stata中obs是什么意思_stata中obs是什么

stata帮我分析一下输出结果吧,谢谢

软件不会有问题的，只能是你的方法有问题，再仔细检查一下吧

VIF在10以上可能有的多重共线

stata中obs是什么意思_stata中obs是什么

stata中obs是什么意思_stata中obs是什么

不知道你为什么要分析多重共线------------------------------------------------------------------------------

多重共线在很多模型中是内生存在，无法避免的，而且对于多重共线的处理所有的方法都有弊端，没有完美的，很多方法处理了多重共线反而会引起其他更的问题

最主要的是，多重共线存在实际上是不会导致的模型偏误的

所以大部分情况下多重共线直接默认，不做处理

VIF很小，t值多显著

祝你早日解决问题可以认为没有多重共线性

如果还不确定

一是可以从变量的含义分析

二是逐步剔除变量观察

stata dummy variable! 问一下！

首先，我们使用单个y轴生成AR和CAR的折线图。当只Instrumented:首先检查你的设定，发现没有问题。核心三点：（1）Battese and Coelli(1992)设定；（2）截断正态；（3）技术无效项时变。对吧？这三点也是STATA中“xtfrontier ... ,vcd”命令默认的设定。我按你给的数据分别在两种软件上跑，确实存在你说的问题！ lnqtya有1个y轴时，选项yaxis(1)可以省略，x轴同理。

你要用logistic回归，先把chp116 的值变成0,1变量，哑变量基本上是用0和1来表示的。然后输入回归命令logit chp116 hh1 if chp106 > 24就好了

STATA的问题！高手进

lnk2 | -.0081341 .0051661 -1.57 0.115 -.0182594 .00193

一个简单的处理方法是，保存do-fiels，关闭stata（这相当于清要判断是否有相关性，看P值就可以了，从以上两个表格数据来看，除_cons外，P值均明显大于0.05，表明与这些因素没有相关性，_cons不知道是不是表示合并因素，如果是，就表明性别、分组、学校单个因素与最终结果没有相关性，但是三个因素一起则与结果有相关性。空Stata所占用的内存），然后重新启动再运行上述命令。

另一个方法是，在执行上述命令之前，先——x22就是标准化后的新变量执行 discard 命令，清除部分内存。

stata lnsigma2什么意思

t2 | -.0001099 .0001371 -0.80 0.423 -.0003786 .0001588

比较两组估计值，Frontier存在明显问题：估计值的标准全是1，技术无效项的期望是零，方也是零（我的估计结果是这样的，不知道你的是不是）。减少一个变量，Frontier的异常结果没有了，但是两组估计结果仍不一样。在这一过程中，Frontier给计算的似然函数值要小于STATA，说明至少Frontier没有实现全局。不过当我去掉投入项与时间的乘积项后，两组结果有了一致的结果，见。

-------------+------------------------------ F( 5, ) = 1.66

我估计，变量多，两组结果异就大；变量少，两组结果就一致。但这一结论是否稳定，我没有进一步验证，你可以再通过增删其他变量试试。

Frontier的运算能力的确有限，虽然我不确定Frontier到底在哪些设定下会遇到运算能力瓶颈，但上面的问题很可能就是一种。此外，你要是使用Battese and Coelli(1995)设定的话(“INS”中的行先TE），你会发现最多只能加4个解释技术无效项期望的变量。呵呵，很无奈吧，因为你有5个！这也是一种。尽管如此，Frontier至少还能做BC95的设定，而STATA却没有Routine的东西，除非自己编程。

Frontier的默认算法是DFP，该算法的好处是不用计算二阶导矩阵，不过STATA在调用这一算法时会提示不连续区域，从而无法给出DFP算法下的估计值。我也很纳闷，为什么Frontier就能做出来？还得考虑。

问题很有意思，但我工作太忙，没法拿出更多时间了。东西放在这里，抛砖引玉，供大家讨论。找出更深层次的原因，共同进步。

STATA估计结果

Time-varying decay inefficiency model Number of obs = 522

Group variable: id Number of groups = 29

Time variable: t Obs per group: min = 18

Wald chi2(7) = 12117.83

logy | Coef. Std. Err. z P>|z| [95% Conf. Interval]

logk | .8581681 .0702359 12.22 0.000 .7205082 .. gen x21= (x2-55.11448)/15.1841995828

logl | .2901866 .2385308 1.22 0.224 -.1773251 .7576984

lnl2 | .0176866 .0189523 0.93 0.351 -.0194593 .0548325

lnkl | -.0416083 .009661 -4.31 0.000 -.0605435 -.0226731

t | .0738904 .0032325 22.86 0.000 .0675548 .080226

/mu | .8076558 .1711175 4.72 0.000 .4722717 1.14304

/eta | -.0249487 .00134 -13.04 0.000 -.0286988 -.0211985

/lnsigma2 | -.9871312 .4119958 -2.40 0.017 -1.794628 -.1796343

/ilgtgamma | 4.819252 .4215303 11.43 0.000 3.993067 5.645436

gamma | .998 .0033487 .9818909 .9964788

sigma_u2 | .36966 .1535317 .0687434 .6705766

sigma_v2 | .0029842 .0001906 .0026106 .0033578

Frontier估计结果：

the final mle estimates are :

coefficient standard-error t-ratio

beta 0 -0.130023E+00 0.81300234E+00 -0.16001335E+00

beta 1 0.85813963E+00 0.68369803E-01 0.12551442E+02

beta 2 0.29013755E+00 0.24348149E+00 0.116205E+01

beta 3 -0.81321979E-02 0.51092938E-02 -0.156481E+01

beta 4 0.17690571E-01 0.19216669E-01 0.92058467E+00

beta 5 -0.416062E-01 0.96804559E-02 -0.42982647E+01

beta 6 0.738171E-01 0.32161358E-02 0.22975140E+02

beta 7 -0.109887E-03 0.13951797E-03 -0.78765383E+00

sigma-squared 0.37270236E+00 0.15138674E+00 0.24619220E+01

gamma 0.999309E+00 0.32595184E-02 0.30433732E+03

LR test of the one-sided error = 0.14167786E+04

with number of restrictions = 3

[note that this statistic has a mixed chi-square distribution]

已有 1 人评分

学术水平

热心指数

信用等级

收起理由

crystal8832 + 24 + 2 + 2 + 2 热心帮助其他会员

线性回归 怎么算

log likelihood function = 0.67685005E+03

线性回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法之一,运用十分广泛.分析按照自变量和因变量之间的关系类型,可分为线性回归分析和非线性回归分析.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,且因变量和自变量之间是线性关系,则称为多元线性回归分析.

这样我就想可能是两个方面的问题：运算能力和算法。

数据组说明线性回归

set obs 55

[编辑本段]线性回归拟合方程

一般来说,线性回归都可以通过最小二乘法求出其方程,可以计算出对于y=bx+a的直线,其经验拟合方程如下：其相关系数（即通常说的拟合的好坏）可以用以下公式来计算：理解回归分析的结果

输出

这个输出包括一下及部分.左上角给出方分析表,右上角是模型拟合综合参数.下方的表给出了具体变量的回归系数.方分析表对大部分的行为研究者来讲不是很重要,我们不做讨论.在拟合综合参数中,R-squared 表示因变量中多大的一部分信息可以被自变量解释.在这里是4.46%,相当小.

回归系数

一般地,我们要求这个值大于5%.对大部分的行为研究者来讲,最重要的是回归系数.我们看到,年龄增加1个单位,文档的质量就下降 -.1020986个单位,表明年长的人对文档质量的评价会更低.这个变量相应的t值是 -2.10,大于2,p值也

用stata求股指收益率时命令如下：tsset date, gen r_sp500=ln(sp500)-ln(L.sp500), 结果出现3400个缺失值

. sum x2

stata里的obs有11992个，而Eviews的Observations有153个Source | SS df MS Number of obs = 97，数据都不一样，统计结果怎么会一样？

wed | -.3647018 .251836 -1.45 0.151 -.864943 .1355394

Stata二维图的坐标轴选择

max = 18

Stata二维图的坐标轴选择

在Stata中，我们经常使用graph twoway命令绘制散点图、折线图、条形图等二维图。如果我们在绘图时，需要使用多个坐标轴，这时应该怎么办呢？？→_→这时就需要用到坐标轴的选项（axis_cho_options）啦！

该选项的基本语法如下：

------------------------------------------------------------------------------yaxis(# [#...]), 1≤ # ≤ 9

另外，为了使绘制的图形更美观，我们还可以通过绘图的其它选项来设置指定坐标轴的标题、标签、刻度和取值范围，更改图形或文字的位置、颜色、形状、大小等。更多关于坐标轴的详尽用法，请读者使用Stata中的文件来进一步学习（ axis_cho_options）。

接下来，我们通过构造一个简单的数据集来介绍这一选项的使用方法。在绘图之前，我们先构造一个数据集，生成绘图所用的变量。

format time %td//日数据

gen week = week(time)//周标识

gen AR = ln(1+runiform())//超额收益率（日）

sort time

gen CAR = sum(AR)//累计超额收益率（日）

bysort week: egen meanAR = mean(AR)//平均超额收益率（周）

gen meanp_AR = meanAR/meanAR[_n-1] - 1//平均超额收益率变动率（周）

twoway (line CAR time, lwidth(medthick)) (line AR time, lwidth(medthick))//使用一个y轴

我们发现，当AR和CAR 使用同一y轴时，由于AR的取值范围远小于CAR，因此AR的变化在图中并不明显。

接下来，我们使用选项yaxis(n)设置双y轴，生成AR和CAR的折线图。其中，yaxis(1)指AR变量使用个y轴，yaxis(2)指CAR变量使用第二个y轴，个坐标轴选项yaxis(1)可以省略[l1] ，Stata最多允许在同一方向设置9个坐标轴。

twow-------------+----------------------------------------------------------------ay (line AR time,yaxis(1) lcolor(ebblue)) (line CAR time,yaxis(2) lcolor(cranberry))//双y轴

此时，我们能明显看出AR和CAR的变化趋势。AR是日超额收益率，变化幅度较大；CAR是累计超额收益率，呈上升趋势。

我们可以使用yaxis(n)和xaxis(n)选项设置2个y轴和2个x轴，生成AR的散点图、CAR的折线图和meanAR的条形图。此时，由于变量取值范围不同，AR和meanAR可以使用个y轴（0-0.8），CAR使用第二个y轴（0-25）；由于时间单位的不同，AR和CAR可以使用个x轴（日），meanAR使用第二个x轴（周）。为了输出结果美观，我们使用对图形的颜色、宽度、大小等进行了调整，这些调整可以通过命令选项写出，也可以直接在生成的图形中修改。

twoway (bar meanAR week, xaxis(1) yaxis(1) color(ltblue) barw(0.6) xlabel(1(1)8)) (scatter AR time, c(l) ytitle(AR) xaxis(2) yaxis(1) mcolor(teal) msize(all) lcolor(teal)) (line CAR time, xaxis(2) yaxis(2) color(teal) lwidth(medthick))//双x轴双y轴

生成AR和CAR的折线图，meanp_AR的条形图。此时，由于变量取值范围各不相同，AR, CAR和meanp_AR需要分别使用一个y轴；由于时间单位的不同，meanp_AR使用个x轴（周），CAR和AR使用第二个x轴（日）

twoway (bar meanp_AR week, xaxis(1) yaxis(1) barw(0.5) color(ltblue) xlabel(1(1)8, axis(1))) (line AR time, xaxis(2) yaxis(2) lcolor(teal)) (line CAR time,xaxis(2) yaxis(3) lcolor(teal)) //双x轴三y轴

此时，我们发现，在Stata绘图中，当设置的纵坐标轴（横坐标轴）不少于3个时，纵坐标轴（横坐标轴）会堆积在图形左侧（下侧）。如果小伙伴们想要自行选择坐标轴出现的位置，可以使用选项yscale(alt)或xscale(alt)，将指定的坐标轴移到另一侧。

twoway (bar meanp_AR week,xaxis(1) yaxis(1) yscale(alt) barw(0.5) color(ltblue) xlabel(1(1)8, axis(1))) (line AR time, xaxis(2) yaxis(2) lcolor(teal)) (line CAR time,xaxis(2) yaxis(3) lcolor(teal))

此时，我们使用yscale(alt)选项将条形图的纵轴移到右侧显示，并使用yline(0)选项为条形图增加了一条y=0的水平参考线，增加了图形的可读性。

obs跟电脑中的远近范围视频不一样

genxaxis(# [#...]), 1≤ # ≤ 9 timu 0.80763401E+00 0.17292280E+00 0.46704889E+01me = _n

在STATA中如何一次对多个变量进行均值检验

seLog lik方法2——egenelihood = 676.85007 Prob > chi2 = 0.0000t seed 123456789

一个分类进行描述统计的命令（sum的进阶版）：

tabstat pr weight length, by(foreign) stat (me sd N) nototal longstub

按照foreign分类，对 pr weight length进行描述统计，统计量分别包括me（均值） sd（标准） N（样本数）

星号不知怎么一并加进去，你检测完手工加吧……

stata指令中 ivreg2 与ivreg区别？

例如，我们希望把条形图的纵轴移到右侧显示，使图形更加美观，我们可以使用yscale(alt)选项实现这一作，命令如下：

ivreg2：两阶段最小二乘的命令。（不过在使用之前需要先install一下安装包才可以用，也是先 ivreg2然后找到安装包就可以用）

虽然不同的统计软件可能会用不同的格式给出回归的结果,但是它们的基本内容是一致的.我们以STATA的输出为例来说明如何理解回归分析的结果.在这个例子中,我们测试读者的性别（gender）,年龄（age）,知识程度（know）与文档的次序（noofdoc）对他们所觉得的文档质量(relevance)的影响.输出：Source | SS df MS Number of obs = 242 -------------+------------------------------------------ F ( 4,237) = 2.76 Model | 14.0069855 4 3.50174637 Prob > F = 0.0283 Residual | 300.2772 237 1.26700072 R-squared = 0.0446 ------------- +------------------------------------------- Adj R-squared = 0.0284 Total | 314.286157 241 1.304094 Root MSE = 1.1256 ------------------------------------------------------------------------------------------------ relevance | Coef.Std.Err.t P>|t| Beta ---------------+-------------------------------------------------------------------------------- gender | -.2111061 .1627241 -1.30 0.196 -.0809 age | -.1020986 .0486324 -2.10 0.037 -.1341841 know | .0022537 .0535243 0.04 0.966 .0026877 noofdoc | -.32053 .1382645 -2.38 0.018 -.1513428 _cons | 7.334757 1.072246 6.84 0.000 .-------------------------------------------------------------------------------------------

ivreg是变量的名称，不同的系统会有异。

（1）

ivregress 2sls lnprca mon tues wed thurs (lnqtya = lnwe2 lnwe3 lnspeed2 lnspeed3)

Instrumental variables (2SLS) regression Number of obs = 97

Wald chi2(5) = 8.82

Prob > chi2 = 0.1163

R-squared = .

Root MSE = .66038

lnprca | Coef. Std. Err. z P>|z| [95% Conf. Intervalg = 18]

lnqtya | -.7623633 .2614757 -2.92 0.004 -1.274846 -.2498803

mon | -.4652058 .2571867 -1.81 0.070 -.9692825 .0388708

tues | -.628266 .2956193 -2.13 0.034 -1.207669 -.0488627

wed | -.3647018 .2439229 -1.50 0.135 -.8427819 .1133783

thurs | -.0730545 .2139729 -0.34 0.733 -.4924336 .3463246

_cons | 5.760957 2.079069 2.77 0.006 1.686056 9.835858

（2）

ivreg lnprca mon tues wed thurs (lnqtya = lnwe2 lnwe3 lnspeed2 lnspeed3)

Instrumental variables (2SLS) regression

Model | -25.0643575 5 -5.0128715 Prob > F = 0.1535

Residual | 42.3013548 .464850053 R-squared = .

-------------+------------------------------ Adj R-squared = .

Total | 17.2369973 96 .179552055 Root MSE = .6818

lnprca | Coef. Std. Err. t P>|t| [95% Conf. Interval]

lnqtya | -.7623633 .2699582 -2.82 0.006 -1.298602 -.2261244

mon | -.4652058 .26553 -1.75 0.083 -.9926486 .062237

tues | -.628266 .3052095 -2.06 0.042 -1.234527 -.0220048

thurs | -.0730545 .22043 -0.33 0.742 -.5118737 .3657646

_cons | 5.760957 2.146516 2.68 0.009 1.497166 10.02475