《stata建模中的各种小问题(我的笔记).doc》由会员分享，可在线阅读，更多相关《stata建模中的各种小问题(我的笔记).doc（4页珍藏版）》请在三一办公上搜索。
1、保存估计结果的命令：est store 名称使用保存结果的命令：，estimates（名称）如果你把那个显示你用过的命令的窗口：窗口操作：WindowsReview如果你把那个显示变量的窗口：窗口操作：WindowsVariables时间序列填充和扩展时间区间:命令：tsappend ,add(n) 增加n个观测值窗口操作：在上面找data edit 即像一个表格一样的图标点开即可编辑数据时间序列存在间断点问题，需要补齐处理：命令：tsfill信息准则赤池信息准则（AIC）判断判断模型的最大滞后阶数STATA命令：1 先回归2 estat ic如何看AIC统计量：Breusch-Pagan,C
2、ook-Weisberg异方差检验STATA命令：1 先回归2 estat hettest varlist 或者在StatisticsPostestimation(倒数第二个)Reports and Statistics(倒数第二个)在里面选择（hettest）如何看统计量：White异方差检验:STATA命令：3 先回归4 estat imtest,white varlist 或者在StatisticsPostestimation(倒数第二个)Reports and Statistics(倒数第二个)在里面选择（imtest）如何看统计量：Ramsey回归设定误差检验：STATA命令：1 先
3、回归2 estat ovtest 或者在StatisticsPostestimation(倒数第二个)Reports and Statistics(倒数第二个)在里面选择（ovtest）如何看统计量：多重共线性方差膨胀因子检验：1 先回归2 estat vif,uncentered 或者在StatisticsPostestimation(倒数第二个)Reports and Statistics(倒数第二个)在里面选择（vif）如何看统计量：一般的当最大的方差膨胀因子超过10（相对保守的临界值定位30）后者平均方差膨胀因子超过1表示模型存在多重共线性的问题。Uncentered用于当模型没有常数
4、项时的未中心化的方差膨胀因子。多重共线性的其他侦查方法：值高而显著的t比率小：多重共线性的“经典”征兆克里安经验法则：仅当来自一个辅助回归的 大于得自Y对全部回归元中的总 时，多重共线性才算是一个麻烦的问题。做拟合图（前提是先回归）STATA命令：1 解释变量对成分残差图用于考察模型形式是否设定准确。cprplot 被解释变量acprplot 被解释变量2 增加变量图用于考察数据是否存在异常值avplotd 被解释变量3 拟合值对残差图的散点图用于考察残差是否满足经典的假设条件stdp表示样本内预测的标准差stdr 表示样本外预测的标准差rvfplot4 解释变量对残差的散点图rvpplot
5、被解释变量 STATA对于数据的储存与重现est命令的用法：（1）储存回归结果：reg y x1 x2 x3（不限于reg，也可储存ivreg、mvreg、reg3）est store A（2）重现回归结果：est replay A（3）对回归结果进行进一步分析est for A:sum（对A回归结果中的各个变量运行sum命令）在非时间序列的数据的情况下，异方差的修正用GLS具体的方法如下：1.quietly regress y x 做回归2.predict u，residual 取残差 3.predict yf，xb (xb表示拟合值) 将拟合值取出放到yf里4.gen lnu2=ln(u2
6、) 将残差做平方且取对数的处理5.gen yf2=yf2(将yf这个拟合值同上面的残差做相同的处理)6.quietly regress lnu2 yf yf2 对处理过的残差对 拟合值 以及 处理过的拟合值 做回归 7.predictnl u2f=exp(xb() 再将回归后的拟合值取出并作对数处理放到 u2f里8.gen sd=sqrt(u2f) 将u2f做平方处理predictnl表示模型估计后的非线性预测，比如指数预测xb表示线性预测exp表示指数预测pr表示概率预测se表示线性预测（prediction）的标准差stdf表示线性预测（forecast）的标准差取对数用ln(var)函数
7、取平方用sqrt(var)函数然后，利用vwls进行加权估计vwls y x , sd(sd)GLS也可以通过regress命令中的weight选项来实现。存在自相关的修正用广义差分el(mat,i,j)矩阵的第i行第j列自相关的修正用广义差分具体的方法如下：1 一阶自相关的修正prais y x，rhotype(regress)prais y x，corc rhotype(regress)2 高阶自相关的修正以二阶自回归为例quietly regress D.y x 对被解释变量取差分并且做回归predict u,resid 取出残差quietly reg u l(2).u，noconsta
8、nt 令u对其二阶滞后期做自回归（无截距）matrix mat=e(b) 生成矩阵mat 将回归的结果放到矩阵里（如果是更高阶可能有多个自相关系数）gen m=d.y-el(mat,1,1)*l(2)d.y 对y的一阶差分与y的一阶差分的滞后期与权重的乘积做差分，这个权重就是mat矩阵里的第一行第一列的系数，刚好使我们刚刚回归出来的自相关系数（如果是高阶可能不只做一个差分，会更为复杂）gen n=d.x-el(mat,1,1)*l(2)d.x 对x进行和y一样的处理方法reg m n 然后令m对n做回归关于参数约束的模型估计问题(P178张晓峒)STATA命令：cnsreg 被解释变量 解释变
9、量 条件if in weight ，constraints(constraints) options其中constraints(constraints)表示线性约束例如：约束规模报酬不变的估计模型命令如下：1. constraint define 1 lnk+lnl=1 将等于1的线性约束(不可以为不等号)条件定义为12. cnsreg lny lnk lnl ，constraints(1)约束为lnk=lnl=0的估计模型：命令如下:1. constraint define 2 lnk lnl 等于0的条件可以不写出来2. cnsreg lny lnk lnl，constraints(2)约束条件为lnk=0.6, lnl=0.4的估计模型：命令如下：1. constraint define 3 lnk=0.62. constraint define 3 lnl=0.43. cnsreg lny lnk lnl，constraints(3,4)注意：要先有约束条件的定义，然后再做约束性回归。
