stata学习日记（10）

二、线性回归分析

（1）菜单选择

Statistics-Linear regression and related-Linear regression 线性回归

Statistics-Linear regression and related-Regression diagnostics 回归诊断

Statistics-Post-estimation-Predictions,residuals,etc 取得预测值、残差等

Graphics-Overlaid twoway graphs 叠并二维图

Statistics-Longitudinal/panel data 纵贯及面板数据

（2）命令示范

regress y x  执行y对单个预测变量x的常规最小二乘法回归

regress y x if ethnic==3&income>50  执行y对x的回归，但只使用ethnic等于3且income大于50的数据子集

predict yhat 创建一个新变量yhat，令其等于最近回归所得到的预测值

predict e, resid  创建一个新变量e，令其等于最近回归得到的残差

graph twoway lfit y x || scatter y x 画出y相对于x的散点图（scatterplot），并加入简单回归线（lfit，即线性拟合）

graph twoway mspline yhat x || scatter y x 在y对x的散点图上画简单回归线，（用修匀的立方样条曲线）连接回归预测值yhat

rvfplot 自动采用最近的回归分析结果画出残差对拟合值（即预测值）的标绘图（residual versus fitted plot）

graph twoway scatter e yhat, yline(0) 用变量e和yhat画出残差对预测值的标绘图（residual versus predicted values plot）

regress y x1 x2 x3 多元回归

regress y x1 x2 x3, robust  计算稳健标准误的（Huber/White法）估计值。

regress y x1 x2 x3, beta  多元回归，并将标准化回归系数（β权数）包含在输出表中

test x1 x2   执行F检验，零假设为：在最近的回归模型中，x1和x2的系数都等于0

sw regress y x1 x2 x3, pr(.05)   

执行反向剔除的逐步回归，直到所有保留的预测变量都在0.05水平上显著。所有列表上的预测变量都将进入第一次迭代，此后每一步迭代去掉p值最高的预测变量，直到所有保留下来的预测变量的概率值在“保留概率”以下为止，这就是pr(.05)选项的意义。（help sw）

regress y x1 x2 x3 [aweight=w]  加权最小二乘回归

regress y1 y2 x (x z)

regress y2 y1 z (x z)

工具变量x和z估计y1和y2之间的相互作用，括号中包含所有方程中的外生变量。