>3（按所列變量與條件打開數(shù)據(jù)查看器）edit x1 x2 if x3>3（按所列變量與條件打開數(shù)據(jù)編輯器）數(shù)據(jù)合并（merge）與擴展（append）

merge表示樣本量不變，但增加了一些新變量；append表示樣本總量增加了，但變量數(shù)目不變。one-to-one merge：

數(shù)據(jù)源自stata tutorial中的exampw1和exampw2 第一步：將exampw1按v001～v003這三個編碼排序，并建立臨時數(shù)據(jù)庫tempw1 clear use “t:statatutexampw1.dta” su ——summarize的簡寫 sort v001 v002 v003 save tempw1 第二步：對exampw2做同樣的處理 clear use “t:statatutexampw2.dta” su sort v001 v002 v003 save tempw2 第三步：使用tempw1數(shù)據(jù)庫，將其與tempw2合并： clear use tempw1 merge v001 v002 v003 using tempw2 第四步：查看合并后的數(shù)據(jù)狀況：

ta _merge ——tabulate _merge的簡寫 su 第五步：清理臨時數(shù)據(jù)庫，并刪除_merge，以免日后合并新變量時出錯 erase tempw1.dta erase tempw2.dta drop _merge 數(shù)據(jù)擴展append：

數(shù)據(jù)源自stata tutorial中的fac19和newfac clear use “t:statatutfac19.dta” ta region append using “t:statatutnewfac” ta region 合并后樣本量增加，但變量數(shù)不變

莖葉圖：

stem x1,line(2)（做x1的莖葉圖，每一個十分位的樹莖都被拆分成兩段來顯示，前半段為0～4，后半段為5～9）

stem x1,width(2)（做x1的莖葉圖，每一個十分位的樹莖都被拆分成五段來顯示，每個小樹莖的組距為2）

stem x1,round(100)（將x1除以100后再做x1的莖葉圖）直方圖

采用auto數(shù)據(jù)庫 histogram mpg, discrete frequency normal xlabel(1(1)5)（discrete表示變量不連續(xù)，frequency表示顯示頻數(shù)，normal加入正太分布曲線，xlabel設(shè)定x軸，1和5為極端值，(1)為單位）histogram price, fraction norm（fraction表示y軸顯示小數(shù)，除了frequency和fraction這兩個選擇之外，該命令可替換為“percent”百分比，和“density”密度；未加上discrete就表示將price當(dāng)作連續(xù)變量來繪圖）histogram price, percent by(foreign)（按照變量“foreign”的分類，將不同類樣本的“price”繪制出來，兩個圖分左右排布）histogram mpg, discrete by(foreign, col(1))（按照變量“foreign”的分類，將不同類樣本的“mpg”繪制出來，兩個圖分上下排布）histogram mpg, discrete percent by(foreign, total)norm（按照變量“foreign”的分類，將不同類樣本的“mpg”繪制出來，同時繪出樣本整體的“總”直方圖）二變量圖：

graph twoway lfit price weight || scatter price weight（作出price和weight的回歸線圖——“l(fā)fit”，然后與price和weight的散點圖相疊加）twoway scatter price weight,mlabel(make)（做price和weight的散點圖，并在每個點上標(biāo)注“make”，即廠商的取值）twoway scatter price weight || lfit price weight,by(foreign)（按照變量foreign的分類，分別對不同類樣本的price和weight做散點圖和回歸線圖的疊加，兩圖呈左右分布）

twoway scatter price weight || lfit price weight,by(foreign,col(1))（按照變量foreign的分類，分別對不同類樣本的price和weight做散點圖和回歸線圖的疊加，兩圖呈上下分布）

twoway scatter price weight [fweight= displacement],msymbol(oh)（畫出price和weight的散點圖，“msybol(oh)”表示每個點均為中空的圓圈，[fweight= displacement]表示每個點的大小與displacement的取值大小成比例）twoway connected y1 time,yaxis(1)|| y2 time,yaxis(2)（畫出y1和y2這兩個變量的時間點線圖，并將它們疊加在一個圖中，左邊“yaxis(1)”為y1的度量，右邊“yaxis(2)”為y2的）

twoway line y1 time,yaxis(1)|| y2 time,yaxis(2)（與上圖基本相同，就是沒有點，只顯示曲線）

graph twoway scatter var1 var4 || scatter var2 var4 || scatter var3 var4（做三個點圖的疊加）graph twoway line var1 var4 || line var2 var4 || line var3 var4（做三個線圖的疊加）

graph twoway connected var1 var4 || connected var2 var4 || connected var3 var4（疊加三個點線相連圖）更多變量：

graph matrix a b c y（畫出一個散點圖矩陣，顯示各變量之間所有可能的兩兩相互散點圖）graph matrix a b c d,half（生成散點圖矩陣，只顯示下半部分的三角形區(qū)域）用auto數(shù)據(jù)集：

graph matrix price mpg weight length,half by(foreign,total col(1))（根據(jù)foreign變量的不同類型繪制price等四個變量的散點圖矩陣，要求繪出總圖，并上下排列】=具）其他圖形：

graph box y,over(x)yline(.22)（對應(yīng)x的每一個取值構(gòu)建y的箱型圖，并在y軸的0.22處劃一條水平線）graph bar(mean)y,over(x)對應(yīng)x的每一個取值，顯示y的平均數(shù)的條形圖。括號中的“mean”也可換成median、sum、sd、p25、p75等

graph bar a1 a2,over(b)stack（對應(yīng)在b的每一個取值，顯示a1和a2的條形圖，a1和a2是疊放成一根條形柱。若不寫入“stack”，則a1和a2顯示為兩個并排的條形柱）graph dot(median)y,over(x)（畫點圖，沿著水平刻度，在x的每一個取值水平所對應(yīng)的y的中位數(shù)上打點）qnorm x（畫出一幅分位-正態(tài)標(biāo)繪圖）rchart a1 a2 a2（畫出質(zhì)量控制R圖，顯示a1到a3的取值范圍）

簡單統(tǒng)計量的計算： ameans x（計算變量x的算術(shù)平均值、幾何平均值和簡單調(diào)和平均值，均顯示樣本量和置信區(qū)間）mean var1 [pweight = var2]（求取分組數(shù)據(jù)的平均值和標(biāo)準(zhǔn)誤，var1為各組的賦值，var2為每組的頻數(shù)）summarize y x1 x2,detail（可以獲得各個變量的百分比數(shù)、最大最小值、樣本量、平均數(shù)、標(biāo)準(zhǔn)差、方差、峰度、偏度）***注意*** stata中summarize所計算出來的峰度skewness和偏度kurtosis有問題，與ECELL和SPSS有較大差異，建議不采用stata的結(jié)果。

summarize var1 [aweight = var2], detail（求取分組數(shù)據(jù)的統(tǒng)計量，var1為各組的賦值，var2為每組的頻數(shù)）tabstat X1,stats(mean n q max min sd var cv)（計算變量X1的算術(shù)平均值、樣本量、四分位線、最大最小值、標(biāo)準(zhǔn)差、方差和變異系數(shù)）概率分布的計算：

（1）貝努利概率分布測試： webuse quick bitest quick==0.3,detail（假設(shè)每次得到成功案例‘1’的概率等于0.3，計算在變量quick所顯示的二項分布情況下，各種累計概率和單個概率是多少）bitesti 10,3,0.5,detail（計算當(dāng)每次成功的概率為0.5時，十次抽樣中抽到三次成功案例的概率：低于或高于三次成功的累計概率和恰好三次成功概率）（2）泊松分布概率： display poisson(7,6).44971106（計算均值為7，成功案例小于等于6個的泊松概率）display poissonp(7,6).14900278（計算均值為7，成功案例恰好等于6個的泊松概率）display poissontail(7,6).69929172（計算均值為7，成功案例大于等于6個的泊松概率）（3）超幾何分布概率：

display hypergeometricp(10,3,4,2).3（計算在樣本總量為10，成功案例為3的樣本總體中，不重置地抽取4個樣本，其中恰好有2個為成功案例的概率）display hypergeometric(10,3,4,2).96666667（計算在樣本總量為10，成功案例為3的樣本總體中，不重置地抽取4個樣本，其中有小于或等于2個為成功案例的概率）檢驗極端值的步驟：

常見命令：tabulate、stem、codebook、summarize、list、histogram、graph box、gragh matrix step1.用codebook、summarize、histogram、graph boxs、graph matrix、stem看檢驗數(shù)據(jù)的總體情況： codebook y x1 x2 summarize y x1 x2,detail histogram x1,norm（正態(tài)直方圖）graph box x1（箱圖）

graph matrix y x1 x2,half（畫出各個變量的兩兩x-y圖）stem x1（做x1的莖葉圖）

可以看出數(shù)據(jù)分布狀況，尤其是最大、最小值 step2.用tabulate、list細(xì)致尋找極端值

tabulate code if x1==極端值（作出x1等于極端值時code的頻數(shù)分布表，code表示地區(qū)、年份等序列變量，這樣便可找出那些地區(qū)的數(shù)值出現(xiàn)了錯誤）

list code if x1==極端值（直接列出x1等于極端值時code的值，當(dāng)x1的錯誤過多時，不建議使用該命令）

list in-20/l（l表示last one，-20表示倒數(shù)第20個樣本，該命令列出了從倒數(shù)第20個到倒數(shù)第一個樣本的各變量值）

step3.用replace命令替換極端值 replace x1=? if x1==極端值 去除極端值： keep if y1000 對數(shù)據(jù)排序： sort x gsort +x（對數(shù)據(jù)按x進(jìn)行升序排列）gsort-x（對數(shù)據(jù)按x進(jìn)行降序排列）gsort-x, generate(id)mfirst（對數(shù)據(jù)按x進(jìn)行降序排列，缺失值排最前，生成反映位次的變量id）對變量進(jìn)行排序： order y x3 x1 x2（將變量按照y、x3、x1、x2的順序排列）生成新變量：

gen logx1=log(x1)（得出x1的對數(shù)）gen x1`=exp(logx1)（將logx1反對數(shù)化）

gen r61_100=1 if rank>=61&rank

replace r61_100 if r61_100!=1（“!=”表示不等于，若r61_100取值不為1，則將r61_100替換為0，就是將上式中的缺失值替換為0）gen abs(x)（取x的絕對值）

gen ceil(x)（取大于或等于x的最小整數(shù)）gen trunc(x)（取x的整數(shù)部分）gen round(x)（對x進(jìn)行四舍五入）

gen round(x,y)（以y為單位，對x進(jìn)行四舍五入）gen sqrt(x)（取x的平方根）gen mod(x,y)（取x/y的余數(shù)）

gen reldif(x,y)（取x與y的相對差異，即|x-y|/(|y|+1)）gen logit(x)（取ln[x/(1-x)]）

gen x=autocode(x,n,xmin,xmax)（將x的值域，即xmax-xmin，分為等距的n份）gen x=cond(x1>x2,x1,x2)（若x1>x2成立，則取x1，若x1>x2不成立，則取x2）sort x gen gx=group(n)（將經(jīng)過排序的變量x分為盡量等規(guī)模的n個組）egen zx1=std(x1)（得出x1的標(biāo)準(zhǔn)值，就是用(x1-avgx1)/sdx1）

egen zx1=std(x1),m(0)s(1)（得出x1的標(biāo)準(zhǔn)分，標(biāo)準(zhǔn)分的平均值為0，標(biāo)準(zhǔn)差為1）egen sdx1=sd(x1)（得出x1的標(biāo)準(zhǔn)差）egen meanx1=mean(x1)（得出x1的平均值）egen maxx1=max(x1)（最大值）egen minx1=min(x1)（最小值）egen medx1=med(x1)（中數(shù)）egen modex1=mode(x1)（眾數(shù)）

egen totalx1=total(x1)（得出x1的總數(shù)）

egen rowsd=sd(x1 x2 x3)（得出x1、x2和x3聯(lián)合的標(biāo)準(zhǔn)差）egen rowmean=mean(x1 x2 x3)（得出x1、x2和x3聯(lián)合的平均值）egen rowmax=max(x1 x2 x3)（聯(lián)合最大值）egen rowmin=min(x1 x2 x3)（聯(lián)合最小值）egen rowmed=med(x1 x2 x3)（聯(lián)合中數(shù)）egen rowmode=mode(x1 x2 x3)（聯(lián)合眾數(shù)）egen rowtotal=total(x1 x2 x3)（聯(lián)合總數(shù)）

egen xrank=rank(x)（在不改變變量x各個值排序的情況下，獲得反映x值大小排序的xrank）數(shù)據(jù)計算器display命令：

display x[12]（顯示x的第十二個觀察值）display chi2(n,x)（自由度為n的累計卡方分布）

display chi2tail(n,x)（自由度為n的反向累計卡方分布，chi2tail(n,x)=1-chi2(n,x)）display invchi2(n,p)（卡方分布的逆運算，若chi2(n,x)=p，那么invchi2(n,p)=x）display invchi2tail(n,p)（chi2tail的逆運算）

display F(n1,n2,f)（分子、分母自由度分別為n1和n2的累計F分布）display Ftail(n1,n2,f)（分子、分母自由度分別為n1和n2的反向累計F分布）display invF(n1,n2,P)（F分布的逆運算，若F(n1,n2,f)=p，那么invF(n1,n2,p)=f）display invFtail(n1,n2,p)（Ftail的逆運算）display tden(n,t)（自由度為n的t分布）

display ttail(n,t)（自由度為n的反向累計t分布）display invttail(n,p)（ttail的逆運算）給數(shù)據(jù)庫和變量做標(biāo)記：

label data “~~~”（對現(xiàn)用的數(shù)據(jù)庫做標(biāo)記，“~~~”就是標(biāo)記，可自行填寫）label variable x “~~~”（對變量x做標(biāo)記）

label values x label1（賦予變量x一組標(biāo)簽:label1）

label define label1 1 “a1” 2 “a2”（定義標(biāo)簽的具體內(nèi)容：當(dāng)x=1時，標(biāo)記為a1，當(dāng)x=2時，標(biāo)記為a2）頻數(shù)表：

tabulate x1,sort tab1 x1-x7,sort（做x1到x7的頻數(shù)表，并按照頻數(shù)以降序顯示行）

table c1,c（n x1 mean x1 sd x1）（在分類變量c1的不同水平上列出x1的樣本量和平均值）二維交互表： auto數(shù)據(jù)庫：

table rep78 foreign, c(n mpg mean mpg sd mpg median mpg)center row col（rep78，foreign均為分類變量，rep78為行變量，foreign為列變量，center表示結(jié)果顯示在單元格中間，row表示計算行變量整體的統(tǒng)計量，col表示計算列變量整體的統(tǒng)計量）tabulate x1 x2,all（做x1和x2的二維交互表，要求顯示獨立性檢驗chi2、似然比卡方獨立性檢驗lrchi2、對定序變量適用的等級相關(guān)系數(shù)gamma和taub、以及對名義變量適用的V）

tabulate x1 x2,column chi2（做x1和x2的二維交互表，要求顯示列百分比和行變量和列變量的獨立性檢驗——零假設(shè)為變量之間獨立無統(tǒng)計關(guān)系）

tab2 x1-x7,all nofreq（對x1到x7這七個變量兩兩地做二維交互表，不顯示頻數(shù)：nofreq）三維交互表：

by x3,sort:tabulate x1 x2,nofreq col chi2（同時進(jìn)行x3的每一個取值內(nèi)的x1和x2的二維交互表，不顯示頻數(shù)、顯示列百分比和獨立性檢驗）四維交互表：

table x1 x2 x3,c(ferq mean x1 mean x2 mean x3)by(x4)tabstat X1 X2,by(X3)stats(mean n q max min sd var cv)col(stats)tabstat X1 X2,by(X3)stats(mean range q sd var cv p5 p95 median),[aw=X4]（以X4為權(quán)重求X1、X2的均值，標(biāo)準(zhǔn)差、方差等）

ttest X1=1 count if X1==0 count if X1>=0 gen X2=1 if X1>=0 corr x1 x2 x3（做x1、x2、x3的相關(guān)系數(shù)表）

swilk x1 x2 x3（用Shapiro-Wilk W test對x1、x2、x3進(jìn)行正太性分析）sktest x1 x2 x3（對x1、x2、x3進(jìn)行正太性分析，可以求出峰度和偏度）ttest x1=x2（對x1、x2的均值是否相等進(jìn)行T檢驗）

ttest x1,by(x2)unequal（按x2的分組方式對x1進(jìn)行T檢驗，假設(shè)方差不齊性）sdtest x1=x2（方差齊性檢驗）

sdtest x1，by(x2)（按x2的分組方式對x1進(jìn)行方差齊性檢驗）

聚類分析：

cluster kmeans y x1 x2 x3, k(3)——依據(jù)y、x1、x2、x3，將樣本分為n類，聚類的核為隨機選取 cluster kmeans y x1 x2 x3, k(3)measure(L1)start(everykth)——“start”用于確定聚類的核，“everykth”表示將通過構(gòu)造三組樣本獲得聚類核：構(gòu)造方法為將樣本id為1、1+3、1+3×2、1+3×3??分為一組、將樣本id為2、2+3、2+3×2、2+3×3??分為第二組，以此類推，將這三組的均值作為聚類的核；“measure”用于計算相似性和相異性的方法，“L1”表示采用歐式距離的絕對值，也直接可采用歐式距離（L2）和歐式距離的平方（L2squared）。PS：這個方法所得的結(jié)果與SPSS所得結(jié)果相同。

sort c1 c2（對c1和c2兩個分類變量排序）

by c1 c2：reg y x1 x2 x3（在c1、c2的各個水平上分別進(jìn)行回歸）

bysort c1 c2：reg y x1 x2 x3 if c3=1（逗號前面相當(dāng)于將上面兩步驟合一，既排序又回歸，逗號后面的“if c3=1”表示只有在c3=1的情況下才進(jìn)行回歸）

stepwise, pr(.2): reg y x1 x2 x3(使用Backward selection，去除P值大于0.2時變量)stepwise, pe(.2): reg y x1 x2 x3(使用forward selection，去除P值小于0.2時變量)stepwise, pr(.2)pe(.01):reg y x1 x2 x3（使用backward-stepwise selection，取P值在0.01和0.2之間的變量）

stepwise, pe(.2)forward: reg y x1 x2 x3（使用forward-stepwise selection）reg y x1 x2 x3 predict Yhat,xb predict u,resid predict ustd,stdr（獲得殘差的標(biāo)準(zhǔn)誤）predict std,stdp（獲得y估計值的標(biāo)準(zhǔn)誤）predict stdf,stdf（獲得y預(yù)測值的標(biāo)準(zhǔn)誤）predict e,e(1,12)（獲得y在1到12之間的估計值）predict p,pr(1，12)（獲得y在1到12之間的概率）predict rstu,rstudent（獲得student的t值）predict lerg,leverage（獲得杠桿值）predict ckd,cooksd（獲得cooksd）reg y x1 x2 x3 c1 c2 adjust x1 x2 x3，se（使得變量x1、x2和x3等于其均值，求y的預(yù)測值和標(biāo)準(zhǔn)誤）

adjust x1 x2 x3，stdf ci（使得變量x1、x2和x3等于其均值，求y的預(yù)測值，預(yù)測標(biāo)準(zhǔn)誤和置信區(qū)間）adjust x1 x2,by(c1)se ci（控制變量x1、x2，亦即取它們的均值，在分類變量c1的不同水平上求y預(yù)測值，標(biāo)準(zhǔn)誤和置信區(qū)間）

adjust x1 x2 x3,by(c1)stdf ci（控制變量x1、x2、x3，亦即取它們的均值，在分類變量c1的不同水平上求y預(yù)測值，預(yù)測標(biāo)準(zhǔn)誤和置信區(qū)間）

adjust x1 x2,by(c1 c2)se ci（控制變量x1、x2，在分類變量c1、c2的不同水平上求y的預(yù)測值，標(biāo)準(zhǔn)誤和置信區(qū)間）

adjust x1 x2 x3,by(c1 c2)stdf ci（控制變量x1、x2、x3，在分類變量c1、c2的不同水平上求y的預(yù)測值，預(yù)測標(biāo)準(zhǔn)誤和置信區(qū)間）

adjust x1=a x2=b x3=c，se ci（當(dāng)x1=a、x2=b、x3=c時，求y的預(yù)測值、標(biāo)準(zhǔn)誤和置信區(qū)間）adjust x1=a x2=b x3=c，by(c1)se ci（當(dāng)x1=a、x2=b、x3=c時，在分類變量c1的不同水平上，求y的預(yù)測值、標(biāo)準(zhǔn)誤和置信區(qū)間）

adjust x1=a x2=b c1=1，by(c1)se ci（當(dāng)x1=a、x2=b，并假設(shè)所有的樣本均為c1=1，求在分類變量c1的不同水平上，因為變量x3的均值不同，而導(dǎo)致的y的不同的預(yù)測值??）mvreg Y1 Y2 ??: X1 X2 X3??（多元回歸）

mvreg y1 y2 y3: x1 x3 x3（多元回歸分析，y1 y2 y3為因變量，x1 x3 x3為自變量）以下命令只有在進(jìn)行了mvreg之后才能進(jìn)行 test [y1]（測試對y1的回歸系數(shù)聯(lián)合為0）

test [y1]: x1 x2（測試對y1的回歸中x1、x2的系數(shù)為0）test x1 x2 x3（測試在所有的回歸中，x1、x2、x3的系數(shù)均為0）test [y1=y2]（對y1的回歸和對y2的回歸系數(shù)相等）

test [y1=y2]: x1 x2 x3, mtest（對y1和y2的回歸中，分別測試x1、x2、x3的系數(shù)是否相等，若沒有mtest這個命令，則測試他們的聯(lián)和統(tǒng)計）

test [y1=y2=y3]（三個回歸的系數(shù)是否相等，可加mtest以分別測試）test [y1=y2=y3]: x1 x2（測試三個回歸中的x1、x2是否相等，可加mtest）est命令的用法：（1）儲存回歸結(jié)果：

reg y x1 x2 x3（不限于reg，也可儲存ivreg、mvreg、reg3）est store A（2）重現(xiàn)回歸結(jié)果： est replay A（3）對回歸結(jié)果進(jìn)行進(jìn)一步分析

est for A:sum（對A回歸結(jié)果中的各個變量運行sum命令）異方差問題： 獲得穩(wěn)健性標(biāo)準(zhǔn)誤

reg y x1 x2 x3 if c1==1（當(dāng)分類變量c1=1時，進(jìn)行y和諸x的回歸）reg y x1 x2 x3,robust（回歸后顯示各個自變量的異方差-穩(wěn)健性標(biāo)準(zhǔn)誤）estat vif（回歸之后獲得VIF）estat hettest,mtest（異方差檢驗）異方差檢驗的套路：（1）Breusch-pagan法： reg y x1 x2 x3 predict u,resid gen usq=u^2 reg usq x1 x2 x3 求F值

display R/(1-R)*n2/n1（n1表示分子除數(shù)，n2表示分母除數(shù)）display Ftail(??)求LM值

display R*n（n表示總樣本量）display chi2tail(??)（2）white法： reg y x1 x2 x3 predict u,resid gen usq=u^2 predict y gen ysq=y^2 reg usq y ysq 求F值

display R/(1-R)*n2/n1（n1表示分子除數(shù)，n2表示分母除數(shù)）display Ftail(??)求LM值

display R*n（n表示總樣本量）display chi2tail(??)（3）必要補充

F值和LM值轉(zhuǎn)換為P值的命令： display Ftail(n1,n2,a)（利用F值求p值，n1表示分子除數(shù)，n2表示分母除數(shù)，a為F值）display chi2tail(n3,b)（利用LM值求p值，n3表示自由度的損失量，一般等于n1，b為LM值）異方差的糾正——WLS（weighted least square estimator）（1）基本思路：

reg y x1 x2 x3 [aw=x1]（將x1作為異方差的來源，對方程進(jìn)行修正）上式相當(dāng)于：

reg y/(x1^0.5)1/(x1^0.5)x1/(x1^0.5)x2/(x1^0.5)x3/(x1^0.5),noconstant（2）糾正異方差的常用套路（構(gòu)造h值）reg y x1 x2 x3 predict u,resid gen usq=u^2 gen logusq=log(usq)reg logusq x1 x2 x3 predict g gen h=exp(g)reg y x1 x2 x3 [aw=1/h] 異方差hausman檢驗： reg y x1 x2 x3 est store A（將上述回歸結(jié)果儲存到A中）reg y x1 x2 x3 [aw=1/h] est store B hausman A B 當(dāng)因變量為對數(shù)形式時（log(y)）如何預(yù)測y reg logy x1 x2 x3 predict k gen m=exp(k)reg y m,noconstant m的系數(shù)為i y的預(yù)測值=i×exp(k)

方差分析： 一元方差分析

anova y g1 / g1|g2 /（g*表示不同分類變量，計算g1和交互項/ g1|g2 /這兩種分類的y值是否存在組內(nèi)差異）

anova y d1 d2 d1*d2（d*表示虛擬變量，計算d1、d2和d1*d2的這三種分類的y值是否有組內(nèi)差異）anova y d1 d2 x1 d2*x1, continuous(x1)（x*表示連續(xù)的控制變量）多元方差分析 webuse jaw manova y1 y2 y3 = gender fracture gender*fracture（按性別、是否骨折及二者的交互項對y1、y2和y3進(jìn)行方差分析）

manova y1 = gender fracture gender*fracture（相當(dāng)于一元方差分析，以y1為因變量）———————————— webuse nobetween gen mycons = 1 manova test1 test2 test3 = mycons, noconstant mat c =(1,0,-1 0,1,-1)manovatest mycons, ytransform(c)進(jìn)行多元回歸的方法： 多元回歸分析：（與mvreg相同）

foreach vname in y1 y2 y3 {（確定y變量組vname）

reg `vname' x1 x2 x3（將y變量組中的各個變量與諸x變量進(jìn)行回歸分析，注意vname的標(biāo)點符號）} 上式等價于：

mvreg y1 y2 y3 = x1 x2 x3

reg3命令：（1）簡單用法：

reg3(y1 = x1 x2 x3)(y2 = x1 x3 x4)(y3 = x1 x2 x5)測試y1 coefs = 0 test [y1] 測試不同回歸中相同變量的系數(shù)： test [y1=y2=y3], common test([y1=y2])([y1=y3]), common constant（constant表示包含截距項）（2）用reg3進(jìn)行2SLS reg3(y1 = y2 x1 x2)(y2 = y1 x4),2sls（2）用reg3進(jìn)行OLS reg3(y1 = y2 x1 x2)(y2 = y1 x4),ols 對兩個回歸結(jié)果進(jìn)行hausman檢驗： reg3(y1=x1 x2 x3)(y2=y1 x4),2sls est store twosls reg3(y1=x1 x2 x3)(y2=y1 x4),ols est store ols hausman twosls ols,equations(1:1)（對兩次回歸中的方程1，即“y1=x1 x2 x3”進(jìn)行hausman檢驗）hausman twosls ols,equations(2:2)（對兩次回歸中的方程2，即“y2=y1 x4”進(jìn)行hausman檢驗）hausman twosls ols,alleqs（對所有方程一起進(jìn)行檢驗）檢驗忽略變量（模型的RESET）： reg y x1 x2 x3 estat ovtest 滯后變量的制取 對變量y滯后一期： gen y_l1=y[_n-1] 滯后兩期： gen y_l2=y[_n-2] 以此類推。制取樣本序號： gen id=_n 獲得樣本總量： gen id=_N 時間序列回歸：

回歸元嚴(yán)格外生時AR(1)序列相關(guān)的檢驗 reg y x1 x2 predict u,resid gen u_1=u[_n-1] reg u u_1,noconstant 回歸之后，u_1的序數(shù)如果不異于零，則該序列不相關(guān) 用Durbin-Watson Statistics檢驗序列相關(guān)：

tsset year @（對時間序列回歸中代表時間的變量進(jìn)行定義）@ reg y x1 x2 dwstat @（求出時間序列回歸的DW值）@ durbina @（對該回歸是否具有序列相關(guān)進(jìn)行檢驗，H0為無序列相關(guān)，可根據(jù)chi2值求出P值）@ durbina,small @（small可以根據(jù)F值求出P值，以代替chi2值）@ durbina,force @（讓檢驗?zāi)茉趓obust、neway之后進(jìn)行）@ durbina,small lag(1/10)@（lag可以求出更高階滯后的序列相關(guān)，如本例中可求出1到10階的序列相關(guān)）@ durbina,robust lag(1/10)@（robust可進(jìn)行異方差—穩(wěn)健性回歸，避免未知形式的異方差）@ bgodfrey @（利用Breusch-Godfrey test求出高階序列相關(guān)）@ bgodfrey,small lag(1/10)數(shù)據(jù)調(diào)查：survey data 源數(shù)據(jù)：dataset文件夾中的svydata 步驟：

1、定義survey data svyset psuid [pweight=finalwgt], strata(stratid)——定義primary sampling unit為psuid?？赡苁菧y試的編號，1or2 ——定義pweight為finalwgt ——定義stratum identifer為stratid?？赡苁菧y試中被試的編號，1to31

2、生成male gen male=(sex==1)if!missing(sex)——當(dāng)sex不缺失且等于1時，male=sex

3、生成行變量為highbp，列變量為sizplace的表格

svy, subpop(male): tabulate highbp sizplace, col obs pearson lr null wald ——subpop規(guī)定了以male為數(shù)據(jù)調(diào)查的范圍 ——tabulate highbp sizplace表示繪制行變量為highbp，列變量為sizplace的表格

——col表示每一列的加總為100%，row表示每一行的加總為100%，cell表示橫縱所有單元格的加總為100% ——obs表示列出每個單元格的樣本量，se表示列出每個單元格的標(biāo)準(zhǔn)誤，ci表示列出每個單元格的置信區(qū)間

——pearson表示求取pearson's chi-squired,皮爾遜的卡方檢定 ——lr表示求取likelihood ratio ——null表示求取null-based statistics ——wald表示求取adjusted wald，llwald表示求取adjusted log-linear Wald，noadjust表示求取unadjusted Wald statistics

4、svy:mean x1 x2 x3 ——對x1、x2、x3求取mean、se和ci

5、簡單的tabulate twoway（不用svyset就可執(zhí)行）tab2 y x,col chi2 exact lr ——col、cell、row等均可換用，chi2指的是Pearson's chi-squared、exact指的是fisher exact test、lr指的是likelihood-ratio chi-squared

6、svy的其他用法： svy:reg y x 建立人工數(shù)據(jù)集：

創(chuàng)建一個包含從獨立標(biāo)準(zhǔn)正態(tài)分布中抽取的2000個觀察案例和三個隨機Z1、Z2、Z3，并分別定義他們的平均值和標(biāo)準(zhǔn)差。

matrix m=(0,2,3)——定義三個變量的平均值 matrix sd=(1,.5,2)——定義三個變量的標(biāo)準(zhǔn)差

drawnorm z1 z2 z3,n(2000)means(m)sds(sd)——創(chuàng)建樣本量為2000，均值和標(biāo)準(zhǔn)差符合上面定義的數(shù)據(jù)集

補充：除了定義均值和標(biāo)準(zhǔn)差之外，還可定義相關(guān)矩陣和協(xié)方差矩陣等。logit回歸

logit y x1 x2 x3 ——y必須為二分變量

glogit outcomedata populationdata x1 x2 x3 ——outcomedata為目標(biāo)樣本總量，populationdata為觀測樣本總量，outcomedata/populationdata的值便是一個概率，相當(dāng)于logit命令中的y 面板數(shù)據(jù)（Panel Data）

1、基本套路： xtreg y x1 x2,re est store re xtreg y x1 x2,fe est store fe hausman re fe ——如果hausman檢驗的結(jié)果為顯著，則采用固定效應(yīng)（fe）模型，不顯著，則選取隨機效應(yīng)（re）模型

2、隨機效應(yīng)的檢驗： xtreg y x1 x2,re xttest0 xttest1 ——xttest1是xttest0的擴展，若這xttest0的結(jié)果為顯著，則采用隨機效應(yīng)（re）模型 xttest1的假設(shè)是沒有隨機效應(yīng)和/或沒有序列相關(guān)，它的七個結(jié)果分別表示： 1)LM Test for random effects, assuming no serial correlation（假設(shè)沒有序列相關(guān)情況下對隨機效應(yīng)進(jìn)行LM檢驗）

2)Adjusted LM test for random effects, which works even under serial correlation（假設(shè)有序列相關(guān)的情況下對隨機LM檢驗）

3)One sided version of the LM test for random effects（假設(shè)沒有序列相關(guān)的情況下對隨機效應(yīng)進(jìn)行單邊檢驗）

4)One sided version of the adjusted LM test for random effects（假設(shè)有序列相關(guān)的情況下對隨機效應(yīng)進(jìn)行單邊檢驗）

5)LM test for first-order serial correlation, assuming no random effects（假設(shè)沒有隨機效應(yīng)的情況下對一階序列相關(guān)進(jìn)行檢驗）

6)Adjusted test for first-order serial correlation, which works even under random effects（假設(shè)有隨機效應(yīng)的情況下對一階序列相關(guān)進(jìn)行檢驗）

7)LM Joint test for random effects and serial correlation（隨機效應(yīng)和序列相關(guān)的聯(lián)合檢驗）

3、固定效應(yīng)模型，可采用廣義最小二乘法（gls）進(jìn)行估算，也可采用固定效應(yīng)方程（fe）： xtserial y x1 x2 xtgls y x1 x2 xttest2 xttest3 ——xtserial用于檢驗固定效應(yīng)模型中的一階序列自相關(guān)，可通用于xtgls和fe之前

——xttest2用于檢驗不同廠商的相似性，若顯著則各廠家的截面相似，可通用于xtgls和fe之后 ——xttest3用于檢驗固定效應(yīng)模型中的異方差問題，若顯著則有異方差，可通用于xtgls和fe之后