怀特检验的stata步骤
计量经济学Stata软件应用4-【Stata软件之异方差】-1次课
e 2 0 1 X 1 2 X 2 3 X 3 4 X 1 2 5 X 2 2 6 X 3 2 7 X 1 X 2 8 X 1 X 3 a 9 X 2 X 3
H 0 :12 a 9 0
原假设实际上是对模型进行回归总体显著性检验 (F检验)，
如果拒绝原假设，则存在异方差，如果不能拒绝原假设，
P>|t|
-.2244643 -.1118717 -.0010955
.0033752 -3.51e-07
.0009005 -.0001233
-.000147 .6133288
[95% Conf. Interval]
-.081382 .0003771 .0052239 .0085688 1.60e-06 .0076082 .0000182 .0000395 1.726195
则不存在异方差。
容易看出，用于怀特一般检验的模型会包含很多解释变量；
例如如果原模型有3个解释变量，那么怀特一般检验的模型
将包含9个解释变量，而如果原模型有6个解释变量，那么怀
特一般检验的模型将包含27个解释变量。这样对于样本容量
不大的数据，使用怀特一般检验会使得估计的时候自由度偏
少。
为此，怀特特殊检验使用了一个节省自由度的回归模型，即：
Stata软件操作实例
实验 1 工资方程中异方差的检验和修正
本例使用“工资方程1.dta”数据文件介绍异方差的检验和修 正。
1、打开数据文件。直接双击“工资方程1.dta”文件；或者点
击Stata窗口工具栏最左侧的Open键，然后选择“工资方程
1.dta”即可；
2、估计工资方程： l n w a g e 0 1 e d u 2 e x p 3 e x p s q + u ( 2 )
stata常用的检验
stata常用的检验
Stata中常用的统计检验包括：
1. 单样本t检验（ttest命令）：用于检验一个样本的均值是否与给定的理论值相等。
2. 双样本t检验（ttest命令）：用于比较两个独立样本的均值是否存在显著差异。
3. 配对样本t检验（ttest命令）：用于比较两个配对样本的均值是否存在显著差异。
4. 方差分析（anova命令）：用于比较多个样本的均值是否存在显著差异。
5. 卡方检验（tab命令）：用于检验两个或多个分类变量之间是否存在关联。
6. 相关性检验（correl命令）：用于检验两个连续变量之间是否存在线性相关性。
7. 线性回归（reg命令）：用于检验自变量与因变量之间的关系是否显著。
8. 非参数检验：包括Wilcoxon秩和检验（wilcoxon命令）、Mann-Whitney U检验（ranksum命令）等，适用于数据不满足正态分布的情况。
以上是Stata中常用的一些统计检验方法，具体使用方法可以参考Stata的官方文档或使用帮助命令获取更多信息。
手把手教你用Stata进行Meta分析Meta简明教程（7）
⼿把⼿教你⽤Stata进⾏Meta分析Meta简明教程（7）Meta简明教程⽬录1. 认识⼀下meta⽅法！ | Meta简明教程（1）2. ⼀⽂初步学会Meta⽂献检索 | Meta简明教程（2）3. 如何搞定“⽂献筛选” | Meta简明教程（3）4.Meta分析⽂献质量评价 | Meta简明教程（4）5.Meta分析数据提取| Meta简明教程（5）6.⼀⽂学会revman软件| Meta简明教程（6）Meta简明教程（7）上⼀期介绍了Revman 软件对⼆分类数据、连续型数据、诊断性试验数据、⽣存-时间数据进⾏meta分析，本期将利⽤Stata对以上数据进⾏meta分析。
⼤家可以到本公众号下载Stata软件（重磅推荐：分类最全的统计分析相关软件，了解⼀下？请关注、收藏以备⽤）Stata12.0 界⾯⼀、⼆分类数据分析数据形式例：研究阿司匹林（aspirin）预防⼼肌梗死（MI）7个临床随机对照试验，观察死亡率，数据提取如下：操作步骤1.构建数据1)启动Stata 12.0 软件后，可以直接点击⼯具栏中DataEditor (edit)按钮。
也可在在菜单栏中点击Data→Data Editor→ DataEditor (edit)，出现以下界⾯。
2）点击变量名位置，依次输⼊研究名称（research），阿司匹林组死亡数(a)，阿司匹林组存活数(b)，安慰剂组死亡数(c)，安慰剂组存活数(d)3）录⼊数据：在变量值区域输⼊数据2. 数据分析1）导⼊meta模块：在Command窗⼝中进⾏编程，⾸先需要在Stata中安装meta模块:在Command窗⼝输⼊“sscinstall metan”，选中点回车。
结果窗⼝中出现下⾯的结果，说明已经安装了meta模块。
2）输⼊meta分析代码：在Command窗⼝输⼊ “Command窗⼝输⼊ “metan a b c d, or fixed”,点回车，完成结果分析。
Stata的操作步骤
Stata的操作步骤: 英文部分都是命令，直接复制粘贴就可以#1、建立自回归模型#打开文件use infln_wage.dta#查看数据的内容describe#查看汇总数据信息Summarize#设定为时间序列数据文件g tm=_ntsset tm#画出时间序列图形twoway (tsline inf wgwth)#inf对其三阶滞后做自回归reg inf l1.inf l2.inf l3.inf#自回归分布滞后模型回归都用regreg inf wgwth l1.wgwth l2.wgwth l3.wgwth l1.inf l2.inf因为是要稳定的数据，用检验的方法检验是不是稳定的数据#2、非稳定数据的检查和回归用数据文件usa#打开文件use usa.dta#查看数据的内容Describe#查看汇总数据信息Summarize#设定为时间序列数据文件g tm=_nTsset tm#画出时间序列图形twoway (tsline gdp)#画出一阶差分时间序列图形twoway (tsline d.gdp) d.做一阶差分d2.做二阶差分d3.做三阶差分以此类推#画出二阶差分时间序列图形tsline——折线图twoway (tsline d2.gdp)#一阶差分自回归reg d.f l1.f l1.d.f#单位根检验dfuller f, regress lags(1)dfuller f, noconstant lags(0)平稳以后才该回归就做回归#R语言的回归命令#调入输入数据程序包>Library(foreign)#安装car的包>install.packages(“car”)#读入数据>u<-read.dta(“e:usa.dta”)#查看数据汇总情况>summary(u)#查看数据>u#查看前6个数据>head(u)#调入系统中的数据>attach(women)#画散点图>plot(weight,height)#weight对height回归>h<-lm(weight~height+I(height^2),data=women)#查看回归结果>summary(f)。
李子奈《计量经济学》第三版例题及习题的stata解答
第二章例2.1．1(p24)（1）表2.1.2中E(Y|X=800)即条件均值的求法，将数据直接复制到stata 中。
程序： sum y if x==800程序：程序：（2）图2.1.1的做法：程序：twoway(scatter y x )(lfit y x ),title("不同可支配收入水平组家庭消费支出的条件分布图")xtitle("每月可支配收入（元）")ytitle("每月消费支出（元）")xtick(500(500)4000)ytick(0(500)3500)例2.3．1（p37）将数据直接复制到stata 中程序：（1）total xiyireturn listscalars:r(skip) = 0r(first) = 1r(k_term) = 0r(k_operator) = 0r(k) = 0r(k_level) = 0r(output) = 1r(b) = 4974750r(se) = 1507820.761894463g a=r(b) in 1 total xi2 xiyi 4974750 1507821 1563822 8385678Total Std. Err. [95% Conf. Interval]Scatter 表示散点图选项，lfit 表示回归线，title 表示题目，xtick 表示刻度，（500（500）4000）分别表示起始刻度，中间数表示以单位刻度，4000表示最后的刻度。
要注意的是命令中的符号都要用英文字符，否则命令无效。
这个图可以直接复制的，但是由于我的软件出问题，只能直接剪切，所以影响清晰度。
return listg b=r(b) in 1di a/b.67(2)mean Yigen m=r(b) in 1mean Xig n=r(b) in 1di m-n*0.67142.4由此得到回归方程：Y=142.4+0.67Xi例2.6．2(p53)程序：（1）回归reg y x（2）求X的样本均值和样本方差:mean xMean estimation Number of obs = 31 Mean Std. Err. [95% Conf. Interval] x 11363.69 591.7041 10155.27 12572.11sum x ,d（d表示detail的省略，这个命令会产生更多的信息）xPercentiles Smallest1% 8871.27 8871.275% 8920.59 8920.5910% 9000.35 8941.08 Obs 3125% 9267.7 9000.35 Sum of Wgt. 3150% 9898.75 Mean 11363.69Largest Std. Dev. 3294.46975% 12192.24 16015.5890% 16015.58 18265.1 Variance 1.09e+0795% 19977.52 19977.52 Skewness 1.69197399% 20667.91 20667.91 Kurtosis 4.739267di r(Var)（特别注意Var的大小写）10853528例2.6.2（P56）（1）reg Y XSource SS df MS Number of obs = 29F( 1, 27) = 2214.60Model 2.4819e+09 1 2.4819e+09 Prob > F = 0.0000Residual 30259023.9 27 1120704.59 R-squared = 0.9880Adj R-squared = 0.9875 Total2.5122e*************.8RootMSE=1058.6Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .4375268 .0092973 47.06 0.000 .4184503 .4566033_cons 2091.295 334.987 6.24 0.000 1403.959 2778.632（2）图2.6.1的绘制：twoway (line Y X year),title("中国居民可支配总收入X与消费总支出Y 的变动图")第三章例3.2.2（p72）reg Y X1 X2Source SS df MS Number of obs = 31F( 2, 28) = 560.57Model 166971988 2 83485994.2 Prob > F = 0.0000Residual 4170092.27 28 148931.867 R-squared = 0.9756Adj R-squared = 0.9739Total 171142081 30 5704736.02 Root MSE = 385.92Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X1 .5556438 .0753076 7.38 0.000 .4013831 .7099046X2 .2500854 .1136343 2.20 0.036 .0173161 .4828547_cons 143.3266 260.4032 0.55 0.586 -390.0851 676.7383例3.5．1（p85）g lnP1=ln(P1)g lnP0=ln(P0)g lnQ=ln(Q)g lnX=ln(X)Source SS df MS Number of obs = 22 F( 3, 18) = 258.84 Model .765670868 3 .255223623 Prob > F = 0.0000 Residual .017748183 18 .00098601 R-squared = 0.9773 Adj R-squared = 0.9736 Total .783419051 21 .037305669 Root MSE = .0314 lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX .5399167 .0365299 14.78 0.000 .4631703 .6166631 lnP1 -.2580119 .1781856 -1.45 0.165 -.632366 .1163422 lnP0 -.2885609 .2051844 -1.41 0.177 -.7196373 .1425155 _cons 5.53195 .0931071 59.41 0.000 5.336339 5.727561 drop lnX lnP1 lnP0g lnXP0=ln(X/P0)g lnP1P0=ln(P1/P0)reg lnQ lnXP0 lnP1P0Source SS df MS Number of obs = 22F( 2, 19) = 408.93Model .765632331 2 .382816165 Prob > F = 0.0000Residual .01778672 19 .000936143 R-squared = 0.9773Adj R-squared = 0.9749Total .783419051 21 .037305669 Root MSE = .0306lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]lnXP0 .5344394 .0231984 23.04 0.000 .4858846 .5829942lnP1P0 -.2753473 .1511432 -1.82 0.084 -.5916936 .040999_cons 5.524569 .0831077 66.47 0.000 5.350622 5.698515练习题13（p105）g lnY=ln(Y)g lnK=ln(K)g lnL=ln(L)reg lnY lnK lnLSource SS df MS Number of obs = 31 F( 2, 28) = 59.66 Model 21.6049266 2 10.8024633 Prob > F = 0.0000 Residual 5.07030244 28 .18108223 R-squared = 0.8099 Adj R-squared = 0.7963 Total 26.6752291 30 .889174303 Root MSE = .42554 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnK .6092356 .1763779 3.45 0.002 .2479419 .9705293 lnL .3607965 .2015915 1.79 0.084 -.0521449 .7737378 _cons 1.153994 .7276114 1.59 0.124 -.33645 2.644439第二问：test b_[lnk]+b_[lnl]==1第四章例4.1．4 (P116)（1）回归g lnY=ln(Y)g lnX1=ln(X1)g lnX2=ln(X2)reg lnY lnX1 lnX2Source SS df MS Number of obs = 31 F( 2, 28) = 49.60 Model 2.9609923 2 1.48049615 Prob > F = 0.0000 Residual .835744123 28 .029848004 R-squared = 0.7799 Adj R-squared = 0.7642 Total 3.79673642 30 .126557881 Root MSE = .17277 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 .1502137 .1085379 1.38 0.177 -.072116 .3725435 lnX2 .4774534 .0515951 9.25 0.000 .3717657 .5831412 _cons 3.266068 1.041591 3.14 0.004 1.132465 5.39967于是得到方程：lnY=3.266+0.1502lnX1+0.4775lnX2（2）绘制参差图：predict e, residg ei2=e^2scatter ei2 lnX2,title("图4.1.3 异方差性检验图")xtick(6(0.4)9.2)ytick(0(0.04)0.24)predict在回归结束后，需要对拟合值以及残差进行分析，需要使用此命令。
《计量经济学》第三版例题stata解答
第二章例2.1．1(p24)（1）表2.1.2中E(Y|X=800)即条件均值的求法，将数据直接复制到stata 中。
程序： sum y if x==800程序：程序：（2）图2.1.1的做法：程序：twoway(scatter y x )(lfit y x ),title("不同可支配收入水平组家庭消费支出的条件分布图")xtitle("每月可支配收入（元）")ytitle("每月消费支出（元）")xtick(500(500)4000)ytick(0(500)3500)例2.3．1（p37）将数据直接复制到stata 中程序：（1）total xiyireturn listscalars:r(skip) = 0r(first) = 1r(k_term) = 0r(k_operator) = 0r(k) = 0r(k_level) = 0r(output) = 1r(b) = 4974750r(se) = 1507820.761894463g a=r(b) in 1 total xi2 xiyi 4974750 1507821 1563822 8385678Total Std. Err. [95% Conf. Interval]Scatter 表示散点图选项，lfit 表示回归线，title 表示题目，xtick 表示刻度，（500（500）4000）分别表示起始刻度，中间数表示以单位刻度，4000表示最后的刻度。
要注意的是命令中的符号都要用英文字符，否则命令无效。
return listg b=r(b) in 1di a/b.67(2)mean Yigen m=r(b) in 1mean Xig n=r(b) in 1di m-n*0.67142.4由此得到回归方程：Y=142.4+0.67Xi例2.6．2(p53)程序：（1）回归reg y x（2）求X的样本均值和样本方差:mean xMean estimation Number of obs = 31 Mean Std. Err. [95% Conf. Interval] x 11363.69 591.7041 10155.27 12572.11sum x ,d（d表示detail的省略，这个命令会产生更多的信息）xPercentiles Smallest1% 8871.27 8871.275% 8920.59 8920.5910% 9000.35 8941.08 Obs 3125% 9267.7 9000.35 Sum of Wgt. 3150% 9898.75 Mean 11363.69Largest Std. Dev. 3294.46975% 12192.24 16015.5890% 16015.58 18265.1 Variance 1.09e+0795% 19977.52 19977.52 Skewness 1.69197399% 20667.91 20667.91 Kurtosis 4.739267di r(Var)（特别注意Var的大小写）10853528例2.6.2（P56）（1）reg Y XSource SS df MS Number of obs = 29F( 1, 27) = 2214.60Model 2.4819e+09 1 2.4819e+09 Prob > F = 0.0000Residual 30259023.9 27 1120704.59 R-squared = 0.9880Adj R-squared = 0.9875 Total2.5122e*************.8RootMSE=1058.6Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .4375268 .0092973 47.06 0.000 .4184503 .4566033_cons 2091.295 334.987 6.24 0.000 1403.959 2778.632（2）图2.6.1的绘制：twoway (line Y X year),title("中国居民可支配总收入X与消费总支出Y 的变动图")第三章例3.2.2（p72）reg Y X1 X2Source SS df MS Number of obs = 31F( 2, 28) = 560.57Model 166971988 2 83485994.2 Prob > F = 0.0000Residual 4170092.27 28 148931.867 R-squared = 0.9756Adj R-squared = 0.9739Total 171142081 30 5704736.02 Root MSE = 385.92Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X1 .5556438 .0753076 7.38 0.000 .4013831 .7099046X2 .2500854 .1136343 2.20 0.036 .0173161 .4828547_cons 143.3266 260.4032 0.55 0.586 -390.0851 676.7383例3.5．1（p85）g lnP1=ln(P1)g lnP0=ln(P0)g lnQ=ln(Q)g lnX=ln(X)Source SS df MS Number of obs = 22 F( 3, 18) = 258.84 Model .765670868 3 .255223623 Prob > F = 0.0000 Residual .017748183 18 .00098601 R-squared = 0.9773 Adj R-squared = 0.9736 Total .783419051 21 .037305669 Root MSE = .0314 lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX .5399167 .0365299 14.78 0.000 .4631703 .6166631 lnP1 -.2580119 .1781856 -1.45 0.165 -.632366 .1163422 lnP0 -.2885609 .2051844 -1.41 0.177 -.7196373 .1425155 _cons 5.53195 .0931071 59.41 0.000 5.336339 5.727561 drop lnX lnP1 lnP0g lnXP0=ln(X/P0)g lnP1P0=ln(P1/P0)reg lnQ lnXP0 lnP1P0Source SS df MS Number of obs = 22F( 2, 19) = 408.93Model .765632331 2 .382816165 Prob > F = 0.0000Residual .01778672 19 .000936143 R-squared = 0.9773Adj R-squared = 0.9749Total .783419051 21 .037305669 Root MSE = .0306lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]lnXP0 .5344394 .0231984 23.04 0.000 .4858846 .5829942lnP1P0 -.2753473 .1511432 -1.82 0.084 -.5916936 .040999_cons 5.524569 .0831077 66.47 0.000 5.350622 5.698515练习题13（p105）g lnY=ln(Y)g lnK=ln(K)g lnL=ln(L)reg lnY lnK lnLSource SS df MS Number of obs = 31 F( 2, 28) = 59.66 Model 21.6049266 2 10.8024633 Prob > F = 0.0000 Residual 5.07030244 28 .18108223 R-squared = 0.8099 Adj R-squared = 0.7963 Total 26.6752291 30 .889174303 Root MSE = .42554 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnK .6092356 .1763779 3.45 0.002 .2479419 .9705293 lnL .3607965 .2015915 1.79 0.084 -.0521449 .7737378 _cons 1.153994 .7276114 1.59 0.124 -.33645 2.644439第四章例4.1．4 (P116)（1）回归g lnY=ln(Y)g lnX1=ln(X1)g lnX2=ln(X2)reg lnY lnX1 lnX2Source SS df MS Number of obs = 31 F( 2, 28) = 49.60 Model 2.9609923 2 1.48049615 Prob > F = 0.0000 Residual .835744123 28 .029848004 R-squared = 0.7799 Adj R-squared = 0.7642 Total 3.79673642 30 .126557881 Root MSE = .17277 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 .1502137 .1085379 1.38 0.177 -.072116 .3725435 lnX2 .4774534 .0515951 9.25 0.000 .3717657 .5831412 _cons 3.266068 1.041591 3.14 0.004 1.132465 5.39967于是得到方程：lnY=3.266+0.1502lnX1+0.4775lnX2（2）绘制参差图：predict e, residg ei2=e^2scatter ei2 lnX2,title("图4.1.3 异方差性检验图")xtick(6(0.4)9.2)ytick(0(0.04)0.24)predict在回归结束后，需要对拟合值以及残差进行分析，需要使用此命令。
stata 异方差构造工具变量
stata 异方差构造工具变量摘要：1.异方差概念及检验方法2.构造工具变量的方法3.Stata 中异方差检验的操作步骤4.利用Stata 进行基于异方差的工具变量估计正文：一、异方差概念及检验方法异方差（heteroskedasticity）是指回归模型中各个观测值的误差方差与其它观测值的误差方差存在差异。
当回归模型中存在异方差时，传统的普通最小二乘法（OLS）估计量可能存在偏误，因此需要进行异方差检验。
异方差检验的方法主要有以下几种：1.白检验（White Test）：通过构建一个辅助回归方程，然后使用LM 检验或F 检验进行检验。
2.戈德弗兰检验（Goldfeld-Quandt Test）：通过构建一个差分回归模型，然后使用ADF 检验进行检验。
3.怀特检验（Breusch-Pagan Test）：通过构建一个回归方程，然后使用t 检验或F 检验进行检验。
二、构造工具变量的方法工具变量（instrumental variable）是一种用于解决内生性问题的计量经济学方法。
构造工具变量的基本思路是找到一个与内生变量相关，但又与模型中的其他变量无关的变量。
在实践中，构造工具变量的方法有很多，例如：1.利用外部数据或信息构建工具变量。
2.利用模型中的其他变量构造工具变量，例如使用滞后变量、虚拟变量等。
3.利用错误测量模型（error-terms model）构造工具变量。
三、Stata 中异方差检验的操作步骤在Stata 中，可以使用`hettest`命令进行异方差检验。
具体操作步骤如下：1.首先，输入数据并进行回归分析。
2.然后，使用`hettest`命令进行异方差检验。
例如，可以使用`hettest 1 2`对第一个和第二个解释变量进行异方差检验。
3.最后，根据检验结果判断是否存在异方差问题，并决定是否需要使用工具变量等方法进行修正。
四、利用Stata 进行基于异方差的工具变量估计当发现存在异方差问题时，可以使用`ivhet`命令进行基于异方差的工具变量估计。
Stata软件操作教程 (14)
§ 4、异方差的处理
§ 若检测结果是存在异方差，就要对异方差的问题进行处理， 下面将会介绍Stata中常用的修正存在异方差的模型的方 法。
（2）怀特检验法 § 根据本章节介绍的该方法的原理，Stata可以直接
得到检验结果。对模型基本回归结束后，需要在 命令窗口输入如下命令：
§ estat imtest, white
§ 读怀特检验结果图： § 可见怀特检验的原假设是模型是同方差，备择假
设是无约束异方差。怀特检验结果显示，模型以
p值为0的检验结果显著地拒绝了原假设。结论与 前面的残差图结果是一致的，但更具有说服力。
（一）异方差检验的方法
§ （1）残差图观察法。由于异方差就是模型 扰动项的方差是变化的，根据这个原理就 可以观察模型残差拟合值的图形，根据图 形的形状变化判断异方差是否存在。但是 这种方法的严谨性稍差，并不是主流的检 验方法。
§ （2）怀特检验方法。由于模型扰动项的稳健标准差在同 方差的情况下还原为普通标准差，所以怀特检验的原理简 单来说就是看扰动项的稳健标准差与普通标准差的差距大 小。
Stata与模型修正
主要内容
1-异方差检验与处理 2-自相关和可行广义最小二乘法 3-内生性与2SLS、GMM
实验8-1：异方差检验与处理
§ 一、实验基本原理
§
§ 要解决模型中存在的异方差问题，分为两个步骤：第一， 要准确的检测出异方差的存在；第二，解决异方差带来的 副作用，使模型估计量具有很好的性质。下面将会详细介 绍异方差检验和处理的原理。
怀特检验的stata步骤
stata怀特检验stataf检验statat检验stata异方差检验stata协整检验stata平稳性检验stata单位根检验卡方检验statastataadf检验stata格4;G:\econometrics\teach\hetero" /*your data path*/ capture log close log using "result\heterskedasicity.log", replace *1) Open your data file use "data\hprice1.dta", clear *2) Regress housing price on house size, and test for heterskedasicity reg price lotsize sqrft bdrms whitetst /*You can also try "whitetst, fitted" for e=d+d1yhat+d2yhat^2+v */ bpagan lotsize sqrft bdrms *3) Regress Log(housing price) on Log(house size), and test for heterskedasicity reg lprice llotsize lsqrft bdrms whitetst /*You can also try "whitetst, fitted" for e=d+d1yhat+d2yhat^2+v */ bpagan llotsize lsqrft bdrms *4) OLS, with robust sd reg price lotsize sqrft bdrms, robust *5)GLS/WLS bpagan llotsize reg price lotsize sqrft bdrms [aw = 1/lotsize] *5)FGLS reg price lotsize sqrft bdrms /*First, doing OLS, and we know from 2, this model has heterskedasicity*/ predict e, residual /*get the residual */ gen ln_e2=log(e*e) /*generate log of the square of residual */ reg ln_e2 lotsize sqrft bdrms /*reg residual square on all Xs */ predict ghat, xb /*get predicted value for ln_e2*/ gen se=exp(ghat) /*get hhat */ reg price lotsize sqrft bdrms [aw = 1/se] /*WLS, using the estimated variance as weight*/ log close
stata怀特检验多元方程
stata怀特检验多元方程
怀特检验（White test）是一种用于异方差性的检验方法，它可以用于多元线性回归模型的异方差性检验。
在Stata 中进行怀特检验的步骤如下：
首先，你需要运行你的多元线性回归模型，并保存模型的残差。
假设你的模型名为myreg，你可以使用以下命令来保存残差：
stata复制代码
predict res,
residuals
然后，你可以使用以下命令来运行怀特检验：
stata复制代码
estat hettest这个命令将会计算怀特检验的p值，如果p值小于你选择的显著性水平（例如0.05），那么你可以拒绝原假设（即残差是同方差的），认为模型存在异方差性。
这个命令将会计算怀特检验的p值，如果p值小于你选择的显著性水平（例如0.05），那么你可以拒绝原假设（即残差是同方差的），认为模型存在异方差性。
注意，这个命令只能用于已经拟合了模型的回归方程。
如果你的模型还没有拟合，你需要先拟合模型，然后再进行怀特检验。
另外，如果你想进行更详细的异方差性检验，你可以使用estat hettest2命令，这个命令将会给出更多的异方差性检验结果。
stata怀特异方差检验命令
stata怀特异方差检验命令Stata怀特异方差检验命令引言在统计学中，方差是一个非常重要的概念。
在进行数据分析时，我们通常会假设方差是恒定的，即同一组数据中各个观测值的方差相等。
然而，在实际应用中，我们经常会遇到方差不恒定的情况。
这时候，我们需要进行怀特异方差检验。
怀特异方差检验是一种用于检验方差不恒定性的方法。
它可以帮助我们确定是否需要对数据进行调整以消除方差不恒定性。
Stata软件提供了多种怀特异方差检验命令，本文将详细介绍这些命令及其使用方法。
一、基础知识1. 方差方差是衡量一组数据分散程度的统计量。
它表示每个观测值与平均值之间的偏离程度，并且是所有偏离程度平均值的平均值。
2. 怀特异方差怀特异方差指同一组数据中各个观测值的方差不相等。
这种情况通常会导致统计结果出现偏误。
3. 怀特异方差检验怀特异方差检验是一种用于检验方差不恒定性的方法。
它可以帮助我们确定是否需要对数据进行调整以消除方差不恒定性。
二、Stata命令1. hettesthettest命令可以用于进行怀特异方差检验。
它会输出F统计量和p值，用于判断是否存在方差不恒定性。
hettest命令的语法如下：hettest depvar [indepvars] [if] [in] [, level(numlist) white ols]其中，depvar表示因变量，indepvars表示自变量，if和in表示条件和子集选择，level(numlist)表示置信水平，white表示使用怀特异方差检验，ols表示使用普通最小二乘回归。
示例代码：sysuse auto, clearreg price weight mpg foreignhettest, white2. ovtestovtest命令也可以用于进行怀特异方差检验。
它会输出LM统计量和p值，用于判断是否存在方差不恒定性。
ovtest命令的语法如下：ovtest depvar [indepvars] [if] [in], rhs(varlist) white其中，depvar表示因变量，indepvars表示自变量，if和in表示条件和子集选择，rhs(varlist)指定右边的变量列表（即自变量），white表示使用怀特异方差检验。
stata选择实验法
stata选择实验法
Stata是一种统计分析软件，可以用于分析各种数据，包括实验数据。
在使用Stata进行实验法选择时，以下步骤可以作为参考：
1. 数据准备：将实验数据导入Stata中，并确保数据格式正确。
2. 描述性统计：使用Stata的描述性统计功能，对实验数据进行总体特征的描述，包括均值、标准差等。
3. T检验：如果实验中涉及到两个样本之间的比较，可以使用Stata的T检验功能，比较两个样本的均值是否存在显著差异。
4. 方差分析：如果实验中有多个组别，可以使用Stata的方差分析功能，比较不同组别之间的均值是否存在显著差异。
5. 回归分析：如果实验中有多个自变量和一个因变量，可以使用Stata的回归分析功能，探究自变量对因变量的影响，同时进行显著性检验。
6. 实验设计优化：根据实验结果，可以使用Stata的设计优化功能，对实验方案进行调整，以获得更准确和可靠的结果。
以上是使用Stata进行实验法选择的一般步骤，具体分析方法和步骤可能因实验的具体要求而有所不同。
stata选择实验法
stata选择实验法
Stata是数据分析领域常用的统计软件之一，它提供了丰富的
工具和功能，可用于进行各种数据分析和建模任务，包括实验设计和处理选择实验法。
下面是一个在Stata中进行选择实验
法的简要步骤：
1. 准备数据：将实验所需的数据导入Stata，确保数据格式正
确并且包含必要的变量信息。
2. 创建实验组和对照组：根据实验要求，使用Stata的数据处
理命令（如gen、replace等）创建实验组和对照组，并为每个
组分配相应的处理。
3. 运行主要分析：使用Stata的命令进行实验结果的主要分析，例如进行对比组之间的均值比较、方差分析、回归分析或其他统计检验。
4. 结果解释和报告：根据实验数据和分析结果，进行结果解释和统计报告，提供有关实验效果和显著性的结论。
在实施过程中，Stata提供了一系列的命令和函数，用于数据
处理、统计分析、图表绘制等任务。
具体使用哪些命令和函数，取决于实验设计的要求和数据特点。
需要注意的是，选择实验法是一种比较复杂的实验设计方法，需要进行严格的样本选择和处理过程，以确保实验的结果可信
度和可解释性。
在使用Stata进行选择实验法时，建议参考相关文献和方法指南，以充分了解和应用相关概念和技术。
stata笔记要点
1.一般检验假设系数为0，t比较大则拒绝假设，认为系数不为0.假设系数为0，P比较小则拒绝假设，认为系数不为0.假设方程不显著，F比较大则拒绝假设，认为方程显著。
2.小样本运用OLS进行估计的前提条件为：（1）线性假定。
即解释变量与被解释变量之间为线性关系。
这一前提可以通过将非线性转换为线性方程来解决。
（2）严格外生性。
即随机扰动项独立于所有解释变量：与解释变量之间所有时候都是正交关系，随机扰动项期望为0。
(工具变量法解决)（3）不存在严格的多重共线性。
一般在现实数据中不会出现，但是设置过多的虚拟变量时，可能会出现这种现象。
Stata可以自动剔除。
（4）扰动项为球型扰动项，即随即扰动项同方差，无自相关性。
3.大样本估计时，一般要求数据在30个以上就可以称为大样本了。
大样本的前提是（1）线性假定（2）渐进独立的平稳过程（3）前定解释变量，即解释变量与同期的扰动项正交。
（4）E（XiXit）为非退化矩阵。
（5）gt为鞅差分序列，且其协方差矩阵为非退化矩阵。
与小样本相比，其不需要严格的外生性和正太随机扰动项的要求。
4.命令稳健标准差回归：reg y x1x2x3,robust回归系数与OLS一样，但标准差存在差异。
如果认为存在异方差，则使用稳健标准差。
使用稳健标准差可以对大样本进行检验。
只要样本容量足够大，在模型出现异方差的情况下，使用稳健标准差时参数估计、假设检验等均可正常进行，即可以很大程度上消除异方差带来的副作用对单个系数进行检验：test lnq=1线性检验：testnl_b[lnpl]=_b[lnq]^25.如果回归模型为非线性，不方便使用OLS,则可以采取最大似然估计法（MLE）,或者非线性最小二乘法（NLS）6.违背经典假设，即存在异方差的情况。
截面数据通常会出现异方差。
因此检验异方差可以：（1）看残差图，但只是直观，可能并不准确。
rvfplot(residual-versus-fitted plot)与拟合值的散点图rvpplot varname(residual-versus-predictor plot)与解释变量的散点图扰动项的方差随观测值而变动，表示可能存在异方差。
stata软件meta分析操作详细攻略
作者
试验组 发生数
发表年份
试验组 未发生
对照组 发生数
对照组 未发生
更改变 量名称
*
2.2 连续性资料数据录入
试验组 样本数
试验组 均数
试验组 标准差
对照组 样本数
对照组 均数
对照组 标准差
作者
发表年份
*
2.3 metan菜单命令
计数资料 连续性资料
效应量
效应量的标 准误
研究标签
命令输入
年份标签
异质性
*
无效线
95%可信 区间
权重
对于有利结局菱形在右 边有效，左边无效；不 利结局则相反。
2.6 连续性资料森林图
无效线
当两均数差值为0时，差 异无统计学意义，故无 效线在0处。
*
2.7 连续性资料森林图
无效线
当两均数差值为0时，差 异无统计学意义，故无 效线在0处。
*
异质性的处理
4 第四部
亚组分析
按某种顺序排 列
*
2.3 metan菜单命令
模型
*
效应量
2.4 metan菜单命令
模型
*
2.4 资料分析结果输出
合并统计量
异质性Q检验
I2值
P值
*
2.5 二分类资料森林图
中间短横线代表一 个试验结果的可信 区间，位于横线中 间的小方块代表OR 值。最下方菱形符 号代表纳入全部试 验的综合结果。短 横线/菱形与无效线 相交表示差异无统 计学意义。
.5
0
-.5
0
.2
.4
s.e. of: SMD
*
5.3 Begg法结果输出
计量经济学stata操作指南
计量经济学stata操作指南计量经济学stata操作（实验课）第一章stata基本知识1、stata窗口介绍2、基本操作（1）窗口锁定：Edit-preferences-general preferences-windowing-lock splitter （2）数据导入（3）打开文件：use E:\example.dta,clear（4）日期数据导入：gen newvar=date(varname, “ymd”)format newvar %td 年度数据gen newvar=monthly(varname, “ym”)format newvar %tm 月度数据gen newvar=quarterly(varname, “yq”)format newvar %tq 季度数据（5）变量标签Label variable tc ` “total output” ’（6）审视数据describelist x1 x2list x1 x2 in 1/5list x1 x2 if q>=1000drop if q>=1000keep if q>=1000（6）考察变量的统计特征summarize x1su x1 if q>=10000su q,detailsutabulate x1correlate x1 x2 x3 x4 x5 x6（7）画图histogram x1, width(1000) frequency kdensity x1scatter x1 x2twoway (scatter x1 x2) (lfit x1 x2) twoway (scatter x1 x2) (qfit x1 x2) （8）生成新变量gen lnx1=log(x1)gen q2=q^2gen lnx1lnx2=lnx1*lnx2gen larg=(x1>=10000)rename larg largeg large=(q>=6000)replace large=(q>=6000)drop ln*（8）计算功能display log(2)（9）线性回归分析regress y1 x1 x2 x3 x4vce #显示估计系数的协方差矩阵reg y1 x1 x2 x3 x4,noc #不要常数项reg y1 x1 x2 x3 x4 if q>=6000reg y1 x1 x2 x3 x4 if largereg y1 x1 x2 x3 x4 if large==0reg y1 x1 x2 x3 x4 if ～large predict yhatpredict e1,residualdisplay 1/_b[x1]test x1=1 # F检验，变量x1的系数等于1test (x1=1) (x2+x3+x4=1) # F联合假设检验test x1 x2 #系数显著性的联合检验testnl _b[x1]= _b[x2]^2（10）约束回归constraint def 1 x1+x2+x3=1cnsreg y1 x1 x2 x3 x4,c(1)cons def 2 x4=1cnsreg y1 x1 x2 x3 x4,c(1-2)（11）stata的日志File-log-begin-输入文件名log off 暂时关闭log on 恢复使用log close 彻底退出（12）stata命令库更新Update allhelp command第二章有关大样本ols的stata命令及实例（1）ols估计的稳健标准差reg y x1 x2 x3,robust（2）实例use example.dta,clearreg y1 x1 x2 x3 x4test x1=1reg y1 x1 x2 x3 x4,rtestnl _b[x1]=_b[x2]^2第三章最大似然估计法的stata命令及实例（1）最大似然估计help ml（2）LR检验lrtest #对面板数据中的异方差进行检验（3）正态分布检验sysuse auto #调用系统数据集auto.dtahist mpg,normalkdensity mpg,normalqnorm mpg*手工计算JB统计量sum mpg,detaildi (r(N)/6)*((r(skewness)^2)+[(1/4)*(r(kurtosis)-3)^2]) di chi2tail(自由度，上一步计算值)*下载非官方程序ssc install jb6jb6 mpg*正态分布的三个检验sktest mpgswilk mpgsfrancia mpg*取对数后再检验gen lnmpg=log(mpg)kdensity lnmpg, normaljb6 lnmpgsktest lnmpg第四章处理异方差的stata命令及实例（1）画残差图rvfplotrvfplot varname*例题use example.dta,clearreg y x1 x2 x3 x4rvfplot # 与拟合值的散点图rvfplot x1 # 画残差与解释变量的散点图（2）怀特检验estat imtest,white*下载非官方软件ssc install whitetst（3）BP检验estat hettest #默认设置为使用拟合值estat hettest,rhs #使用方程右边的解释变量estat hettest [varlist] #指定使用某些解释变量estat hettest,iidestat hettest,rhs iidestat hettest [varlist],iid（4）WLSreg y x1 x2 x3 x4 [aw=1/var]*例题quietly reg y x1 x2 x3 x4predict e1,resgen e2=e1^2gen lne2=log(e2)reg lne2 x2,nocpredict lne2fgen e2f=exp(lne2f)reg y x1 x2 x3 x4 [aw=1/e2f]（5）stata命令的批处理（写程序）Window-do-file editor-new do-file#WLS for examplelog using E:\wls_example.smcl,replaceset more offuse E:\example.dta,clearreg y x1 x2 x3 x4predict e1,resgen e2=e1^2g lne2=log(e2)reg lne2 x2,nocpredict lne2fg e2f=exp(lne2f)*wls regressionreg y x1 x2 x3 x4 [aw=1/e2f]log closeexit第五章处理自相关的stata命令及实例（1）滞后算子/差分算子tsset yearl.l2.D.D2.LD.（2）画残差图scatter e1 l.e1ac e1pac e1（3）BG检验estat bgodfrey（默认p=1）estat bgodfrey,lags(p)estat bgodfrey,nomiss0（使用不添加0的BG检验）（4）Ljung-Box Q检验reg y x1 x2 x3 x4predict e1,residwntestq e1wntestq e1,lags(p)* wntestq指的是“white noise test Q”，因为白噪声没有自相关（5）DW检验做完OLS回归后，使用estat dwatson（6）HAC稳健标准差newey y x1 x2 x3 x4,lag(p)reg y x1 x2 x3 x4,cluster(varname)（7）处理一阶自相关的FGLSprais y x1 x2 x3 x4 （使用默认的PW估计方法）prais y x1 x2 x3 x4,corc （使用CO估计法）（8）实例use icecream.dta, cleartsset timegraph twoway connect consumption temp100 time, msymbol(circle) msymbol(triangle) reg consumption temp price incomepredict e1, resg e2=l.e1twoway (scatter e1 e2) (lfit e1 e2)ac e1pac e1estat bgodfreywntestq e1estat dwatsonnewey consumption temp price income, lag (3)prais consumption temp price income, corcprais consumption temp price income, nologreg consumption temp l.temp price incomeestat bgodfreyestat dwatson第六章模型设定与数据问题（1）解释变量的选择reg y x1 x2 x3estat ic*例题use icecream.dta, clearreg consumption temp price incomeestat icreg consumption temp l.temp price incomeestat ic（2）对函数形式的检验（reset检验）reg y x1 x2 x3estat ovtest （使用被解释变量的2、3、4次方作为非线性项）estat ovtest, rhs （使用解释变量的幂作为非线性项，ovtest-omitted variable test）*例题use nerlove.dta, clearreg lntc lnq lnpl lnpk lnpfestat ovtestg lnq2=lnq^2reg lntc lnq lnq2 lnpl lnpk lnpfestat ovtest（3）多重共线性estat vif*例题use nerlove.dta, clearreg lntc lnq lnpl lnpk lnpfestat vif（4）极端数据reg y x1 x2 x3predict lev, leverage （列出所有解释变量的lev值）gsort –levsum levlist lev in 1/3*例题use nerlove.dta, clearquietly reg lntc lnq lnpl lnpk lnpfpredict lev, leveragesum levgsort –levlist lev in 1/3（5）虚拟变量gen d=(year>=1978)tabulate province, generate (pr)reg y x1 x2 x3 pr2-pr30（6）经济结构变动的检验方法1：use consumption_china.dta, cleargraph twoway connect c y year, msymbol(circle) msymbol(triangle)reg c yreg c y if year<1992reg c y if year>=1992计算F统计量方法2：gen d=(year>1991)gen yd=y*dreg c y d ydtest d yd第七章工具变量法的stata命令及实例（1）2SLS的stata命令ivregress 2sls depvar [varlist1] (varlist2=instlist)如：ivregress 2sls y x1 (x2=z1 z2)ivregress 2sls y x1 (x2 x3=z1 z2 z3 z4) ,r firstestat firststage,all forcenonrobust （检验弱工具变量的命令）ivregress liml depvar [varlist 1] (varlist2=instlist)estat overid （过度识别检验的命令）*对解释变量内生性的检验（hausman test），缺点：不适合于异方差的情形reg y x1 x2estimates store olsivregress 2sls y x1 (x2=z1 z2)estimates store ivhausman iv ols, constant sigmamore*DWH检验estat endogenous*GMM的过度识别检验ivregress gmm y x1 (x2=z1 z2) （两步GMM）ivregress gmm y x1 (x2=z1 z2),igmm （迭代GMM）estat overid*使用异方差自相关稳健的标准差GMM命令ivregress gmm y x1 (x2=z1 z2), vce (hac nwest[#])（2）实例use grilic.dta,clearsumcorr iq sreg lw s expr tenure rns smsa,rreg lw s iq expr tenure rns smsa,rivregress 2sls lw s expr tenure rns smsa (iq=med kww mrt age),restat overidivregress 2sls lw s expr tenure rns smsa (iq=med kww),r first estat overidestat firststage, all forcenonrobust （检验工具变量与内生变量的相关性）ivregress liml lw s expr tenure rns smsa (iq=med kww),r *内生解释变量检验quietly reg lw s iq expr tenure rns smsaestimates store olsquietly ivregress 2sls lw s expr tenure rns smsa (iq=med kww) estimates store ivhausman iv ols, constant sigmamoreestat endogenous （存在异方差的情形）*存在异方差情形下，GMM比2sls更有效率ivregress gmm lw s expr tenure rns smsa (iq=med kww)estat overidivregress gmm lw s expr tenure rns smsa (iq=med kww),igmm*将各种估计方法的结果存储在一张表中quietly ivregress gmm lw s expr tenure rns smsa (iq=med kww)estimates store gmmquietly ivregress gmm lw s expr tenure rns smsa (iq=med kww),igmmestimates store igmmestimates table gmm igmm第八章短面板的stata命令及实例（1）面板数据的设定xtset panelvar timevarencode country,gen(cntry) （将字符型变量转化为数字型变量）xtdesxtsumxttab varnamextline varname,overlay*实例use traffic.dta,clearxtset state yearxtdesxtsum fatal beertax unrate state yearxtline fatal（2）混合回归reg y x1 x2 x3,vce(cluster id)如：reg fatal beertax unrate perinck,vce(cluster state)estimates store ols对比：reg fatal beertax unrate perinck（3）固定效应xtreg y x1 x2 x3,fe vce(cluster id)xi:reg y x1 x2 x3 i.id,vce(cluster id) （LSDV法）xtserial y x1 x2 x3,output （一阶差分法，同时报告面板一阶自相关）estimates store FD*双向固定效应模型tab year, gen (year)xtreg fatal beertax unrate perinck year2-year7, fe vce (cluster state)estimates store FE_TWtest year2 year3 year4 year5 year6 year7（4）随机效应xtreg y x1 x2 x3,re vce(cluster id) （随机效应FGLS）xtreg y x1 x2 x3,mle （随机效应MLE）xttest0 （在执行命令xtreg, re 后执行，进行LM检验）（5）组间估计量xtreg y x1 x2 x3,be（6）固定效应还是随机效应：hausman testxtreg y x1 x2 x3,feestimates store fextreg y x1 x2 x3,reestimates store rehausman fe re,constant sigmamore （若使用了vce(cluster id)，则无法直接使用该命令，解决办法详见P163）estimates table ols fe_robust fe_tw re be, b se （将主要回归结果列表比较）第九章长面板与动态面板（1）仅解决组内自相关的FGLSxtpcse y x1 x2 x3 ,corr(ar1) （具有共同的自相关系数）xtpcse y x1 x2 x3 ,corr(psar1) （允许每个面板个体有自身的相关系数）例题：use mus08cigar.dta,cleartab state,gen(state)gen t=year-62reg lnc lnp lnpmin lny state2-state10 t,vce(cluster state)estimates store OLSxtpcse lnc lnp lnpmin lny state2-state10 t,corr(ar1) (考虑存在组内自相关，且各组回归系数相同)estimates store AR1xtpcse lnc lnp lnpmin lny state2-state10 t,corr(psar1) (考虑存在组内自相关，且各组回归系数不相同)estimates store PSAR1xtpcse lnc lnp lnpmin lny state2-state10 t, hetonly (仅考虑不同个体扰动性存在异方差，忽略自相关)estimates store HETONL Yestimates table OLS AR1 PSAR1 HETONL Y, b se（2）同时处理组内自相关与组间同期相关的FGLSxtgls y x1 x2 x3,panels (option/iid/het/cor) corr(option/ar1/psar1) igls注：执行上述xtpcse、xtgls命令时，如果没有个体虚拟变量，则为随机效应模型；如果加上个体虚拟变量，则为固定效应模型。
关于实证论文计量软件的一些菜鸟心得(附stata简单操作)
迎。使用时可以每次只输入一个命令（适合初学者） ，也可以通过一个 Stata 程序 一次输入多个命令（适合高级用户） 。这样的话，即使发生错误，也较容易找出 并加以修改。 数据管理。尽管 Stata 的数据管理能力没有 SAS 那么强大，它仍然 有很多功能较强且简单的数据管理命令，能够让复杂的操作变得容易。Stata 主 要用于每次对一个数据文件进行操作，难以同时处理多个文件。随着 Stata/SE 的 推出，现在一个 Stata 数据文件中的变量可以达到 32,768，但是当一个数据文件 超越计算机内存所允许的范围时，你可能无法分析它。 统计分析。Stata 也能够 进行大多数统计分析 （回归分析， logistic 回归， 生存分析， 方差分析， 因子分析， 以及一些多变量分析） 。Stata 最大的优势可能在于回归分析（它包含易于使用的 回归分析特征工具） ，logistic 回归（附加有解释 logistic 回归结果的程序，易用于 有序和多元 logistic 回归） 。Stata 也有一系列很好的稳健方法，包括稳健回归， 稳健标准误的回归，以及其他包含稳健标准误估计的命令。此外，在调查数据分 析领域，Stata 有着明显优势，能提供回归分析，logistic 回归，泊松回归，概率 回归等的调查数据分析。 它的不足之处在于方差分析和传统的多变量方法（多变 量方差分析，判别分析等） 。 绘图功能。正如 SPSS，Stata 能提供一些命令或鼠 标点击的交互界面来绘图。 与 SPSS 不同的是它没有图形编辑器。 在三种软件中， 它的绘图命令的句法是最简单的，功能却最强大。图形质量也很好，可以达到出 版的要求。另外，这些图形很好的发挥了补充统计分析的功能，例如，许多命令 可以简化回归判别过程中散点图的制作。 总结。Stata 较好地实现了使用简便和 功能强大两者的结合。 尽管其简单易学，它在数据管理和许多前沿统计方法中的 功能还是非常强大的。 用户可以很容易的下载到别人已有的程序，也可以自己去 编写，并使之与 Stata 紧密结合。 SPSS 一般用法。SPSS 非常容易使用，故最为初学者所接受。它有一个可以点击的 交互界面， 能够使用下拉菜单来选择所需要执行的命令。它也有一个通过拷贝和 粘贴的方法来学习其“句法”语言，但是这些句法通常非常复杂而且不是很直观。 数据管理。SPSS 有一个类似于 Excel 的界面友好的数据编辑器，可以用来输入和 定义数据（缺失值，数值标签等等） 。它不是功能很强的数据管理工具（尽管 SPS 11 版增加了一些增大数据文件的命令，其效果有限） 。SPSS 也主要用于对一个文
Meta 分析及stata命令
统计量 加权均数或均差
OR RR 相关系数 r
线性回归 b
效应量
取对数 ln(OR) 取对数 ln(RR) z 0.5ln(1 r )
1 r
2021/10/10
4
Meta 分析——资料提取
• 文献的基本信息：第一作者、发表日期 • 样本量 • 研究对象的的基本资料：性别、年龄等社会人口
学资料；疾病类型、诊断时间等临床资料 • 研究变量 • 效应指标（文献中已有或者需要计算获得）。
I. 二分类变量：
metareg logor year n1 n2, wsse(_seES)
II. 相关系数：
metareg es sex ,wsse(se)； metareg es sex marital age,wsse(se)
注：
2a02.1/10/纳10 入变量数量不同，结果不同
13
亚组分析
• 例：metan n1 m1 sd1 n2 m2 sd2, random
2021/10/10
9
森林图及异质性检验： ——相关系数
• ③metan命令后跟两个变量：效应量和其标 准误)
• 例：metan ES se, label(namevar=study, yearvar=year)
2021/10/10
制表、建立数据库
2021/10/10
5
• 1.6 文献质量评价
• 纽卡斯尔-渥太华量表（the Newcastle-Ottawa Scale， NOS）
• 澳大利亚乔安娜循证护理中心(Joanna briggs institute, JBI)研制的横断面研究偏倚风险评价标准
• Jadad 评分
2021/10/10