Stata作回归分析

最新推荐文章于 2023-12-31 20:23:47 发布
最新推荐文章于 2023-12-31 20:23:47 发布
阅读量3.5w 收藏 228
点赞数 28
CC 4.0 BY-SA版权
分类专栏： stata 文章标签： Stata
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43332500/article/details/86432892

Stata将回归分析结果直接导出到Word里

ssc install asdoc, replace

写每个命令时前面加上asdoc就可将生成的结果存在word 中
将图片保存成.emf格式，可在word中直接插入。

导入数据

导入excel数据并将第一行作为变量行

数据描述


. sum#描述数据

    Variable |        Obs        Mean    Std. Dev.       Min        Max
-------------+---------------------------------------------------------
           A |         25          13    7.359801          1         25
       index |         25          13    7.359801          1         25
           y |         25      26.444    24.60308        1.9       84.7
          x1 |         25     101.032    64.96047       13.2      299.5
          x2 |         25      99.384    63.28338        6.1        277
-------------+---------------------------------------------------------
          x3 |         25      5197.4    3649.682        209      15571
          x4 |         25        11.4    7.112196          2         34
          x5 |         25      11.848    7.625676        2.5       33.7

由上表可以看出每个变量的最大值，最小值，平均值，标准差以及样本个数等具体值。

describe#描述数据，和sum有一定区别

得到


Contains data
  obs:            25                          
 vars:             8                          
 size:           925                          
-----------------------------------------------------------------------------------------------
              storage   display    value
variable name   type    format     label      variable label
-----------------------------------------------------------------------------------------------
A               byte    %10.0g                
index           byte    %10.0g                index
y               double  %10.0g                y
x1              double  %10.0g                x1
x2              double  %10.0g                x2
x3              int     %10.0g                x3
x4              byte    %10.0g                x4
x5              double  %10.0g                x5
-----------------------------------------------------------------------------------------------
Sorted by: 
     Note: Dataset has changed since last saved.
得到样本数据特征

线性回归

regress y x1 x2 x3 x4 x5#作线性回归

结果

      Source |       SS           df       MS      Number of obs   =        25
-------------+----------------------------------   F(5, 19)        =     21.84
       Model |  12374.4556         5  2474.89112   Prob > F        =    0.0000
    Residual |  2153.02602        19  113.317159   R-squared       =    0.8518
-------------+----------------------------------   Adj R-squared   =    0.8128
       Total |  14527.4816        24  605.311733   Root MSE        =    10.645

------------------------------------------------------------------------------
           y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
          x1 |   .1273254    .095979     1.33   0.200     -.073561    .3282118
          x2 |    .160566   .0556834     2.88   0.010     .0440194    .2771126
          x3 |   .0007636   .0013556     0.56   0.580    -.0020737    .0036009
          x4 |   -.333199   .3986248    -0.84   0.414     -1.16753    .5011323
          x5 |  -.5746462   .3087506    -1.86   0.078    -1.220869    .0715763
       _cons |   4.260477   10.46798     0.41   0.689    -17.64926    26.17022
------------------------------------------------------------------------------

相关系数矩阵

correlate y x1 x2 x3 x4 x5


             |        y       x1       x2       x3       x4       x5
-------------+------------------------------------------------------
           y |   1.0000
          x1 |   0.8505   1.0000
          x2 |   0.8332   0.7381   1.0000
          x3 |   0.7409   0.8832   0.5534   1.0000
          x4 |  -0.6043  -0.6231  -0.5382  -0.5225   1.0000
          x5 |  -0.4470  -0.2775  -0.3231  -0.2910   0.0953   1.0000

##Stata检查是否存在多重共线性
用容忍度和方差膨胀因子（VIF）,VIF 大于10 存在严重的共线性，若自变量间存在的多重相关性这里将采取逐步回归法进行修正。

estat vif


    Variable |       VIF       1/VIF  
-------------+----------------------
          x1 |      8.23    0.121460
          x3 |      5.18    0.192888
          x2 |      2.63    0.380237
          x4 |      1.70    0.587420
          x5 |      1.17    0.851750
-------------+----------------------
    Mean VIF |      3.78

对于违背基本假设的处理方法（不全）

pca x1 x2 x3 x4 x5

Principal components/correlation                 Number of obs    =         25
                                                 Number of comp.  =          5
                                                 Trace            =          5
    Rotation: (unrotated = principal)            Rho              =     1.0000

    --------------------------------------------------------------------------
       Component |   Eigenvalue   Difference         Proportion   Cumulative
    -------------+------------------------------------------------------------
           Comp1 |      3.06752      2.13626             0.6135       0.6135
           Comp2 |      .931263       .42405             0.1863       0.7998
           Comp3 |      .507212     .0891979             0.1014       0.9012
           Comp4 |      .418014      .342028             0.0836       0.9848
           Comp5 |     .0759864            .             0.0152       1.0000
    --------------------------------------------------------------------------

Principal components (eigenvectors) 

    ------------------------------------------------------------------------------
        Variable |    Comp1     Comp2     Comp3     Comp4     Comp5 | Unexplained 
    -------------+--------------------------------------------------+-------------
              x1 |   0.5411    0.0950    0.2986    0.0764   -0.7767 |           0 
              x2 |   0.4736   -0.0361   -0.3527    0.7615    0.2648 |           0 
              x3 |   0.4981    0.0407    0.6165   -0.2196    0.5674 |           0 
              x4 |  -0.4231   -0.3830    0.6107    0.5463   -0.0531 |           0 
              x5 |  -0.2362    0.9172    0.1828    0.2600    0.0435 |           0 
    ------------------------------------------------------------------------------

主成分分析详细内容

使用 Stata 进行回归结果导出与分析：全流程讲解
小高~的博客
08-20 1万+
本文详细介绍了如何在 Stata 中使用 outreg2、esttab（推荐）、reg2docx 等命令导出回归结果。每个工具都有独特的优点，用户可根据需求选择适合的命令。
第13章Stata Logistic回归分析
qq_45112156的博客
09-16 4万+
前面我们讲述得回归分析方法都要求因变量是连续变量，但很多情况下因变量是离散得而非连续得。例如，公司招聘人才时根据对应聘人员得特征做出录用或者不录用得评价、毕业学生对职业得选择等。这时就需要用到Logistic回归分析。根据因变量得离散特征：常用得Logistic回归分析方法有3终，包括二元Logistic回归分析、多元Logistic回归分析以及有序Logistic回归分析等。 13.1二元Logistic回归分析 我们经常会遇到因变量只有两种取值的情况，例如是否患病、是...
stepwise逐步回归
02-06
逐步回归的基本思想是将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。本文件结合实例利用MATLAB实现逐步回归法
数学建模-回归分析（Stata）
m0_62237233的博客
01-11 1万+
X是自变量，Y是因变量。目的是通过X去预测Y。一般处理模型像：期末成绩分析，Y是成绩，X是性别、是否是班干部、平时作业完成度等自变量。银行借贷成功率分析等问题。
逐步回归法(Stepwise regression)学习
热门推荐
songhao的专栏
02-25 10万+
转载自http://www.lizenghai.com/archives/524.html搜索逐步回归法相关的资料信息，找到一片逐步回归法的学习笔记,比较详细的讲了逐步回归法的三种操作方式，个人倾向于第三种方式。在第三种方式下，不但考虑了新增因子的解释能力同时也考虑了新增因子后已存在因子的解释能力，最终等于将所有因子中不适宜的因子剔除，留下有效因子。这是解决多因子的多重共线性的有效办法。原文内容（...
Stata做回归分析常用命令
lalaura的博客
12-31 1万+
邹检验（同方差、物资相关（球形扰动项））：reg y x//scalar ssr=e(rss)//reg y x if year<1992//scalar ssr1=e(rss)//reg y x if year>=1992//scalar ssr2=e(rss)//dis ((ssr-ssr1-ssr2)/K)/((ssr1+ssr2)/(n-2k))(K为有约束回归的参数个数（含常数项）、n为样本容量)
数学建模笔记（六）利用Stata进行多元回归分析知识点笔记及代码操作
weixin_47066458的博客
03-05 3万+
回归分析： 回归分析是数据分析中最基础也是最重要的分析工具，绝大多数的数据分析问题，都可以使用回归的思想来解决。 回归分析的任务： 通过研究自变量X和因变量Y的相关关系，尝试去解释Y的形成机制，进而达到通过X去预测Y的目的。 常见的回归分析有五类： 线性回归、0‐1回归、定序回归、计数回归、生存回归 其划分的依据是因变量Y的类型 Y：俗称因变量，即因为别人的改变，而改变的变量。在实际应用中，Y常常是我们需要研究的那个核心变量。 例： 经济学家研究经济增长的决定因素，那么Y可以选取GDP增长率 （连续数
金融数据库：如何使用STATA做回归分析 PPT.ppt
最新发布
07-02
在使用STATA进行回归分析时，首先需要了解回归分析的基本概念。回归分析是一种统计学方法，用于分析变量之间的关系。在金融数据库研究中，它可以帮助我们理解不同金融指标之间的相互作用，例如股价与市场指数的关系...
lasso岭回归stata16实现方式_stata16_
10-03
综上所述，Stata 16提供了强大的工具来处理Lasso回归、插值法和赫芬达尔赫希曼指数计算，这些都是进行复杂数据分析的关键步骤。通过熟练掌握这些命令，研究者能够更有效地进行实证研究并得出可靠的结论。
stata在统计与计量中的运用 实证分析处理 统计计量分析 数据分析 第06章-stata基本回归分析 共38页.pptx
06-30
### Stata在统计与计量中的运用：实证分析处理与基本回归分析 #### 知识点一：Stata软件概述及数据处理 - **Stata软件简介**：Stata是一款广泛应用于经济学、社会学等社会科学领域的统计软件。它提供了一系列强大...
Matlab 回归分析 输出结果与stata类似
07-23
Matlab 回归分析 输出结果与stata类似
多元回归分析（stata)
qq_65800683的博客
09-01 8347
tabulate 变量名,gen(A)percent：比率。
数学建模常用算法——Stata求解多元线性回归问题
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
01-21 5万+
本文通过一个案例讲述了如何使用Stata工具求解多元线性回归问题。
多元线性回归分析（Stata）
qq_53471484的博客
08-10 3万+
回归分析
PCA（Principal Component Analysis）主成分分析
Eva_Hua的专栏
08-20 5944
PCA（Principal Component Analysis），即主成分分析，主要用于数据降维。 对于一组样本的feature组成的多维向量，多维向量里的某些元素本身没有区分性，比如某个元素在所有的样本中都为1，或者与1差距不大，那么这个元素本身就没有区分性，用它做特征来区分，贡献会非常小。所以我们的目的是找那些变化大的元素，即方差大的那些维，而去除掉那些变化不大的维，从而使feature留
A tutorial on Principal Components Analysis | 主成分分析（PCA）教程
Houchaoqun_XMU的博客
01-23 4691
本文对“A tutorial on Principal Components Analysis”进行了翻译，在翻译原文的过程中，在保证不改变原文意思的前提下，对一些知识点进行了扩充并附上参考网址。本人刚开始尝试翻译文献，经验不足，有些理解可能不到位，有些翻译可能不够准确。若读者们有发现有误之处，还望海涵并加以指正，本人会及时加以指正。本文中涉及到公式的编辑，使用的是“在线LaTeX公式编辑器”，将编辑完成后的公式（图片的形式）复制到博文中即可。此外，原文可能缺少一些图，本人通过Matlab作图并补充。为了更
计量经济学及Stata应用 5.12 多元回归的Stata实例
xllzuibangla的博客
05-10 1万+
1、多元回归 regress y x1 x2 x3 reg y x1 x2 x3 2、解释定义 1）右上角 Number of obs ：样本容量N F(n,N)：F统计量，自由度为k（约束条件）、m(N-K)——检验整个方程的联合显著性 Prob>F：F统计值对应的P值（0.0000：极小概率事件，显著；>0.1，解释方程基本没用，设计有问题不显著） R-squared：所有的解释变量(x)可以解释y的变得约有R2%的变动（可以由x解释）。 Adj R-squar.
主成分分析（Principal Component Analysis，PCA）
深度学习客
08-22 1156
通过这种方式，PCA可以帮助我们减少数据的维度，去除冗余信息，提取关键特征，从而更好地理解和分析数据。主成分分析（Principal Component Analysis，PCA）是一种在数据分析中常用的降维技术，通过线性变换将高维数据映射到低维空间，从而保留尽可能多的信息。主成分分析（Principal Component Analysis，PCA）作为一种常用的数据降维技术，具有广泛的应用领域，不仅在数据分析中发挥着重要作用，还在图像处理、特征提取、噪声过滤等方面得到了广泛应用。
主成分分析（principle component analysis）介绍
郭云飞的专栏
12-04 2万+
一、介绍 主成分分析（principal components analysis，PCA）又称主分量分析，主成分回归分析。旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，PCA是一种简化数据集的技术。 它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。 主成
stata怎么回归分析
05-21
### Stata 中的回归分析 在统计软件 Stata 中，回归分析是一种常见的数据分析工具。以下是关于如何在 Stata 中执行基本回归分析的具体说明。 #### 基本语法 Stata 的 `regress` 或者简写为 `reg` 是用于线性回归的核心命令。其基本形式如下： ```stata regress dependent_variable independent_variables ``` 其中： - `dependent_variable` 表示因变量。 - `independent_variables` 表示自变量列表[^1]。 #### 示例代码 假设有一个数据集包含两个变量：`y`（因变量）和`x`（自变量）。可以通过以下方式完成简单的线性回归分析： ```stata regress y x ``` 此命令会输出模型系数、标准误以及显著性水平等信息[^2]。 #### 高级选项 为了更深入地理解回归结果并提高模型质量，可以考虑以下几个方面： 1. **多项式回归** 当关系并非完全线性时，可以引入高次幂项来进行拟合。例如，在二阶多项式情况下，可以这样实现： ```stata gen x_squared = x^2 regress y x x_squared ``` 2. **异方差修正** 若存在异方差问题，则可通过稳健的标准误差调整来解决。这通过添加 `, robust` 参数即可轻松完成： ```stata regress y x, robust ``` 3. **保存与导出结果** 对于希望将回归结果存储到外部文件的情况，可利用第三方插件如 `reg2docx` 实现自动化报告生成功能。首先需确保已安装该插件，并按照下列流程操作： ```stata ssc install reg2docx, all replace // 安装插件 (仅首次运行) regress y x // 执行回归 est store model_1 // 存储当前模型状态 reg2docx model_1 using output.docx, replace // 导出至 Word 文档 ``` 4. **图形化展示** 结果可视化有助于直观解释发现的趋势或模式。比如绘制实际值对比预测值得散点图加上最佳拟合直线： ```stata predict y_hat // 计算预测值 twoway scatter y x || line y_hat x , legend(off) title("Regression Line") ``` 以上便是有关于 Stata 平台下开展基础及扩展型回归分析的一些指导建议[^3]。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值