Ⅰ 【笔记整理】逐步回归
“最优”的回归方程，指模型中仅包含显着影响因变量Y的自变量，排除对Y影响不显着的自变量。建立“最优”回归方程通常采用三种策略：全子集法、变量筛选法与选择法。
全子集法需计算量大，通过特定准则决定最优回归子集。变量筛选法则基于偏回归平方和检验，引入或剔除变量，分为向前引入、向后剔除及结合两者的方式，即逐步回归法。
逐步回归法是计算量适中的选择方法，stata中通过"stepwise"命令实现。此法以统计显着性为依据，逐步增加或减少模型中的变量，寻找最优回归方程。
在实际应用中，逐步回归法需结合具体数据与研究目的，灵活运用。例如在stata中进行logistic回归分析时，采用"stepwise"命令能有效筛选出影响结果的显着变量，优化回归模型。
在医学研究中，二分类Logistic回归的应用尤为广泛。在stata中，通过"stepwise"命令进行Logistic回归分析，不仅能够简化模型构建过程，还能有效识别影响二分类结果的关键变量。
Ⅱ stata常用命令，祝你实证大功告成
在Stata中，你可以使用一系列命令来完成实证分析，以下是常用的一些操作指令：
1. 安装外部命令：使用"ssc install"命令来安装你需要的扩展包，如outreg2。
2. 描述性统计：通过"outreg2"命令，可以快速生成描述性统计，例如"sum(log) title(Decriptive statistics)"，还可以选择性地保留变量。
3. 相关性分析："pwcorr"和"pwcorr_a"可用于计算变量间的相关系数。
4. 多元回归分析："outreg2"支持估计回归模型，包括t统计、显着性检验和R方等，固定效应模型则用"xtreg"命令。
5. 稳健性检验：通过更换数据、处理缺失值、替换变量和改变回归方法，来进行稳健性检验。
6. 数据输入与处理："input"用于导入数据，"by"按变量分组分析，"weight"处理加权数据，"if"和"in"用于条件筛选，"for"批量执行回归。
7. 数据处理函数：包括绝对值、指数、对数等操作，以及数据长度、字符串处理等。
8. 数据预处理和变量管理：如重命名、描述数据库、变量标签添加、排序、删除和保留变量等。
9. 数据整理和扩展：使用"set obs"增加或减少观察值，"format"改变数据格式，"list"和"su"查看和描述数据。
10. 统计分析：如百分位数计算、频数分析、可信区间估计，以及绘制图形如直方图、条图、饼图等。
11. 推断统计：包括单样本、配对和两样本t检验，方差分析，以及卡方、确切概率法等检验。
12. 队列研究和等级资料分析：提供了专门的命令来处理这些特殊类型的数据。
13. 相关与回归分析：使用"corr"计算相关性，"reg"执行线性回归，"logit"和"logistic"则用于逻辑回归。
14. 多元回归和逐步回归：通过"scatterplot matrix"和"corr"创建变量间关系图，"stepwise"进行逐步回归分析。
15. 生存分析：包括生存时间计算、生存曲线绘制和生存率比较，以及Cox回归。
通过这些命令，你可以有效地进行数据处理、统计分析和模型建立，以实现你的实证研究目标。