求分析STATA回归分析的结果

1. 求分析STATA回归分析的结果

1.写出拟合方程  Y=0.0439636-0.1104272ret+0.3015505drret+0.0003205vr+0.0130717drvr+0.0061625retvr+0.0501226drretvr
2. 检查参数的符号（正号/负号）是否符合你要建立模型的基本理论
3. 表1   第一列，ss 从上到下分别代表 回归平方和（ESS)、残差平方和（RSS）、总离差平方和（TSS）       第二列为自由度  第三列不记得了
4. 表2  分别为 观测值、F值、P{P>F}值、R^2、调整后的R^2 、残差标准差hatδ，我觉得可以看调整后的R^2，但影响不大。  你的P值=0，说明不是联合显著
5. 表3  第一列为参数值，我已经给你写出。 第二列为标准误，一般在输出结果时要在参数下用括号写出标准误。第三列为t值，第四列为P值，看它是否显著应先看t在临界值之内还是之外、再看P值吧。你的t值全都小于1.96，好像是在95%的显著水平上不显著的吧。你查查表。 最后两列表示95%的置信区间哦。
6. 你可以截屏放在word里，我一直是这样做的
7. 你的估计参数是不是有点多了呢，我觉得需要改进下，提高显著性

2. STATA线性回归分析

总体平方和：在你整个回归结果的左上角部分，SS和total所确定的数值就是，也就是9.00072（没写全，后面部分我没抄，你如果需要更高精度回上表看……）
残差平方和：在你整个回归结果的左上角部分，SS和residual所确定的数值就是，也就是0.1374
解释平方和：在你整个回归结果的左上角部分，SS和model所确定的数值就是，也就是8.8698
F检验值：在你整个回归结果的右上角部分，F（2,7)对应的值225.94——这个值越大越好，回归总体越显著
F检验P值：在你整个回归结果的右上角部分，P>F对应的值0——这个值越小越好，0说明回归总体而言非常显著
判定系数:应该就是R方吧，右上角那个R-squared 0.9847——这个值是解释平方和除以总体平方和得出的，越大则回归的拟合度越高
调整的判定系数：右上角那个adj-R-squared 0.9804——这个值是将变量数目考虑后略加变动所计算出的R方（需要这个是因为当解释变量很多时，即使拟合度没有区别，R方也会很高），同样是越大回归的拟合度越高
均方根误差：右上角那个root-MSE0.1401，它是左上角Residual-MS的开方
 
变量系数：下面方框里coef所对应的项——越大则“实际显著性”越高（就是说影响在绝对值上越大）
标准误差：下面方框里std.err所对应的项——比较小更好，因为说明估计值越集中
 t检验值：下面方框t对应的项，这项是coef/std.err得出——绝对值越大越好，因为越大，取到这个t值就更不可能，从而原假设（系数=0）被否定，则这个变量在回归中越显著，越应该留在回归里
 t检验P值：下面方框里p》t那个对应的——越小越好，是做双边检验，P小说明了t大，0是最好的
置信区间：下面方框里那个95%conf interval，两个值是coef加减std.err*97.5%t分布所对应的值，代表“真实的系数”有95%可能落在这个区间里（因为我们OLS假设这是一个抽样，是一个样本的估计值的系数，而还有一个真实规律所对应的系数）。

3. 跪求STATA回归分析数据分析！

1. 一般回归方程就是把显著的自变量的非标准化beta系数作为自变量的系数，加常数，加未能预测的随机变量（那个希腊字母打不来，伊普斯隆差不多是这么念的，你应该知道的）

2.标准化的回归方程就是用标准化的beta系数做系数，其它不变

3.
adj R²就是调整R²，就是你的模型拟合度，由于R²在小样本中会引起拟合度的高估，所以大家一般都用adj R²说明问题
coef.就是coefficient，系数的意思，全称就是beta coefficient（你这个地方可能是unstanderised），beta系数，就是1.和2.里面我说的那个东西
P>|t|就是t值显著性，是一个概率，表示自变量是否的确在影响因变量的一个值，社会学中通常认为P>.05是比较显著，大于.01是一般显著，>.001是非常显著
beta前面那个符号看不清楚，不知道是不是sd，估计就是标准化之后的回归系数
std. error就是标准误，这个自己百度百科讲得比我清楚多了！

4. 如何用stata做稳健回归

如何用stata做稳健回归
大量的线性回归模型是基于最小二乘法实现的，但其仍存在一些局限性。比如说，样本点出现许多异常点时，传统的最小二乘法将不再适用，此时则可以使用稳健回归（robust regression）代替最小二乘法。
操作
下面的稳健回归使用的是犯罪数据，该数据来自Alan Agresti和Barbara Finlay的《社会科学统计方法》。变量包括美国各州编号（sid）、州名（state）、每10万人犯罪案件数量（crime）、生活在贫困线以下人口的百分比（poverty）和单亲人口百分比（single）等。我们选择使用贫穷率和单状况来预测犯罪率。
获取数据
use https://stats.idre.ucla.edu/stat/stata/dae/crime, clear
summarize crime poverty single

导入数据，并描述各个变量的统计结果，输出表格中包含样本容量、平均数、标准差、最小值和最大值。
 
OLS回归
在稳健回归之前，我们先进行OLS回归，输出结果如下。
regress crime poverty single
 
样本点分析
首先我们通过“lvr2plot”绘制残差杠杆图，通过识别离群点和高杠杆值点（杠杆点）进而识别强影响点。假如存在杠杆点的话，要确定哪些是bad leverage point，对于这些离群点我们要评估它对拟合模型的影响。
lvr2plot, mlabel(state)

由图中我们可以看出，dc、ms、fl三个点残差较大或者杠杆值比较高。库克距离是杠杆值与残差大小的综合效应，一般而言，库克距离大于1，则可认为该样本点为强影响点。接下来我们计算各点的库克距离（Cook’s Distance），并输出结果。
predict d1, cooksdclist state crime poverty single d1ifd1>4/51, noobs

由结果可以看出，dc点库克距离大于1，表明dc这一样本点对于回归结果会产生较强的影响，在之后的稳健回归中我们会对dc点进行特殊处理。
接下来我们分析数据的残差。使用rstandard这一命令，它表示标准化残差的绝对值。
predict r1, rstandardgen absr1 = abs(r1)gsort -absr1clist state absr1in1/10, noobs
 
稳健回归
我们使用“rreg”命令进行稳健回归，并输出结果如下。
rreg crime poverty single, gen(weight)

对比最开始的OLS回归，我们发现两者差异较大。并且稳健回归中的样本点数量是50，OLS回归中为51，这是因为经过前面的分析，由于dc这一异常值点对回归结果影响较强，因此在稳健回归中我们将其舍去。下面的操作表明在稳健回归中，dc样本点所占权重为零。
clist state weightifstate =="dc", noobs

下面的命令展示了其他权重较小的观察值，一般而言，残差较大的观察值权重较小，例如我们之前提到的ms点。在OLS回归中，所有样本点的权重都是1，因此稳健回归中越多的样本点权重是1，其回归结果与OLS结果越相近。
sort weightclist sid state weight absr1 d1in1/10, noobs

我们还可以通过绘制圆圈的方式形象地展现这一关系。下图中横坐标表示单亲率，纵坐标表示犯罪率，每一个圆圈表示一个样本点，圆心为该样本点在坐标中的位置，圆圈直径越大，表示该样本点权重越大。
twoway  (scatter crime single [weight=weight], msymbol(oh))ifstate !="dc"
 
拓展
我们在稳健回归分析之后，可以使用许多后续估计命令，比如test、margin等。下面的操作是我们控制贫困率之后，在不同的单亲率下预测犯罪率。我们发现，随着单亲率的提高，犯罪率也相应地上升。
margins, at(single=(8(2)22)) vsquish

5. stata怎么做回归分析？

用reg命令就可以了，例：reg X Y Z J U
回车就可得到结果。其中x是因变量，自变量列于因变量后面，可以进行各种检验。
如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。

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。
以上内容参考：百度百科-stata

6. 求高手分析stata回归分析结果

上面左侧的表是用来计算下面数据的，分析过程中基本不用提到
右侧从上往下
1.Number of obs 是样本容量
2.F是模型的F检验值，用来计算下面的P>F
3.P>F是模型F检验落在小概率事件区间的概率，你的模型置信水平是0.05，也就是说P>F值如果大于0.05，那么模型就有足够高的概率落在F函数的小概率区间，简单的说，如果这个值大于0.05你这个模型设定有就问题，要重新设定模型
4.R-squard也就是模型的R²值，拟合优度，这个数越大你的模型和实际值的拟合度就越高，模型越好
5.Adj .R-squard 这个是调整过的R²，跟上面R²差不多，关注一个就行了
6.Root mse 是残差标准差，值越大残差波动越大，模型越不稳定（这个值我分析的时候一般不太关注）
下侧表格
coef.是估计得到的系数值
std.err是标准差，这个数有重要意义，一般论文里都要求把标准差表示出来，这个数越大模型越不精确，越小越好
t是t检验值，t检验是用来检验某个系数是否显著区别于0的，在分析中这个值一般没什么意义，主要用来计算P>t
P>t,这个值是观察某个解释变量是否有效的主要参数，还是对于你设置的0.05的置信水平，如果这个值大于0.05说明对应的解释变量不能通过t检验，在模型中是不合格的，就需要作调整
后面两个就是置信区间了，95%的置信区间，一般在论文中意义也不大
然后分析就选取你有用的参数做了，我学经济的，一般最有用的参数就是P>F,coef，P>t，se等等，还有BIC,VIF这些，在简单回归里这些是不会计算的，需要其他命令

7. stata如何回归

1、生成一个自变量和一个因变量。

2、点击Statistics|linear model and related|linear regression菜单。

3、在弹出的regress中设置相关变量，然后再点确定。

4、在结果界面中，_cons为.5205279表示回归截距，说明回归方程具有统计学意义。R-squared和Adj R-squared分别为0.9905和0.9893，说明回归方程拟合效果很好。

5、回归拟合图。点击Statistics|linear model and related|Regression diagnostics|Added-variable plot。

6、在弹出的avplot/avplots中，选择“all variables”，点确定。

7、结果如下图。

8. stata回归分析结果怎么看?

stata回归分析结果可以这样看：
1、看到Sig.P数值，如果数值小于0.05则说明有显著影响。
2、找到R Square数值，该自变量能够解释异变数的变异值，如显示0.763则表示两者76.3%的概率相关联。
3、找到线性值DW，查DW分布表，找到DW属于1.240~1.556之间。例如DW=1.589大于1.556，则说明不存在相关性。

回归分析使用条件：
1、线性趋势：因变量与自变量存在线性关系，一般通过散点图卡宴看出呈现一条直线。
2、满足独立性条件：因变量和因变量之间需要相互独立。
3、满足正态性：对自变量的任一个线性组合，因变量均服从正态分布。
4、满足方差齐性：方差不齐可进行加权的最小二乘法。