stata回归结果详解(课堂PPT)
合集下载
金融数据库如何使用STATA做回归分析 ppt课件
– 实验数据：在实验环境中获得 – 非实验数据：对个人、企业或者经济系统中进
行观测得到
• 通常情况下，社会科学使用非实验数据。
金融数据库如何使用STATA做回归 分析
数据类型
• 时间序列：变量由不同时间的观测值构成。如1993年至 2015年股票价格，GDP, CPI，汽车销售量。
• 横截面数据：在某个时点对个人、企业、家庭、国家等个 体采集样本形成的数据。如某时点股票价格、GDP, CPI, 汽车销售量，某年份个人、家庭收入，企业销售额。
– 多元回归，回归分析推断，大样本理论 – 虚拟变量回归 – 异方差，自相关
• 使用STATA做多元回归分析
– 数据导入、描述、画图 – 回归分析、回归诊断
金融数据库如何使用STATA做回归 分析
教材
• 计量经济学
– 伍德里奇，计量经济学导论，人民大学出版社 – Chattefueer & Hadi, Regression Analysis by Sample – Stock & Watson, 计量经济学导论 – Jonhnston: Econometric Methods
–
金融数据库如何使用STATA做回归 分析
国内常用微观数据5
• 中国家庭动态跟踪调查数据。（ Chinese Family Panel Studies, CFPS） 。
– 是北京大学中国社会科学调查中心(ISSS)实施的一项旨在通过跟 踪搜集个体、家庭、社区三个层次的数据，反映中国社会、经济、 人口、教育和健康的变迁。2008年在北京、上海、广东的展开探 索性调查，调查规模为2400户；2009年在北京、上海、广东三地 展开工具性测试跟踪调查，测试CAPI技术、调查进程实时管理技 术、调查进程实时技术支持系统、数据质量实时监控技术的稳定 性和可靠性。2010年在全国（西藏、青海、新疆、宁夏、内蒙古、 海南、香港、澳门、台湾不在其列）正式实施，调查规模为 16000户，每年一次跟踪调查。
行观测得到
• 通常情况下，社会科学使用非实验数据。
金融数据库如何使用STATA做回归 分析
数据类型
• 时间序列：变量由不同时间的观测值构成。如1993年至 2015年股票价格，GDP, CPI，汽车销售量。
• 横截面数据：在某个时点对个人、企业、家庭、国家等个 体采集样本形成的数据。如某时点股票价格、GDP, CPI, 汽车销售量，某年份个人、家庭收入，企业销售额。
– 多元回归，回归分析推断，大样本理论 – 虚拟变量回归 – 异方差，自相关
• 使用STATA做多元回归分析
– 数据导入、描述、画图 – 回归分析、回归诊断
金融数据库如何使用STATA做回归 分析
教材
• 计量经济学
– 伍德里奇，计量经济学导论，人民大学出版社 – Chattefueer & Hadi, Regression Analysis by Sample – Stock & Watson, 计量经济学导论 – Jonhnston: Econometric Methods
–
金融数据库如何使用STATA做回归 分析
国内常用微观数据5
• 中国家庭动态跟踪调查数据。（ Chinese Family Panel Studies, CFPS） 。
– 是北京大学中国社会科学调查中心(ISSS)实施的一项旨在通过跟 踪搜集个体、家庭、社区三个层次的数据，反映中国社会、经济、 人口、教育和健康的变迁。2008年在北京、上海、广东的展开探 索性调查，调查规模为2400户；2009年在北京、上海、广东三地 展开工具性测试跟踪调查，测试CAPI技术、调查进程实时管理技 术、调查进程实时技术支持系统、数据质量实时监控技术的稳定 性和可靠性。2010年在全国（西藏、青海、新疆、宁夏、内蒙古、 海南、香港、澳门、台湾不在其列）正式实施，调查规模为 16000户，每年一次跟踪调查。
stata软件基本操作和简单的一元线性回归PPT专业课件
Page 1
stata软件基本操作和 简单的一元线性回归
一、 Stata软件介绍
Page 2
Stata是世界著名的统计分析软件之一。 Stata 是一套提供其使用者数据分析、数据管理以 及绘制专业图表的完整及整合性统计软件。它提供 许许多多功能，包含线性混合模型、均衡重复反复 及多项式普罗比模式。用Stata绘制的统计图形相当 精美。 Stata的统计功能很强，除了传统的统计分析方法外， 还收集了近20年发展起来的新方法，如Cox比例风 险回归，指数与Weibull回归，多类结果与有序结果 的logistic回归，Poisson回归，负二项回归及广义负 二项回归，随机效应模型等。
这两种方式都要自己查表找ta/2(n-2)临界值对比 当然，除了这些基本信息以外，一般还会列出样本区间、 DW值等重要信息。这会在后面的课程中说明。
• 模型检验：R方、t、F检验
第一步 导入数据
• 点击data editor（edit）图标进入数据编辑器
Page 11
• 复制“时间序列”工作表的消费和收入数据（连同第一行 表头，不要第一列），在数据编辑器里粘贴
• 弹出提示，询问第一行是否要当成变量名称（表头），选 左边为是
• 点击variables manager按钮，更改变量名为英文，消费 为Y，收入为X
注意用英文逗号，然后空格！！
若只想对某一个变量进行描述，则输入
summarize 变量名, detail
多个变量直接以空格隔开即可
第二步 画散点图/描述统计
（2）图形描述 在命令栏输入：scatter Y X 即可，注意纵轴变量在前
Page 14
扩展：让图形更美观，可自行查阅help scatter的帮助文件 如：想每个点标上是第几行数据怎么做？ gen n=_n scatter Y X, mlabel(n)
stata软件基本操作和 简单的一元线性回归
一、 Stata软件介绍
Page 2
Stata是世界著名的统计分析软件之一。 Stata 是一套提供其使用者数据分析、数据管理以 及绘制专业图表的完整及整合性统计软件。它提供 许许多多功能，包含线性混合模型、均衡重复反复 及多项式普罗比模式。用Stata绘制的统计图形相当 精美。 Stata的统计功能很强，除了传统的统计分析方法外， 还收集了近20年发展起来的新方法，如Cox比例风 险回归，指数与Weibull回归，多类结果与有序结果 的logistic回归，Poisson回归，负二项回归及广义负 二项回归，随机效应模型等。
这两种方式都要自己查表找ta/2(n-2)临界值对比 当然，除了这些基本信息以外，一般还会列出样本区间、 DW值等重要信息。这会在后面的课程中说明。
• 模型检验：R方、t、F检验
第一步 导入数据
• 点击data editor（edit）图标进入数据编辑器
Page 11
• 复制“时间序列”工作表的消费和收入数据（连同第一行 表头，不要第一列），在数据编辑器里粘贴
• 弹出提示，询问第一行是否要当成变量名称（表头），选 左边为是
• 点击variables manager按钮，更改变量名为英文，消费 为Y，收入为X
注意用英文逗号，然后空格！！
若只想对某一个变量进行描述，则输入
summarize 变量名, detail
多个变量直接以空格隔开即可
第二步 画散点图/描述统计
（2）图形描述 在命令栏输入：scatter Y X 即可，注意纵轴变量在前
Page 14
扩展：让图形更美观，可自行查阅help scatter的帮助文件 如：想每个点标上是第几行数据怎么做？ gen n=_n scatter Y X, mlabel(n)
基于stata的回归分析18页PPT
• variable name type format label variable label
• --------------------------------------------------------------------------------------------------
• price
1、数据的统计性质
• 导入数据： • 方法一：cd F:\研究生\研一下\双学位中计2\
课件\statafiles；（设定当前工作区）use hprice2, clear （调用数据） • 方法二：use F:\研究生\研一下\双学位中计 2\课件\statafiles\hprice2.dta, clear
• stratio float %9.0g
average student-teacher ratio
• lprice
float %9.0g
log(price)
• lnox
float %9.0g
log(nox)
• --------------------------------------------------------------------------------------------------
e.g. x ~ N (0, 2) u x2, then
cov(u, x) E(ux) E(u)E(x) E(x3) E(x2)E(x) 0
E(u | x) E(x2 | x) 2
46、我们若已接受最坏的，就再没有什么损失。——卡耐基 47、书到用时方恨少、事非经过不知难。——陆游 48、书籍把我们引入最美好的社会，使我们认识各个时代的伟大智者。——史美尔斯 49、熟读唐诗三百首，不会作诗也会吟。——孙洙 50、谁和我一样用功，谁就会和我一样成功。——莫扎特
课件用stata做面板数据回归 课件
短面板
• 短面板回归基本步骤
• （1）导入并设定为面板数据。 • （2）做固定效应模型，并报告聚类稳健标准误与普通标准误。 • （3）做随机效应模型，并报告聚类稳健标准误与普通标准误。 • （4）比较两个模型的聚类稳健标准误与普通标准误是否相差较大，并决定采取是否使用辅助回归的
Hausman检验。若相差较大则采用辅助回归的Hausman检验，若相差不大则采用传统Hausman检验。 • （5）通过Hausman检验，决定采用固定效应模型还是随机效应模型。 • （6）报告并分析结果。
• 如果聚类稳健标准误与普通标准误相差较大，则传统Hausman检验不适用。
短面板
• Hausman检验
Stata与其他计量软件比较
• Eviews
• 界面不够人性化，使用前最好熟悉每个命令操作的程序语言 • 数据处理能力较弱 • 强于时间序列分析，但其它回归分析（如面板数据等）、数据处理、统计分析较弱 • 软件小，对内存要求也不高 • 小块头，小智慧！
Stata与其他计量软件比较
• Stata
• 简单易懂、界面像Excel，操作多样化（即可编程，也可鼠标操作） • 数据管理能力弱于SAS，一次主要用于一个数据文件，可处理的单个数据文件受内存大小影响，可处
课件-用st • 面板数据的设定 • 短面板 • 长面板 • 面板回归与空间计量
Stata与其他计量软件比较
• SPSS • SAS • Eviews • Stata
Stata与其他计量软件比较
• SPSS
• 界面人性化，基本如Excel，很容易上手 • 数据文件最多4096个变量 • 强于统计分析，如方差分析，没有稳健方法，弱于计量分析，缺乏调查数据分析 • 程序较大，属于统计软件而非真正的计量软件 • 大块头，小智慧！
Stata软件之回归讲解精品PPT课件
40
30
20
10
0
0
5
10
15
20
years of education
Fitted values
hourly wage
三、简单回归分析的Stata软件操作实例
7、wage对edu的OLS回归，只使用年龄小于或等于30岁的样
本。命令如下：
reg wage edu if age<=30 得到以下运行结果，保存该运行结果；
16 0 0 0
1.25
lnwage
1225 1.808352 .5307399 .2231435
第1列：变量名； 第2列：观测数； 第3列：均值； 第4列：标准差； 第5列：最小值； 第6列：最大值。
Max
60 19 50 2500 37.5
3.624341
三、简单回归分析的Stata软件操作实例
edu _cons
.3937442 .0488491 3.584695 .4589088
8.06 0.000 7.81 0.000
.2979069 2.684359
.4895815 4.485031
(2) 表左上方区域为方差分析表。第2列从上到下依次为回归平方和(SSE)、
残差平方和(SSR)和总离差平方和(SST)；第3列为自由度，分别为k=1，
age in years 1:female; 0:male 1:married; 0:unmarried 1:primary; 2:junior; 3:senior;
4:college years of education years of work experience:
age-edu-6 exp^2 1:bad; 2:good; 3:very good 1:migrant worker; 0:local worker hourly wage
计量经济学Stata软件应用【Stata软件之回归分析】次课PPT课件
obs:
1,225
vars:
11
25 Aug 2009 08:38
size:
58,800 (99.4% of memory free)
storage display variable name type format
value label
variable label
age female married edulevel
y 1xu
即假定截距系数 0 0 时，该模型被称为过原点回归；过 原点回归在实际中有一定的应用，但除非有非常明确的理 论分析表明 0 0 ，否则不宜轻易使用过原点回归模型。
.
4
二、简单回归分析的Stata基本命令
➢ regress y x 以 y 为被解释变量，x 为解释变量进行普通最小二乘 (OLS)回归。regress命令可简写为横线上方的三个字 母reg。
结果显示“工资方程1.dta”数据文件包含1225个样本和11个 变
量；11个变量的定义及说明见第3列。
.
8Hale Waihona Puke 三、简单回归分析的Stata软件操作实例
3、变量的描述性统计分析。对于定量变量，使用summarize 命令：su age edu exp expsq wage lnwage，得到以下运行结 果，保存该运行结果；
2、给出数据的简要描述。使用describe命令，简写为： des 得到以下运行结果；
.
7
三、简单回归分析的Stata软件操作实例
Contains data fromD:\½²¿Î×ÊÁÏ\ÖÜÝíµÄÉÏ¿Î×ÊÁÏ\Êý¾Ý\¡¾ÖØÒª¡¿\¡¾¼ÆÁ¿¾¼ÃѧÈí¼þÓ¦Ó
> ÿμþ¡¿\10649289\stata10\¹¤×Ê·½³Ì1.dta
课件-用stata做面板数据回归
数据来源与处理
数据来源
选择权威、可靠的数据来源，如国家统计局、Wind数据库等 ，获取面板数据。
数据处理
对数据进行清洗、整理和转换，以满足面板数据回归的要求 。包括删除重复值、处理缺失值、进行单位根检验等。
回归结果展示与解读
回归结果展示
利用Stata软件，选择合适的面板数据回归模型（如固定效应模型、随机效应模 型等），进行回归分析，并展示回归结果。
感谢您的观看
回归结果解读
对回归结果进行解读和分析，包括各解释变量的系数、显著性水平、模型的拟合 优度等。同时，结合经济理论和实际情况，对结果进行合理解释和讨论。
07 总结与展望
课程总结回顾
面板数据概念及特点
介绍了面板数据的基本概念和特点，包括横截面和时间序列两个维度， 以及固定效应和随机效应等模型。
数据处理和描述性统计
课件-用stata做面板数据回归
目 录
• 引言 • Stata软件简介与安装 • 面板数据导入与预处理 • 面板数据回归模型构建 • 模型检验与优化 • 实证分析：用Stata做面板数据回归 • 总结与展望
01 引言
目的和背景
探究面板数据回归方法
提高数据分析能力
通过本课程的学习，学生将掌握使用 Stata软件进行面板数据回归的方法，包 括模型的构建、估计和检验等步骤。
面板数据既包含了个体在不同时间点的观 测值（时间序列信息），也包含了同一时 间点不同个体的观测值（截面信息）。
可控制个体异质性
可分析动态效应
通过面板数据模型，可以控制不可观测的 个体异质性对回归结果的影响，从而提高 估计的准确性。
面板数据模型可以分析解释变量对被解释 变量的动态效应，即解释变量变化后，被 解释变量如何随时间变化。
线性回归ppt课件
用来检验误差项之间是否存在序列相关。
d的值域为[0,4]，在误差不存在序列相关时，d值应该在2左 右。d值小于2时意味着相邻的误差之间存在正相关；d值大于2 意味着相邻的误差存在负相关。
不一定只有时间序列数据才存在序列相关问题，各自独立的 变量之间出现序列相关的原因：
第六节 统计软件在线性回归分析中的应用
SPSS软件
模型设置、统计量选择、检验图形设置 分析结果的解释
STATA软件
各种设置的命令 分析结果的解释
SPSS图形的检验功能
检验误差项是否呈正态分布（Histogram of *zresid）：
做法：以回归方程的标准化误差为横坐标，以标准化误差 的频数为纵坐标，并提供正态分布参照线 ；
当多重共线性发生时，方程的回归系数不可靠。
注意：
多重共线性指的是自变量之间的线性相关，当自变量 之间为非线性相关时，不一定产生严重的多重共线性 问题 。
多重共线性的检验
多重共线性的存在依据：
方程的确定系数很高，且y与各自变量的相关系数 也很高，但自变量的回归系数均不显著；
多个自变量的情形，某一自变量可被其他变量线 性表达出来；
回归方程预测值与误差项的关系图（散点图）：
做法：
以回归方程标准化预测值为横坐标，以标准化误差为纵坐标。
作用：
线性关系的检查：若实际数据中变量间真为线性关系，该散点 图无明显趋势；
均方差性的检查：若均方差性存在，横轴各点上散点的纵向分 布宽度应该相等；
特异值的检查：若存在超出正负2区间的标准化误差值，便可 认为是特异值。
condition indexes）。
多重共线性的检验
检验指标及其计算
d的值域为[0,4]，在误差不存在序列相关时，d值应该在2左 右。d值小于2时意味着相邻的误差之间存在正相关；d值大于2 意味着相邻的误差存在负相关。
不一定只有时间序列数据才存在序列相关问题，各自独立的 变量之间出现序列相关的原因：
第六节 统计软件在线性回归分析中的应用
SPSS软件
模型设置、统计量选择、检验图形设置 分析结果的解释
STATA软件
各种设置的命令 分析结果的解释
SPSS图形的检验功能
检验误差项是否呈正态分布（Histogram of *zresid）：
做法：以回归方程的标准化误差为横坐标，以标准化误差 的频数为纵坐标，并提供正态分布参照线 ；
当多重共线性发生时，方程的回归系数不可靠。
注意：
多重共线性指的是自变量之间的线性相关，当自变量 之间为非线性相关时，不一定产生严重的多重共线性 问题 。
多重共线性的检验
多重共线性的存在依据：
方程的确定系数很高，且y与各自变量的相关系数 也很高，但自变量的回归系数均不显著；
多个自变量的情形，某一自变量可被其他变量线 性表达出来；
回归方程预测值与误差项的关系图（散点图）：
做法：
以回归方程标准化预测值为横坐标，以标准化误差为纵坐标。
作用：
线性关系的检查：若实际数据中变量间真为线性关系，该散点 图无明显趋势；
均方差性的检查：若均方差性存在，横轴各点上散点的纵向分 布宽度应该相等；
特异值的检查：若存在超出正负2区间的标准化误差值，便可 认为是特异值。
condition indexes）。
多重共线性的检验
检验指标及其计算
stata回归结果详解(课堂PPT)
设正确的模型为 却对 进行回归，得
Y=0+1X1+2X2+ Y=0+ 1X1+v
ˆ1
x1i yi x12i
19
将正确模型 Y=0+1X1+2X2+ 的离差形式
yi 1x1i 2 x2i i
代入
ˆ1
x1i yi x12i
得
ˆ1
x1i yi x12i
x1i (1x1i 2 x2i i )
10
tw (function t=tden(20,x),range(-3 3)), xline(0.17 2.086)
5.系数置信区间
0.17
2.086
t
t0
ttail(df,t) = p 计算单边P值 双边时P值加倍就行了 如： ttail(20,0.17498)*2=0.863
invttail(df,p) = t 计算单边临界值 在双边95%置信度，5%显著水平 时的临界值为： t0=invttail(20,0.025)=2.086
stata回归结果详解
付畅俭 湘潭大学商学院
1
no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
y 0.9 1.1 4.8 3.2 7.8 2.7 1.6 12.5 1 2.6 0.3 4 0.8 3.5 10.2 3 0.2 0.4 1 6.8 11.6 1.6 1.2 7.2 3.2
8
9
简单回归和多元回归估计值的比较
.03789471= .0289094 + .1678986 * .0535163 y %0 %1x1 y ˆ0 ˆ1x1 ˆ2 x2 x2 %0 %1x1 则%1 ˆ1 ˆ2 • %1
回归分析学习课件PPT课件
03 网格搜索
为了找到最优的参数组合，可以使用网格搜索方 法对参数空间进行穷举或随机搜索，通过比较不 同参数组合下的预测性能来选择最优的参数。
非线性回归模型的假设检验与评估
假设检验
与线性回归模型类似，非线性回归模型也需要进行假设检验，以检验模型是否满足某些统计假 设，如误差项的独立性、同方差性等。
整估计。
最大似然法
03
基于似然函数的最大值来估计参数，能够同时估计参数和模型
选择。
多元回归模型的假设检验与评估
线性假设检验
检验回归模型的线性关系 是否成立，通常使用F检 验或t检验。
异方差性检验
检验回归模型残差的异方 差性，常用的方法有图检 验、White检验和 Goldfeld-Quandt检验。
多重共线性检验
检验回归模型中自变量之 间的多重共线性问题，常 用的方法有VIF、条件指数 等。
模型评估指标
包括R方、调整R方、AIC、 BIC等指标，用于评估模 型的拟合优度和预测能力。
05
回归分析的实践应用
案例一：股票价格预测
总结词
通过历史数据建立回归模型，预测未来股票 价格走势。
详细描述
利用股票市场的历史数据，如开盘价、收盘价、成 交量等，通过回归分析方法建立模型，预测未来股 票价格的走势。
描述因变量与自变量之间的非线性关系，通过变 换或使用其他方法来适应非线性关系。
03 混合效应回归模型
同时考虑固定效应和随机效应，适用于面板数据 或重复测量数据。
多元回归模型的参数估计
最小二乘法
01
通过最小化残差平方和来估计参数，是最常用的参数估计方法。
加权最小二乘法
02
适用于异方差性数据，通过给不同观测值赋予不同的权重来调
为了找到最优的参数组合，可以使用网格搜索方 法对参数空间进行穷举或随机搜索，通过比较不 同参数组合下的预测性能来选择最优的参数。
非线性回归模型的假设检验与评估
假设检验
与线性回归模型类似，非线性回归模型也需要进行假设检验，以检验模型是否满足某些统计假 设，如误差项的独立性、同方差性等。
整估计。
最大似然法
03
基于似然函数的最大值来估计参数，能够同时估计参数和模型
选择。
多元回归模型的假设检验与评估
线性假设检验
检验回归模型的线性关系 是否成立，通常使用F检 验或t检验。
异方差性检验
检验回归模型残差的异方 差性，常用的方法有图检 验、White检验和 Goldfeld-Quandt检验。
多重共线性检验
检验回归模型中自变量之 间的多重共线性问题，常 用的方法有VIF、条件指数 等。
模型评估指标
包括R方、调整R方、AIC、 BIC等指标，用于评估模 型的拟合优度和预测能力。
05
回归分析的实践应用
案例一：股票价格预测
总结词
通过历史数据建立回归模型，预测未来股票 价格走势。
详细描述
利用股票市场的历史数据，如开盘价、收盘价、成 交量等，通过回归分析方法建立模型，预测未来股 票价格的走势。
描述因变量与自变量之间的非线性关系，通过变 换或使用其他方法来适应非线性关系。
03 混合效应回归模型
同时考虑固定效应和随机效应，适用于面板数据 或重复测量数据。
多元回归模型的参数估计
最小二乘法
01
通过最小化残差平方和来估计参数，是最常用的参数估计方法。
加权最小二乘法
02
适用于异方差性数据，通过给不同观测值赋予不同的权重来调
stata上机实验第八讲 似不相关回归(SUR)(共12张PPT)
这种迭代估计方法必须设定初始值和停止法 那么。初始值的选择对于迅速找到最优解非 常重要。
第七页，共12页。
例1：利用NLS方法估计非线性消费函数〔数 据文件：usmacro〕
csinc u
nl (realcons = {a} + {b}*realgdp^{gamma=1}) 如果(rúguǒ)不给定gamma的初始条件将无法
第二页，共12页。
要求： 〔1〕使用迭代法估计SUR模型，并检验两个
(liǎnɡ ɡè)方程的扰动项是否存在“同期相关 〞。 〔2〕检验两个(liǎnɡ ɡè)方程中变量math的 系数是否相等。 注意：检验是否存在“同期相关〞使用BP检 验， BP检验的原假设为 “无同期相关〞。
第三页，共12页。
第五页，共12页。
联立方程(lián lì fānɡ chénɡ)组
三阶段(jiēduàn)最小二乘法 翻开数据文件klein.dta 建立如下方程：
C o n s u m p 1 0 1 1 w a g e p r iv 1 2 w a g e g o v t 1 w a g e p r iv 2 0 2 1 C o n s u m p 2 2 g o v t2 3 c a p ita l1 2
use hsb2,clear sureg (read write math science) (socst write
math),corr isure test [read]math=[socst]math
第四页，共12页。
例2：用三家公司(ɡōnɡ sī)的公司(ɡōnɡ sī)投 资额对公司(ɡōnɡ sī)市值、资本存量进行回
归Inv 。es〔t1grun10 fe ld21.1dm tv aa 〕lue112kstock11 Invest22021mvalue222kstock22 Invest33031mvalue332kstock33
第七页，共12页。
例1：利用NLS方法估计非线性消费函数〔数 据文件：usmacro〕
csinc u
nl (realcons = {a} + {b}*realgdp^{gamma=1}) 如果(rúguǒ)不给定gamma的初始条件将无法
第二页，共12页。
要求： 〔1〕使用迭代法估计SUR模型，并检验两个
(liǎnɡ ɡè)方程的扰动项是否存在“同期相关 〞。 〔2〕检验两个(liǎnɡ ɡè)方程中变量math的 系数是否相等。 注意：检验是否存在“同期相关〞使用BP检 验， BP检验的原假设为 “无同期相关〞。
第三页，共12页。
第五页，共12页。
联立方程(lián lì fānɡ chénɡ)组
三阶段(jiēduàn)最小二乘法 翻开数据文件klein.dta 建立如下方程：
C o n s u m p 1 0 1 1 w a g e p r iv 1 2 w a g e g o v t 1 w a g e p r iv 2 0 2 1 C o n s u m p 2 2 g o v t2 3 c a p ita l1 2
use hsb2,clear sureg (read write math science) (socst write
math),corr isure test [read]math=[socst]math
第四页，共12页。
例2：用三家公司(ɡōnɡ sī)的公司(ɡōnɡ sī)投 资额对公司(ɡōnɡ sī)市值、资本存量进行回
归Inv 。es〔t1grun10 fe ld21.1dm tv aa 〕lue112kstock11 Invest22021mvalue222kstock22 Invest33031mvalue332kstock33
STATA学习系列 ppt课件
Source | SS df -------------+-----------------------------Model | .00005593 3 Residual | .000027249 46 -------------+-----------------------------Total | .000083179 49
( 1) medage - 2.0 medagesq = 0.0
F( 1, 46) = 0.15 Prob > F = 0.7021
医学资料
8
1.Census数据,对模型分析
. vce
| medage medagesq pcturban _cons -------------+-----------------------------------medage | 1.5e-06 medagesq | -2.5e-08 4.2e-10 pcturban | 3.2e-07 -5.7e-09 6.9e-07 _cons | -.000022 3.7e-07 -5.0e-06 .00032
-----------------------------------------------------------------------------drate | Coef. Std. Err. t P>|t| -------------+---------------------------------------------------------------medage | .0006238 .0000658 9.48 0.000 pcturban | -.0035028 .0007731 -4.53 0.000 _cons | -.0076466 .0019034 -4.02 0.000 -----------------------------------------------------------------------------医学资料
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2
3
1.方差分析
第二列SS对应的是误差平方和，或称变差。
n
n
1.第一行为回归平方和或回归变差SSR，表示因变量的预 1.SSR ( yˆi y)2 (yˆi yˆ )2 249.37
i 1
i 1
测值对其平均值的总偏差。
2.第二行为剩余平方和（也称残差平方和或剩余变差）SSE， 是因变量对其预测值的总偏差，这个数值越大，拟合效果
10
tw (function t=tden(20,x),range(-3 3)), xline(0.17 2.086)
5.系数置信区间
0.17
2.086
Root MSE为标准误差（standard error），数值越小，拟合的效果越好
Root MSE MSE 3.1640 1.7788
5
回归系数
回归系数 标准误差
T值
P值
回归系数
的标准误差
j
置信区间
var(ˆj )
MSE
SSTx
j
(1
R
2 j
)
MSE SSTx j
*VIFj
,
R2j 为xj对其它自变量进行回归的判决系数
F(4,20) MSR 62.3428 19.70 MSE 3.1640
谓“弃真概率”即模型为假
的概率，显然1-P便是模型" R2 SSR 249.37 0.7976
为真的概率，P值越小越好。
SST 63.28
对 于 本 例 ， P=0.0000<0.0001 ， 故置信度达到99.99%以上。
Ra2
1
SSE SST
/ /
dfe dft
1
(n
1)(1 R2 n m 1
)
1
24(1 0.7976) 20
0.7571
R- Squared为判定系数(determination coefficient)，或称拟合优度(goodness of fit)， 它是相关系数的平方，也是SSR/SST，y的总偏差中自变量解释的部分。 Adjusted对应的是校正的判定系数
x4 51.9 90.9 73.7 14.5 63.2 2.2 20.2 43.8 55.9 64.3 42.7 76.7 22.8 117.1 146.7 29.9 42.1 25.3 13.4 64.3 163.9 44.5 67.9 39.7 97.1
数据来源于贾俊平《统计学》(第7版)，第12章多元线性回归
stata回归结果详解
付畅俭 湘潭大学商学院
1
no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
y 0.9 1.1 4.8 3.2 7.8 2.7 1.6 12.5 1 2.6 0.3 4 0.8 3.5 10.2 3 0.2 0.4 1 6.8 11.6 1.6 1.2 7.2 3.2
x1 67.3 111.3 173 80.8 199.7 16.2 107.4 185.4 96.1 72.8 64.2 132.2 58.6 174.6 263.5 79.3 14.8 73.5 24.7 139.4 368.2 95.7 109.6 196.2 102.2
x2 6.8
19.8 7.7 7.2
8
9
简单回归和多元回归估计值的比较
.03789471= .0289094 + .1678986 * .0535163 y %0 %1x1 y ˆ0 ˆ1x1 ˆ2 x2 x2 %0 %1x1 则%1 ˆ1 ˆ2 • %1
因此，在以下两种情况下会相等
1、样本中x2对y的偏效应为0，即ˆ2 =0 2、样本中x1和x2不相关，即%1 =0
即，方差为MSE除以x
j中不能被其它自变量解释的部分,VIFj变量x
的方差扩大因子
j
T值=Coef./Std. Err.
P值用于说明回归系数的显著性，一般来说P值<0.1(*)表示10%显著水平显著，P值 <0.05(**)表示5%显著水平显著， P值<0.01(***)表示1%显著水平显著
置信区间（CI） 0.0145294-invttail(20,0.025)*0.0830332=0.0145294-2.086*0.0830332=-0.1586748 0.0145294+2.086*0.0830332=0.1877335
第四列MS是均方差，误差平方和除以相应的自由度 1.第一行为回归均方差MSR 2.第二行为剩余均方差MSE，数值越小拟合效果越好
1.MSR SSR 249.37 62.34
dfr
4
2.MSE SSE 63.28 3.16 dfe 20
4
2.模型显著性 F值，用于线性关系的判定。
结合P值对线性关系的显著性 进行判断，即弃真概率。所
3.回归系数检验
6
var(ˆ3)
MSE SSTx3(1 R32 )
3.1640
1759.84(1 0.7392)
3.1640 0.08303 458.91
4.系数标准误差计算 当自变量只有两个时，R2j就是这两个变
量的相关系数(pwcorr x2 x1)的平方
7
对多元回归“排除其它变量影响”的解释
2.SSE
n
i 1
(
yi
yˆi
)2
63.28
越差，y的标准误差即由SSE给出。 3.第三行为总平方和或总变差SST，表示因变量对其平均值 的总偏差。
ቤተ መጻሕፍቲ ባይዱ
n
3.SST ( yi y)2 312.65 i 1
4.容易验证249.37+63.28=312.65
4.SSR SSE SST
第三列df是自由度（degree of freedom），第一行是回归自由度dfr，等于变量数 目，即dfr=m；第二行为残差自由度dfe，等于样本数目减去变量数目再减1，即 有dfe=n-m-1；第三行为总自由度dft，等于样本数目减1，即有dft=n-1。对于本例， m=4，n=10，因此，dfr=4，dfe=n-m-1=20，dft=n-1=24。
16.5 2.2
10.7 27.1
1.7 9.1 2.1 11.2
6 12.7 15.6
8.9 0.6 5.9
5 7.2 16.8 3.8 10.3 15.8 12
x3 5 16 17 10 19 1 17 18 10 14 11 23 14 26 34 15 2 11 4 28 32 10 14 16 10