随机效应的stata命令

1. stata相关性分析有哪些

stata里面分析相关性的命令是pwcorr a b c d e , sig，结果就有了包括了显着性的判断标准，stata里面没有星星，直接根据sig，也就是p的值来判断是否显着就好了。

SS是平方和，它所在列的三个数值分别为回归误差平方和（SSE）、残差平方和（SSR）及总体平方和（SST），即分别为Model、Resial和Total相对应的数值。

df（degree of freedom）为自由度。

MS为SS与df的比值，与SS对应，SS是平方和，MS是均方，是指单位自由度的平方和。

coeft表明系数的，因为该因素t检验的P值是0.000，所以表明有很强的正效应，认为所检验的变量对模型是有显着影响的。

(1)随机效应的stata命令扩展阅读：

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。具体说， Stata具有如下统计分析能力：

数值变量资料的一般分析：参数估计，t检验，单因素和多因素的方差分析，协方差分析，交互效应模型，平衡和非平衡设计，嵌套设计，随机效应，多个均数的两两比较，缺项数据的处理，方差齐性检验，正态性检验，变量变换等。

2. 请问STATA里sort,tsset的指令是什么意思

sort指令是STATA数据库的维护的排序指令。tsset是定义数据是一个时间序列数据。如果想对数据文件定义year为时间变量，则输入命令：tsset year。

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。

(2)随机效应的stata命令扩展阅读

统计功能

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。具体说， Stata具有如下统计分析能力：

数值变量资料的一般分析：参数估计，t检验，单因素和多因素的方差分析，协方差分析，交互效应模型，平衡和非平衡设计，嵌套设计，随机效应，多个均数的两两比较，缺项数据的处理，方差齐性检验，正态性检验，变量变换等。

分类资料的一般分析：参数估计，列联表分析 ( 列联系数，确切概率 ) ，流行病学表格分析等。

等级资料的一般分析：秩变换，秩和检验，秩相关等

相关与回归分析：简单相关，偏相关，典型相关，以及多达数十种的回归分析方法，如多元线性回归，逐步回归，加权回归，稳键回归，二阶段回归，百分位数 ( 中位数 ) 回归，残差分析、强影响点分析，曲线拟合，随机效应的线性回归模型等。

其他方法：质量控制，整群抽样的设计效率，诊断试验评价， kappa等。

3. 用stata如何确定随机效应和固定效应哪个好，内生变量用2SLS如何做

普通的2sls回归中的关于工具变量的命令如下：reg
y
x1
x2
(
z
x2),上述的回归模型假定x1是内生变量,其中
z
x2分别是x1
x2
相对应的工具变量.
版主提出的带有交叉项的回归模型中,不知可否
采用
reg
y
x1
x2*x1
(z
z*x2)
仅供参考
,我也是初学,
私下认为,x2应该为定性变量,即哑变量.

4. 请教高手，stata做meta分析随机效应模型的语句是什么急求，谢谢！

加在最后面即可

5. stata命令汇总是什么

stata命令汇总如下：

1、input: 输入数据

例：inpurt x y

2、by: 按照某一变量的取值来进行分析

例：by group，sort: regress Y x1 x2 //按照不同的组，对Y做回归分析

3、weight: 加权或者频数

例：fw=频数变量 //多用在四格表资料中或者原资料未给出所有值，只给出了值和对应的频数

4、if: 用条件语句指定条件

例：drop if group==1|group==2 //把group变量值为1或者2的记录删除掉

5、in:指定观察值的范围，对在范围内的观察值做分析处理

例：replace x1="123" in 100/200 //把第100-200条记录中的X1变量值改为123

6、for: 用来指定变量

例：for y1-y10 z1-z5: regress @x1-x22

//把y1-y10,z1-z5分别于x1-x22做回归，一次性代表15次回归，其中@是替换符，代表y1-y10, z1-z5

7、函数

abs(x) 绝对值

exp(x) 指数函数

log(x) 自然对数

log10(x) 常用对数

sqrt(x) 平方根

uniform(x) 生成（0,1）内均匀分布的伪随机数

length(x) 计算长度

substr(s,n1,n2) 获得从S的n1个字符开始的n2个字符组成的字符串

real(x) 将字符串s转换为数值函数

trim(x) 去除字符串前面和后面的空格

int(x) 去掉x的小数部分，得到整数

sum(X) 求和

max(x) min(x) 最大值最小值

_n 当前观察值的位置

_N 观察值的总个数

8、ren: 重命名

例：ren var1 var123 ，把var1重新命名为var123

9、des:描述数据库的基本情况

10、label: 为变量添加一些说明，以示说明

11、sort: 按照某一变量从小到大排序

gsort +/-：按照某一变量从大到小或者从小到大排序

sort var1 var2:按照var1大小排序，相同的var1按照var2大小排序

Stata常用功能：

1、统计功能

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。

2、作图功能

Stata的作图模块，主要提供如下八种基本图形的制作 : 直方图（histogram），条形图（bar），百分条图 （oneway），百分圆图（pie），散点图（two way），散点图矩阵（matrix），星形图（star），分位数图。

这些图形的巧妙应用，可以满足绝大多数用户的统计作图要求。在有些非绘图命令中，也提供了专门绘制某种图形的功能，如在生存分析中，提供了绘制生存曲线图，回归分析中提供了残差图等。

3、程序设计

Stata是一个统计分析软件，但它也具有很强的程序语言功能，这给用户提供了一个广阔的开发应用的天地，用户可以充分发挥自己的聪明才智，熟练应用各种技巧，真正做到随心所欲。事实上，Stata的ado文件（高级统计部分）都是用Stata自己的语言编写的。

6. stata weakiv命令 怎么用

一、解释变量内生性检验
首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

7. stata里面什么命令可以对面板数据按时间求均值

首先对面板数据进行声明：

前面是截面单元，后面是时间标识：

tsset company year

tsset instry year

产生新的变量：gennewvar=human*lnrd

产生滞后变量Genfiscal(2)=L2.fiscal

产生差分变量Genfiscal(D)=D.fiscal

一、描述性统计

xtdes ：对Panel Data截面个数、时间跨度的整体描述

Xtsum：分组内、组间和样本整体计算各个变量的基本统计量

xttab 采用列表的方式显示某个变量的分布

二、主要命令和方法

Stata中用于估计面板模型的主要命令：xtreg

xtreg depvar [varlist] [if exp] , model_type [level(#) ]

Model type 模型

be Between-effects estimator

fe Fixed-effects estimator

re GLSRandom-effects estimator

pa GEEpopulation-averaged estimator

mle Maximum-likelihood Random-effectsestimator

主要估计方法：

xtreg： Fixed-, between- and random-effects, and population-averaged linear models

xtregar：Fixed- andrandom-effects linear models with an AR(1) disturbance

xtpcse ：OLS orPrais-Winsten models with panel-corrected standard errors

xtrchh ：Hildreth-Houckrandom coefficients models

xtivreg ：Instrumentalvariables and two-stage least squares for panel-data models

xtabond：Arellano-Bond linear, dynamic panel data estimator

xttobit ：Random-effectstobit models

xtlogit ：Fixed-effects,random-effects, population-averaged logit models

xtprobit ：Random-effects andpopulation-averaged probit models

xtfrontier ：Stochastic frontiermodels for panel-data

xtrc gdp invest culture e sci health social admin,beta

三、xtreg命令的应用

声明面板数据类型：

*1、面板声明

use FDI.dtar, clear

xtset id year

1.固定效应模型估计：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

2.随机效应模型估计：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

3. 最大似然估计Ml：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,mle

Hausman检验究竟选择固定效应模型还是随机效应模型：

第一步：估计固定效应模型，存储结果

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

est store fe

第二步：估计随机效应模型，存储结果

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

est store re

第三步：进行hausman检验

hausman fe re

对于固定效应模型的异方差检验和序列相关检验：

xtserial xtreg lngdp lnfdi lnie lnex lnim lnci lngp

异方差检验：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

xttest3 (Modified Wald statistic for groupwise heteroskedasticity in fixedeffect model)

随机效应模型的序列相关检验：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

xttest1

xttest1用于检验随机效应(单尾和双尾) 、一阶序列相关以及两者的联合显着

检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显着

可以使用广义线性模型xtgls对异方差和序列相关进行修正：

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero)，修正异方差

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(correlated)，修正依横截面而变化的异方差

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero) corr(ar1)，修正异方差和一阶序列相关ar(1)

8. stata中estat命令啥意思

stata中estat命令它是依据上一步回归进行在估计计算。

stata中estat数值变量资料的一般分析：参数估计，t检验，单因素和多因素的方差分析，协方差分析，交互效应模型，平衡和非平衡设计，嵌套设计，随机效应，多个均数的两两比较，缺项数据的处理，方差齐性检验，正态性检验，变量变换等。

stata中estat统计功能：

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。

stata中estat数值变量资料的一般分析：参数估计，t检验，单因素和多因素的方差分析，协方差分析，交互效应模型，平衡和非平衡设计，嵌套设计，随机效应，多个均数的两两比较，缺项数据的处理，方差齐性检验，正态性检验，变量变换等。

stata中estat分类资料的一般分析：参数估计，列联表分析 ( 列联系数，确切概率 ) ，流行病学表格分析等。

9. 如何用stata软件进行随机效应模型分析

随机效应模型输入
xtreg y x，re

10. 在stata中怎样对面板数据进行gmmguji

首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）