stata交叉项命令

⑴ 用stata软件怎么写命令

首先呢，如果工资没取对数，要先取对数，命令gen logwage=ln(wage)
然后回归 命令如下：reg 因变量 自变量1 自变量2.。。。。
第一题，就是加入一个是否是黑人的虚拟变量，看回归是否显着
第三题，就是生成一个教育和种族的交叉项 看回归是否显着
第四题，就是生成黑人和已婚的交叉项 看回归是否显着

⑵ stata中的corr,pwcorr和spearman命令有什么意义

可用于计算矩阵。
在Stata中，命令corr用于计算一组变量间的协方差或相关系数矩阵；命令pwcorr可用于计算一组变量中两两变量的相关系数，同时还可以对相关系数的显着性进行检验； 命令pcorr 用于计算一组变量中两两变量的偏相关系数并进行显着性检验。
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。它拥有很多功能，包含线性混合模型、均衡重复反复及多项式普罗比模式。

⑶ 固定效应模型stata命令是什么

应为在stata中，i.year

这种生成变量的方式只对与单一变量有效，而且在回归方程之中不能够有运算符号。

可以试一下使用stata自带的自动生成交叉变量的命令，interaction

expansion，或者是使用

data

>

create

or

change

data

>

other

variable...

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。

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。

以上内容参考：网络-stata

⑷ 如何用Stata命令消除多重共线性问题

影响
（1）完全共线性下参数估计量不存在
（2）近似共线性下OLS估计量非有效
多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF)如果方差膨胀因子值越大，说明共线性越强。相反 因为，容许度是方差膨胀因子的倒数，所以，容许度越小，共线性越强。可以这样记忆：容许度代表容许，也就是许可，如果，值越小，代表在数值上越不容许，就是越小，越不要。而共线性是一个负面指标，在分析中都是不希望它出现，将共线性和容许度联系在一起，容许度越小，越不要，实际情况越不好，共线性这个“坏蛋”越强。进一步，方差膨胀因子因为是容许度倒数，所以反过来。
总之就是找容易记忆的方法。
（3）参数估计量经济含义不合理
（4）变量的显着性检验失去意义，可能将重要的解释变量排除在模型之外
（5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。
需要注意：即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质。但是OLS法在统计推断上无法给出真正有用的信息。
判断方法
如图，是对德国人口老龄化情况的分析，其中y是老龄化情况，线性回归的x1、x2、x3分别为人均国内生产总值、出生率、每个医生平均负担人口数。
判断方法1：特征值，存在维度为3和4的值约等于0，说明存在比较严重的共线性。
判断方法2：条件索引列第3第4的值大于10，可以说明存在比较严重的共线性。
判断方法3：比例方差内存在接近1的数（0.99），可以说明存在较严重的共线性。
解决方法
（1）排除引起共线性的变量
找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。
（2）差分法
时间序列数据、线性模型：将原模型变换为差分模型。
（3）减小参数估计量的方差：岭回归法（Ridge Regression）。
（4）简单相关系数检验法