1. Stata 函數大全
abs(x) 絕對值 abs(-9)=9
comb(n,k) 從n中取k個的組合 comb(10,2)=45
exp(x) 指數 exp(0)=1
fill() 自動填充數據
int(x) 取整 int(5.6) = 5, int(-5.2) = -5.
ln(x) 對數 ln(1)=0
log10(x) 以10為底的對數 log10(1000)=3
mod(x,y) = x - y*int(x/y) mod(9,2)=1
round(x) 四捨五入 round(5.6)=6
sqrt(x) 開方 sqrt(16)=4
sum(x) 求和
uniform() 均勻分布隨機數
invnormal(uniform()) 標准正態分布隨機數
real(s) 字元型轉化為數值型
string(n) 數值型轉化為字元型
substr(s,n1,n2) 從S的第n1個字元開始，截取n2個字元 Substr(「this」,2,2)=is
word(s,n) 返回s的第n個字元 Work(「this」,3)=i
char(n) 返回字元的ASCII碼
indexnot(s1,s2) 返回s1中第一個在s2中找不到的字母的位置，若s1所有的字母在s2中均可以找到，則返回0
例如：indexnot("12disxl","2fsd1")=4 indexnot("12disxl","2fsd1ixs")=7
indexnot("12disxl","2fsd1lixs")=0
itrim(s) 將字元間多於一個空格縮減為一個空格
例如：itrim("hello there") = "hello there"
length(s) 返回字元串s的長度
例如：length("ab") = 2
lower(s) 將s中的字母變為xiaoxie
例如：lower("THIS") = "this"
ltrim(s) 將字元串s中首字母之前的空格去掉
例如：ltrim(" this") = "this"
plural(n,s) or plural(n,s1,s2)如果n！=+/-1, plural(n,s)就是將"s"加到s後。如果s2前有"+"，表示將s2加到s1後，如果s2前為"-"，則返回s1中去掉s2 字元串後剩下的字元串。如果s2前既沒有"+"也沒有"-",則plural(n,s1,s2)=s2.
例如：plural(1, "horse") = "horse"
plural(2, "horse") = "horses"
plural(2, "glass", "+es") = "glasses"
plural(1, "mouse", "mice") = "mouse"
plural(2, "mouse", "mice") = "mice"
plural(2, "abcdefg", "-efg") = "abcd"
proper(s) 將首字母大寫，而且將緊接著非字母字元後的字母大寫，其他的字母小寫
例如：proper("mR. joHn a. sMitH") = "Mr. John A. Smith"
proper("jack o'reilly") = "Jack O'Reilly"
proper("2-cent's worth") = "2-Cent'S Worth"
real(s) 將s字元串轉化為數字後返回，或返回「.」
例如：real("5.2")+1 = 6.2
real("hello") = .
reverse(s) 將字元串顛倒過來
例如：reverse("hello") = "olleh"
rtrim(s) 去掉字元串末尾的空格
例如：rtrim("this ") ="this".
string(n) 將數字n轉化為字元串
例如： string(4)+"F" = "4F"
string(1234567) = "1234567"
string(12345678) = "1.23e+07"
string(.) = "."
string(n,s) 將數字n轉化為字元串
例如：string(4,"%9.2f") = "4.00"
string(123456789,"%11.0g") = "123456789"
string(123456789,"%13.0gc" = "123,456,789"
string(0,"%td") = "01jan1960"
string(225,"%tq") = "2016q2"
string(225,"not a format") = ""
strmatch(s1,s2) s2與s1的形式相同則返回1，否則返回0
例如：strmatch("17.4","1??4")=1 在s2中？代表此處有一個字元，*表示0或更多的字元
• strpos(s1,s2) s2在s1中第一次找到的位置，否則為0
例如：strpos("this","is") = 3
strpos("this","it") = 0
subinstr(s1,s2,s3,n) 返回s1，將s1中第n次出現s2時的s2替換成s3 ，若n為」.」,則將所有s1中的s2字元串替換成s3
例如：subinstr("this is this","is","X",1) = "thX is this"
subinstr("this is this","is","X",2) = "thX X this"
subinstr("this is this","is","X",.) = "thX X thX"
substr(s,n1,n2) 返回s1的子集，從s1中第n1個字元開始抽取，抽n2個字元
例如: substr("abcdef",2,3) = "bcd"
substr("abcdef",-3,2) = "de"
substr("abcdef",2,.) = "bcdef"
substr("abcdef",-3,.) = "def"
substr("abcdef",2,0) = ""
substr("abcdef",15,2) = ""
trim(s) 將字元串s的首字母之前和末尾的空格去掉
例如：trim(" this ") ="this"
upper(s) 將字元串s中的字母變為大寫
例如：upper("this") ="THIS"
word(s,n) s中第n個單詞
例如：word("glass tass a td",2)=tass
word("glass tass a td",.)=.
wordcount(s) s中單詞數
例如：wordcount("glass tass a td")=4
_n 當前觀察值的序號
_N 共有多少觀察值
_pi π
Abs(x) x的絕對值
Acos（x） 反餘弦函數
Asin(x) 反正弦函數
Atan(x) 反正切函數
atanh(x) 反雙曲正切函數
ceil(x) 返回大於或等於自變數的最小的整數。
Floor(x) 返回小於或等於自變數的最大的整數
Int(x) 返回自變數的整數部分
Round(x,y) 返回與y的單位最接近的數x，x為真數，y為近似單位
例如：round(5.2,1)= round(4.8,1)=5 round(2.234,0.1)=2.2 round(2.234,0.01)=2.23
cloglog(x) 返回ln{-ln(1-x)}的值
comb(n,k) 從n中取k個的組合，即comb(n,k)=n!/{k!(n - k)!}
例如：comb(10,5)=252 comb(6,2)=15
cos(x) 餘弦函數
digamma(x) 返回digamma函數值，這是lngamma(x)的一階導數
exp(x) 指數函數
invcloglog(x) 返回invcloglog(x) = 1 - exp{-exp(x)}的值
ln(x) 自然對數函數
lnfactorial(n) 返回N階乘的自然對數，即lnfactorial(n)= ln(n!) ，計算n！時用round(exp(lnfactorial(n)),1)函數保證得出的結果是一個整數。求n的階乘的對數比單純求階乘更有用，因為存在溢出值問題。
lngamma(x) 返回.gamma函數的自然對數
log10(x) 以10為底對數函數
logit(x) 返回logit函數值 logit(x)= ln{x/(1-x)}
max(x1,x2,...,xn) 求x1, x2, ..., xn中的最大值
min(x1,x2,...,xn) 求x1, x2, ..., xn中的最小值
例如：min(1,2,3)=3
mod(x,y) 求x除以y的余數, 即mod(x,y) = x - y*int(x/y)
reldif(x,y) 返回x，y的相對差異值，reldif(x,y)= |x-y|/(|y|+1).如果x和y都是相同類型的缺失值，則返回0；如果只有一個為缺失值或x、y為不同類型的缺失值，則返回缺失值。
sign(x) 求x的符號，如果為負數，則返回-1；如果為0，則返回0；如果為正數，則返回1；如果是缺失值，則返回缺失值
sin(x) 正弦函數
sqrt(x) 求x的平方根，x只能為非負數
例如:sqrt(100)=10
sum(x) 返回x的和，將缺失值看成是0
tan(x) 正切函數
tanh(x) 雙曲正切函數
trigamma(x) 返回lngamma(x)的二階導數
trunc(x) 將數據截為特定的長度
• betaden(a,b,x) 返回β分布的概率密度，a，b為參數，如果x < 0或者 x > 1，返回0
• binomial(n,k,p) n次貝努里試驗，取得成功次數小於或等於k次的概率，其中一次p為事件成功的概率 若k<0 返回1 ；若k>n 返回0
• binomialtail(n,k,p) n次貝努里試驗，取得成功次數大於或等於k次的概率，其中一次p為事件成功的概率 若k<0 返回1 ；若k>n 返回0
• binormal(h,k,r) 返回自由度為n的卡方的分布，chi2(n,x) = gammap(n/2,x/2)。若x<0 ，則返回0
• chi2tail(n,x) chi2tail(n,x) = 1 - chi2(n,x)。若x<0 ，則返回1
• dgammapda(a,x) 返回gammap(a,x)分布函數關於a的偏微分，a>0. 若x<0 ，則返回0
• dgammapdada(a,x) 返回gammap(a,x)分布函數關於a的二階偏微分，a>0. 若x<0 ，則返回0
• dgammapdadx(a,x) 返回gammap(a,x)分布函數關於a和x的二階偏微分，a>0. 若x<0 ，則返回0
• dgammapdx(a,x) 返回gammap(a,x)分布函數關於x的偏微分，a>0. 若x<0 ，則返回0
• dgammapdxdx(a,x) 返回gammap(a,x)分布函數關於x的二階偏微分，a>0. 若x<0 ，則返回0
• F(n1,n2,f) 返回分子自由度為n1，分母自由度為n2的F分布函數。若f<0 ，則返回0
• Fden(n1,n2,f) 分子自由度為n1，分母自由度為n2的F分布函數的概率密度函數。若f<0 ，則返回0
• gammap(a,x) gamma分布
• ibeta(a,b,x) β分布
• normal(z) 正態分布函數
• normalden(z) 標准正態分布密度函數
• tden(n,t) t分布的概率密度函數
• date(date, mask) 返回date與1960年1月1日相距的天數，其中mask的形式為「MDY」或「YMD」或「DMY」,表示date中年月日的順序
• weekly(date, mask) 返回date與1960年1月1日相距的星期數
• monthly(date, mask) 返回date與1960年1月1日相距的月數
• quarterly(date, mask) 返回date與1960年1月1日相距的季度數
• halfyearly(date, mask) 返回date與1960年1月1日相距的星期數
• yearly(date, mask) 返回date與1960年1月1日相距有多少個半年
• clock(date, mask) 返回date與1960年1月1日相距的秒數
• mdyhms(M, D, Y, h, m, s) 從年月日，小時，分鍾，秒得到stata日期時間值
• dhms(td, h, m, s) 從日期，小時，分鍾，秒得到stata日期時間值
• hms(h, m, s) 從小時，分鍾，秒返回一個stata日期時間值
• mdy(M, D, Y) 從月，日，年中得到一個stata日期值
• yw(Y, W) 從年，星期得到一個stata日期值，表示距1960年1月1日有多少個星期
• ym(Y, M) 從年，月得到一個stata日期值，表示距1960年1月1日有多少個月
• yq(Y, Q) 從年，季度得到一個stata日期值，表示距1960年1月1日有多少個季度
• yh(Y, H) 從年，半年得到一個stata日期值，表示距1960年1月1日有多少個半年
• year(d) 從stata日期中得到年份
• month(d) 從stata日期中得到月份
• day(d) 從stata日期中得到當前日期（一個月內的日期）
• doy(d) 從stata日期中得到當前日期（一年內的日期）
• quarter(d) 從stata日期中得到當前季度
• week(d) 從stata日期中得到當前星期
• dow(d) 從stata日期中得到當前星期幾，其中 0為星期天，3為星期三
例：請算算你活了多少天？示例：一個生於1975 年12 月27 日的傢伙，他活了？
.di date(「1975/12/27」,」YMD」)
2. 利用Stata進行概要統計及交互表統計
利用Stata進行概要統計及交互表統計
【命令範式】
summarize y1 y2 y3 對所列變數計算簡單的概要統計量
summarize y1 y2 y3, detail 獲取詳細的描述性統計，包括百分位數，中位數，平均數，標准差，方差，偏度，峰度等。
summarize y1 if x1>3 & x2<.
summarize y1 [fweight=w], detail 利用w作為加權變數進行頻數加權，計算y1詳細的概要統計量
tabstat y1, stats(mean, sd, skewness, kurtosis) by(x1) 按變數x1的每個類別，分別計算變數y1的具體指定的概要統計量
tabulate x1, sort miss 顯示x1所有值的頻數分，包括缺失值。按順序從大到小對行（變數值）進行排序。
tab1 x1 x2 x3 x4 對所列變數分別創建頻數分布表
tabulate x1 x2 顯示一個兩變數交互表，其中x1為行變數，x2為列變數
tab2 x1 x2 x3 x4 創建所列變數的所有可能的二維交互表
tabulate x1, summ(y) 創建一個二維表，顯示x1每個類別中變數y的均值、標准差及頻數 tabulate x1 x3, sum(y) means 創建一個二維表，顯示x1,x2每一種組合下y的均值
by x3, sort: tabulate x1 x2, exact 創建一個三維交互表，在x3的每個取值下創建x1(行)和x2（列）的分表，並為每個分表計算費舍精確檢驗，命令by x3, sort為x3排序
table x1 x2, contents(mean y1 median y2) 創建x1(行)，x2(列)的二維交互表，單元格包含y1的平均數和y2的中位數
svy: tab y, percent ci 使用調查加權的數據，獲得變數y的一維百分比表以及95%的置信區間。ci計算置信區間，默認為95%。後可添加level(a)設定置信區間a%
與ci相關的一個命令是cii，它可以直接根據概要統計量，來計算正態分布、二項分布或泊松分布的置信區間。它並不需要原始數據。
svy: tab y x, column percent 使用調查加權的數據，獲得一個行變數y對列變數x的二維交互表，並對其狡辯性進行調整的卡方檢驗。單元格中給出了加權的列百分比。
【探測性數據分析】：
stem x1, lines(*) 對變數x1的所有觀測值進行莖葉圖處理lines限定了莖葉表達形式：首位數相同的開頭共*行
lv x2 字元數值表利用序次統計量來分解一個分布。
【正態性檢驗和數據轉換】：
sktest x1 正態性檢驗（偏度與峰度）
ladder x1 這個命令把冪階梯和sktest的正態性檢驗結合在一起。它對階梯上的每一種冪進行嘗試並報告其結果是否顯著地非正態。
gladder x1 該命令將每一種轉換的直方圖與正態曲線加以比較
qladder x1 四分位階梯命令
（可鍵入help ladder查看詳細）
【頻數表和二維交互表】：
tabulate 有許多對創建二維表非常有用的選項，包括：
cell 顯示每個單元格的總百分比
chi2對行變數和列變數獨立的假設進行皮爾遜卡方檢驗
column 顯示每個單元格的列百分比
exact 獨立性假設的費舍精確檢驗
expected 顯示獨立性假定下二維表每個單元格內的期望頻數
generate(new) 創造一組名為new1, new2 等的虛擬變數來代表被列表變數的取值
lrchi2 對獨立性假設的似然比卡方檢驗。如果表格包含任何的空單元格，就得不到結果 missing 把缺失值也作為表的一行或一列
nofreq 不顯示單元格頻數
nolabel 顯示數值而不是添加了標簽的數值變數的取值標簽
row 顯示每個單元格的行百分比
tabi 偶爾我們可能需要在沒有獲得原始數據的情況下對已發表的表格重新進行分析，專門的命令tabi（直接製表）可以完成這項工作
【多表和多維交互表】：
tab1 x1 x2 x3 x4 對所列變數分別創建頻數分布表
tab2 x1 x2 x3 x4 創建所列變數的所有可能的二維交互表
by x1, sort: tabulate x2 x3, nofreq col chi2 三維列聯表，並對x1每一取值水平內x2,x3的獨立性進行卡方檢驗
by x1 x2, sort: tabulate x3 x4, column chi2 四維交互表
table x1, contents(freq) 創建x1的簡單的頻數分布表
table x1 x2, contents(freq) by(x3)創建一個二維頻數表或交互表，並通過x3分組 table 的contents（）選項設定表格單元格要包含什麼統計量
contents(freq) 頻數
contents(mean x1) x1的平均數
contents(count x1) x1的非缺失值觀測案例的計數
contents(p1 x1) x1的第1百分位數
【平均數、中位數以及其他概要統計量的列表】：
tabulate 能夠很容易地創建分類變數每一類別的平均數和標准差的列表。比如，如果要列出x1每一類別內x2的平均值，鍵入：tabulate x1, sum(x2)
創建一個平均值的二維表： tabulate x1 x2, sum(x3) means
table不能進行統計檢驗，但它能很好地創建多達七維的包含平均數、標准差、總和等統計量的表格。
table x1, contents(mean x2) x1的一維表格，含有x1每一類別下x2的平均值
table x1 x2, contents(mean x3 median x3)
summarize, tabulate, table 以及其他相關命令都可以和標示重復觀測數目的頻數權數frequency weight 一起使用。
tabulate x1 x2 [fweight=count] (,column nof)
3. stata怎麼把核密度圖變成正態分布
Stata擁有出色的圖形設備，可通過graph命令訪問，help graph了解概述。統計中最常見的圖表是顯示點或線的雙坐標軸X-Y圖。這可以通過子命令twoway實現。twoway命令中又含42個子命令及繪圖類型，其中最重要的是scatter和line。我們將對scatter和line著重介紹，並簡要介紹其他繪圖類型。
Stata 是一套提供其使用者數據分析、數據管理以及繪制專業圖表的完整及整合性統計軟體。它擁有很多功能，包含線性混合模型、均衡重復反復及多項式普羅比模式。用Stata繪制的統計圖形相當精美。
Stata的作圖模塊，主要提供如下八種基本圖形的製作 : 直方圖（histogram），條形圖（bar），百分條圖 （oneway），百分圓圖（pie），散點圖（two way），散點圖矩陣（matrix），星形圖（star），分位數圖。這些圖形的巧妙應用，可以滿足絕大多數用戶的統計作圖要求。在有些非繪圖命令中，也提供了專門繪制某種圖形的功能，如在生存分析中，提供了繪制生存曲線圖，回歸分析中提供了殘差圖等。
4. stata中怎麼生成服從聯合正態分布的隨機變數
這是參數為 2, theta/2 的伽馬分布。可以用：
1
X = gamrnd(2, o/2, 100, 1)
這樣的方法來生成。o 即為 theta 的取值。
5. 不同樣本量在stata中都採用什麼方式檢驗正態分布
獨立樣本t檢驗
1.在進行獨立樣本T檢驗之前，要先對數據進行正態性檢驗。滿足正態性才能進一步分析，不滿足可以採用數據轉化或非參數秩和檢驗；
2.在菜單欄上執行：分析-比較均數-獨立樣本t檢驗；
3.將要比較平均數的變數放到檢驗變數，將分組變數放到分組變數，點擊定義組；
4.打開的對話框中，設置組1和組2的值分別是分組類別，然後點擊繼續。
6. 怎麼在statas中操作高斯正態核函數
N(3,9)指的是均值為3,方差為9（標准差為3）的正態分布（也稱高斯分布）；
N(3,9)分布可以通過N(0,1)分布（標准正態分布）得到.
假設X～N(0,1),則3X＋3服從N(3,9)分布.
注意3X＋3中的兩個3的含義不同,第一個3表示標准差為3,第二個3表示均值為3!
Matlab中產生正態分布隨機數的函數是normrnd(mu,sigma)
7. stata里可以做檢驗二元正態分布或三元正態分布嗎
正態分布概率密度正態分布函數「NORMDIST」獲取。在這里是以分組邊界值為「X」來計算：Mean=AVERAGE(A:A)(數據算術平均）Standard_dev=STDEV(A:A)(數據的標准方差）Cumulative=0(概率密度函數）1.向下填充2.在直方圖中增加正態分布曲線圖a、在直方圖內右鍵→選擇數據→添加→b、系列名稱：選中H1單元格c、系列值：選中H2:H21d、確定、確定3.修整圖形a、在圖表區柱形較下方選中正態分布曲線數據，（正態分布密度值和頻率數值相比太小了，實在看不清，多試幾次，選中後如圖，同時正態分布曲線那數數據處於選中狀態）。b、右鍵→設置數據列格式→系列繪制在→次坐標軸；關閉，如圖4.更改系列圖表類型a、選中正態分布柱形圖→右鍵→更改系列圖表類型b、選中「拆線圖」c、確定5.平滑正態分布圖選中正態分布曲線→右鍵→設置數據列格式→線型→勾選「平滑線」→關閉
8. 各種數據類型meta在stata中的實現
要對連續性數據進行meta分析，需要提取每篇文章的分組情況、樣本量、均值、標准差。需要初步整理為如下格式，如下圖所示：
對文章效應指標的選擇，目前使用較多的是加權均數差（WMD）和標准均數差（SMD）。
讓原始研究效應估計的精度性決定其在meta分析中的權重，消除了絕對值的大小對分析結果的影響。
WMD在STATA軟體中的計算語句為：nostandard
則表示暴露組和對照組觀察變數的相對大小，可以消除研究中不同測量單位帶來的影響，適用於不同指標來衡量相同結果的meta分析。
SMD在STATA軟體中的計算語句為：Cohen, Hedge, Glass
理論上應該先判斷研究異質性的大小，再根據異質性來選擇分析模型，但在實際操作中，常常先選擇固定效應模型，然後計算異質性，如果異質性不接受，則再選擇隨機效應模型。
1)STATA 軟體為 固定效應模型 提供的演算法為倒方差法，實施語句為fixed。
2）STATA 軟體為 隨機效應模型 提供的演算法為I-V heterogeneity法，實施語句為random。
打開STATA軟體的數據錄入界面，將之前收集好的原始數據錄入，如下圖所示
固定效應模型分析語句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) fixed nostandard
隨機效應模型分析語句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) random nostandard
將語句輸入STATA的命令對話框，點擊回車後，命令的結果會呈現如下，並自動彈出森林圖。結果如下圖所示：
STATA語句：
metafunnel _ES _seES
將語句輸入STATA的命令對話框，點擊回車後，會自動彈出漏斗圖。結果如圖5所示：
完結
文章研究的結局指標是二分類變數時，頻數可以用2×2的表格呈現，如圖1所示：
對於文章的效應指標的選擇，通常有OR值（比值比），RR值（相對危險度）和RD值（率差）。根據納入文章的研究設計類型選擇合適的分析指標。
1）數據錄入：打開STATA軟體中的數據錄入界面，完成對納入研究數據的錄入。其中a,b,c,d分別代表二分類表中的頻數，如圖2所示：
分析STATA 語句：
固定效應模型：
metan a b c d, or fixed
隨機效應模型：
metan a b c d, or random
將語句輸入STATA的命令對話框，點擊回車後，命令的結果會呈現如下，並自動彈出森林圖。結果如圖3所示：
首先使用的是固定效應模型，語句中lcols(study)用於在森林圖中添加作者姓名和發表年份。結果顯示：Q=5.1, p =0.404>0.05,表明研究間同質性較好，因為 p >0.1,I 2 <40%,故採用固定效應模型分析。最終的分析結果為 p <0.001,表明結果有統計學意義。
STATA繪制的森林圖如圖4所示：
3）繪制漏斗圖
STATA語句：
metafunnel _ES _selogES
將語句輸入STATA的命令對話框，點擊回車後，會自動彈出漏斗圖。結果如圖5所示：
每個散點代表納入的研究，漏斗圖可以直觀地提示發表偏倚。
這就是二分類數據meta初步分析操作流程。
在醫學研究中，多分類數據很常見，例如血型（A型、B型、AB型和O型）。對於無序分類數據的研究，也可進行meta分析，但是 需要將多分類進行重新歸納整理成二分類的數據。 然後採用二分類數據meta分析的方法進行操作，具體過程請筒子們看看文前。
相信大家在面對臨床研究中，遇到過 只有效應量和置信區間的結果數據 ，沒有其他具體描述的，但是郵件又無法聯系原文作者；或者該研究就是源於交叉實驗的效應量、時間事件分析（HR）的研究。面對想好的idea，是不是有點抓狂？不用怕，STATA軟體也可以整合這樣的數據，進行meta分析，下面將向大家介紹。
以 只有HR及其置信區間 的數據為例：
1）首先，關於效應模型的選擇。與前文類似。
2）數據錄入：打開STATA軟體的數據錄入界面，將之前收集好的原始數據錄入，如下圖所示：
其中hr代表文章的風險比（HR）效應值，ll代表HR的95%可信區間的下限，ul代表HR的95%可信區間的上限。
3）數據分析及森林圖繪制：
首先要計算HR和95%可信區間的對數值。因為在meta分析中，通常要求效應差異度量的對應樣本統計量服從正態分布，效應指標是HR，則效應差異度量為HR的對數值。
STATA語句命令為：
等數據轉換完成後，就可以進行meta分析了。STATA的實行語句為：
metan lnhr lnll lnul, eform label(namevar=study) texts(180) effect(HR)
將語句輸入STATA的命令對話框，點擊回車後，命令的結果會呈現如下，並自動彈出森林圖。結果如圖2所示：
其中eform代表結果從HR對數值返回HR值；label(namevar=study)則在表格和森林圖中註明研究信息；texts(180)用於調整森林圖中文字的大小。
結果顯示：
Q=12.88, p =0.116>0.05, 表明研究間同質性較好，因為 p >0.1,I 2 =37.9%,故採用固定效應模型分析。最終的分析結果為 p =0.126>0.05,表明結果無有統計學意義。
彈出的森林圖如圖3所示：
9. stata怎麼生成一個新變數服從標准正態分布，一個新變數服從0-1均勻分布，命令代碼怎麼寫
normal distribution，用這個對應的隨機函數即可
10. stata如何根據已有的分組數據來擬合收入的對數正態分布曲線
如果有完整數據
基本上就是所有收入數據都取log
基本上就是 x = log(y)
用 gen 命令
然後 summarize x 就可以了
如果還要更多的信息，可以用
summarize x, detail
如果只有分組數據，就要 gen x = weight*groupmean， 然後加總除以總人數得到均值\mu。
方差需要再計算 weight*(groupmean)^2 和 (\mu)^2 然後做差再除以(n-1)得到。