发布时间 : 星期三 文章stata回归分析完整步骤-吐血推荐更新完毕开始阅读8f1942df05087632311212ba
stata回归分析完整步骤——吐血推荐
****下载连乘函数prod,方法为:findit dm71 sort stkcd date //对公司和日期排序 gen r1=1+r //r为实际公司的股票收益率 gen r2=1+r_yq //r_yq为公司的预期股票收益率
egen r3=prod(r1),by(stkcd date) //求每个公司事件日的累计复合收益率 egen r4=prod(r2),by(stkcd date) //求每个公司事件日的累计预期的复合收益率 gen r=r4-r3
capture clear （清空内存中的数据）
capture log close （关闭所有打开的日志文件） set mem 128m （设置用于stata使用的内存容量）
set more off （关闭more选项。如果打开该选项，那么结果分屏输出，即一次只输出一屏结果。你按空格键后再输出下一屏，直到全部输完。如果关闭则中间不停，一次全部输出。） set matsize 4000 （设置矩阵的最大阶数。我用的是不是太大了？） cd D: （进入数据所在的盘符和文件夹。和dos的命令行很相似。）
log using （文件名）.log,replace （打开日志文件，并更新。日志文件将记录下所有文件运行后给出的结果，如果你修改了文件内容，replace选项可以将其更新为最近运行的结果。）
use （文件名）,clear （打开数据文件。） （文件内容）
log close （关闭日志文件。）
exit,clear （退出并清空内存中的数据。）
假设你清楚地知道所需的变量，现在要做的是检查数据、生成必要的数据并形成数据库供将来使用。检查数据的重要命令包括codebook，su，ta，des和list。其中，codebook提供的信息最全面，缺点是不能使用if条件限制范围，所以，有时还要用别的帮帮忙。su空格加变量名报告相应变量的非缺失的观察个数，均值，标准差，最小值和最大值。ta空格后面加一个（或两个）变量名是报告某个变量（或两个变量二维）的取值（不含缺失值）的频数，比率和按大小排列的累积比率。des后面可以加任意个变量名，只要数据中有。它报告变量的存储的类型，显示的格式和标签。标签中一般记录这个变量的定义和单位。list报告变量的观察值，可以用if或in来限制范围。所有这些命令都可以后面不加任何变量名，
报告的结果是正在使用的数据库中的所有变量的相应信息。说起来苍白无力，打开stata亲自实验一下吧。
顺带说点儿题外话。除了codebook之外，上述统计类的命令都属于r族命令（又称一般命令）。执行后都可以使用return list报告储存在r（）中的统计结果。最典型的r族命令当属summarize。它会把样本量、均值、标准差、方差、最小值、最大值、总和等统计信息储存起来。你在执行su之后，只需敲入return list就可以得到所有这些信息。其实，和一般命令的return命令类似，估计命令（又称e族命令）也有ereturn命令，具有报告，储存信息的功能。在更复杂的编程中，比如对回归分解，计算一些程序中无法直接计算的统计量，这些功能更是必不可少。
检查数据时，先用codebook看一下它的值域和单位。如果有-9，-99这样的取值，查一下问卷中对缺失值的记录方法。确定它们是缺失值后，改为用点记录。命令是replace (变量名)=. if (变量名)==-9。再看一下用点记录的缺失值有多少，作为选用变量的一个依据。 得到可用的数据后，我会给没有标签的变量加上注解。或者统一标签；或者统一变量的命名规则。更改变量名的命令是ren （原变量名）空格（新变量名）。定义标签的命令是label var （变量名）空格”（标签内容）”。整齐划一的变量名有助于记忆，简明的标签有助于明确变量的单位等信息。
如果你需要使用通过原始变量派生出的新变量，那么就需要了解gen，egen和replace这三个命令。gen和replace常常在一起使用。它们的基本语法是gen (或replace)空格（变量名）＝（表达式）。二者的不同之处在于gen是生成新变量，replace是重新定义旧变量。 虚拟变量是我们常常需要用到的一类派生变量。如果你需要生成的虚拟变量个数不多，可以有两种方法生成。一种是简明方法：gen空格（变量名）＝（（限制条件））[这外面的小括弧是命令需要的，里面的小括弧不是命令需要的，只是说明“限制条件”并非命令]。如果某个观察满足限制条件，那么它的这个虚拟变量取值为1，否则为0。另一种要麻烦一点。就是
gen （变量名）＝1 if （取值为一限制条件）
replace（相同的变量名）＝0 if （取值为零的限制条件）
两个方法貌似一样，但有一个小小的区别。如果限制条件中使用的变量都没有任何缺失值，那么两种方法的结果一样。如果有缺失值，第一种方法会把是缺失值的观察的虚拟变量都定义为0。而第二种方法可以将虚拟变量的取值分为三种，一是等于1，二是等于0，三是等于缺失值。这样就避免了把本来信息不明的观察错误地纳入到回归中去。下次再讲如何方便地生成成百上千个虚拟变量。
大量的虚拟变量往往是根据某个已知变量的取值生成的。比如，在某个回归中希望控制每个观察所在的社区，即希望控制标记社区的虚拟变量。社区数目可能有成百上千个，如果用上次的所说的方法生成就需要重复成百上千次，这也太笨了。大量生成虚拟变量的命令如下； ta （变量名）, gen(（变量名）)
第一个括号里的变量名是已知的变量，在上面的例子中是社区编码。后一个括号里的变量名是新生成的虚拟变量的共同前缀，后面跟数字表示不同的虚拟变量。如果我在这里填入d，那么，上述命令就会新生成d1，d2，等等，直到所有社区都有一个虚拟变量。
在回归中控制社区变量，只需简单地放入这些变量即可。一个麻烦是虚拟变量太多，怎么简单地加入呢？一个办法是用省略符号，d*表示所有d字母开头的变量，另一法是用破折号，d1-d150表示第一个到第150个社区虚拟变量（假设共有150个社区）。
还有一种方法可以在回归中直接控制虚拟变量，而无需真的去生成这些虚拟变量。使用命令areg可以做到，它的语法是
areg （被解释变量） （解释变量）, absorb（变量名）
absorb选项后面的变量名和前面讲的命令中第一个变量名相同。在上面的例子中即为社区编码。回归的结果和在reg中直接加入相应的虚拟变量相同。
生成变量的最后一招是egen。egen和gen都用于生成新变量，但egen的特点是它更强大的函数功能。gen可以支持一些函数，egen支持额外的函数。如果用gen搞不定，就得用egen想办法了。不过我比较懒，到现在为止只用用取平均、加和这些简单的函数。
有的时候数据情况复杂一些，往往生成所需变量不是非常直接，就需要多几个过程。曾经碰到原始数据中记录日期有些怪异的格式。比如，1991年10月23日被记录为19911023。我想使用它年份和月份，并生成虚拟变量。下面是我的做法： gen yr=int(date)
gen mo=int((data-yr*10000)/100) ta yr, gen( yd) ta mo, gen( md)
假设你已经生成了所有需要的变量，现在最重要的就是保存好你的工作。使用的命令是save空格（文件名），replace。和前面介绍的一样，replace选项将更新你对数据库的修改，所以一定要小心使用。最好另存一个新的数据库，如果把原始库改了又变不回去，就叫天不应叫地不灵了。
前面说的都是对单个数据库的简单操作，但有时我们需要改变数据的结构，或者抽取来自不同数据库的信息，因此需要更方便的命令。这一类命令中我用过的有：改变数据的纵横结构的命令reshape，生成退化的数据库collapse，合并数据库的命令append和merge。 纵列（longitudinal）数据通常包括同一个行为者（agent）在不同时期的观察，所以处理这类数据常常需要把数据库从宽表变成长表，或者相反。所谓宽表是以每个行为者为一个观察，不同时期的变量都记录在这个观察下，例如，行为者是厂商，时期有2000、2001年，变量是雇佣人数和所在城市，假设雇佣人数在不同时期不同，所在城市则不变。宽表记录的格式是每个厂商是一个观察，没有时期变量，雇佣人数有两个变量，分别记录2000年和2001年的人数，所在城市只有一个变量。所谓长表是行为者和时期共同定义观察，在上面的
例子中，每个厂商有两个观察，有时期变量，雇佣人数和所在城市都只有一个，它们和时期变量共同定义相应时期的变量取值。
在上面的例子下，把宽表变成长表的命令格式如下：
reshape long （雇佣人数的变量名）, i(（标记厂商的变量名）) j(（标记时期的变量名）) 因为所在城市不随时期变化，所以在转换格式时不用放在reshape
long后面，转换前后也不改变什么。相反地，如果把长表变成宽表则使用如下命令 reshape wide （雇佣人数的变量名）, i(（标记厂商的变量名）) j(（标记时期的变量名）) 唯一的区别是long换成了wide。
collapse的用处是计算某个数据库的一些统计量，再把它存为只含有这些统计量的数据库。用到这个命令的机会不多，我使用它是因为它可以计算中位数和从1到99的百分位数，这些统计量在常规的数据描述命令中没有。如果要计算中位数，其命令的语法如下 collapse (median) (（变量名）), by(（变量名）)
生成的新数据库中记录了第一个括号中的变量（可以是多个变量）的中位数。右面的by选项是根据某个变量分组计算中位数，没有这个选项则计算全部样本的中位数。
合并数据库有两种方式，一种是增加观察，另一种是增加变量。第一种用append，用在两个数据库的格式一样，但观察不一样，只需用append空格using空格（文件名）就可以狗尾续貂了。简单明了，不会有什么错。另一种就不同了，需要格外小心。如果两个数据库中包含共同的观察，但是变量不同，希望从一个数据库中提取一些变量到另一个数据库中用merge。完整的命令如下： use （文件名） [打开辅助数据库] sort （变量名）
[根据变量排序，这个变量是两个数据库共有的识别信息] save （文件名）, replace
[保存辅助数据库] use （文件名） [打开主数据库] sort （变量名） [对相同的变量排序]