Stata软件之回归分析.ppt

1、计量经济学软件应用，第一部分Stata软件实验，多元回归分析，内容总结，第一，实验目的，第二，Stata软件简单回归分析的基本命令，第三，Stata软件简单回归分析的操作示例，第四，Stata软件多元回归分析的基本命令，第五，Stata软件多元回归分析的操作示例，第一，实验目的：掌握简单回归分析的操作方法和步骤，并了解Stata软件的运行结果。 Stata简单回归分析的基本命令，简单线性回归模型是指只有一个解释变量的回归模型。 例如，y是解释变量，x是解释变量，u是随机误差项，表示除x外影响y的因素；它被称为斜率参数或斜率系数、截距参数或截距系数、截距项或常数项。简单线性回归模型的一个特例：当

2、假设截距系数时，该模型称为零点回归；零点回归在实践中有一定的应用，但要使用零点回归模型并不容易，除非有非常清晰的理论分析。2。Stata简单回归分析的基本命令，回归y x以y为解释变量，x为OLS回归的解释变量。回归命令可以缩写为水平线上方的三个字母reg。回归y x，不稳定y到x的回归不包括截距项，即通过原点的回归。预测z基于最新的回归生成新的变量z，其值等于每个观测值的拟合值(即。预测u，残差根据最近的回归，生成一个新的变量u，其值等于每个观测值的残差(即。3.简单回归分析实验1简单回归分析：教育对工资的影响劳动经济学中经常讨论的问题之一是工人工资的确定。很难想象有许多因素决定工资，如能力

3、、性别、工作经验、教育水平、行业、职业等等。这里只考虑其中一个因素：教育程度，并建立以下计量模型：工资是一个解释变量，代表小时工资，单位为元；Edu是一个解释性变量，表示受教育的年限，即个人受教育的年限，一位数是年；u是随机误差项。假设模型(3.1)满足简单回归模型的所有五个基本假设，这样的OLS估计量将是最好的线性无偏估计量。根据表S-2给出的数据，请使用Stata软件完成上述模型的估算。3.简单回归分析的Stata软件操作实例：1.打开数据文件。直接双击“薪资公式1.dta”文件；或点击Stata窗口最左边工具栏上的“打开”键，然后选择“薪资公式1 . DTA”；或者先复制数据表S-2中的

4、数据，然后点击Stata窗口工具栏右侧的第4个数据编辑键，将数据粘贴到打开的数据编辑窗口，然后关闭数据编辑窗口，点击工具栏左侧的第2个保存键保存数据，保存时命名数据文件。2.给出数据的简要描述。使用description命令，缩写为：des获取以下运行结果；第三，Stata软件运行实例的简单回归分析表明，“工资方程1.dta”数据文件包含1225个样本和11个变量；11个变量的定义和描述见第3栏。3.简单回归分析的Stata软件操作实例；3.变量的描述性统计分析。对于定量变量，使用summarize命令：su age edu exp exp psq工资ln工资，获得以下运行结果，并保存运行结果

5、；第1列：变量名；第2栏：观察次数；第3栏：平均值；第4栏：标准偏差；第5栏：最小值；第6列：最大值。3.简单回归分析的Stata软件操作实例；4.OLS工资回归edu。使用回归命令：reg wagedu获得以下运行结果，并保存运行结果；(1)表下面积为基本回归结果。第一列是解释变量工资、解释变量edu和截距项常数；第2栏中回归系数的OLS估计值；第三栏回归系数的标准误差；第4栏：回归系数的t统计值；样本的回归方程是：如果受教育年限增加一年，平均每小时工资将增加0.39元。第三，简单的Stata软件回归分析操作示例，(2)表格的左上角区域是方差分析表。第二列是自上而下的回归平方和、残差平方和以

6、及总偏差平方和。第三列是自由度，即k=1，n-k-1=1225-1-1=1223，n-1=1225-1=1224；第四列是均方差(MSS)，它是通过将平方和除以相应的自由度得到的。(3)在表格的右上方区域，给出了obs的样本数、R平方、可调R平方、f统计量的值、回归方程(或S.E .)的标准误差或根误差以及其他统计量的信息。实现回归分析的上述菜单操作：统计线性模型及相关线性回归弹出对话框，在因变量选项框中选择或输入工资，在自变量选项框中选择或输入edu，点击确定。3.Stata软件简单回归分析操作示例，5。生成新变量Z作为前一次回归的拟合值，并生成新变量U作为前一次回归的残差；然后，根据u，数

7、据按从小到大排序，并列出u最小的五个观测值。命令如下：预测z(生成拟合值)预测u，残差(生成残差)排序u(根据u从小到大排序数据)列表权重z u 1/5(列出u的5个最小观测值和相应的实际样本的观测值和拟合值)，即对于观测值1，小时工资的实际观测值(权重)为2.46，拟合值(z)。3.简单回归分析的Stata软件操作实例；6.以工资为纵轴，edu为横轴，绘制散点图，并添加样本回归线。命令如下：图形双向lfit wagedu | |分散wagedu获得以下运行结果并保存运行结果；3。Stata软件简单回归分析操作示例，7。通过工资对edu进行OLS回归，仅使用小于或等于30岁的样本。命令如下：注

8、册工资edu如果年龄=30得到以下运行结果，并保存运行结果；写一个样本回归方程：对于30岁及以下的工人，增加一年的教育将增加0.41元的工资，这略高于所有样本的估计值。3。Stata软件简单回归分析操作示例，8。OLS对edu工资的回归，其中不包括截距项，即零点回归。命令如下：reg工资edu，noconstant获得以下运行结果并保存运行结果；3.简单回归分析的Stata软件操作实例：9.半对数模型。模型(3.1)假设增加一年的教育将带来相同的工资增长；然而，美国经济学家明瑟和其他人的研究表明，增加一年的教育年限并导致同样比例的工资增长更为合理。这需要使用半对数模型(对数-水平模型)，也就是

9、说，最低工资是小时工资的自然对数；斜率系数的经济含义是：增加一年的教育导致收入增加，这个百分比值通常被称为教育回报率。顺序如下：edu注册工资获得以下操作结果并保存操作结果(见下页)；3.对Stata软件操作实例进行简单的回归分析，写出样本回归方程如下：结果显示教育收益率的估计值为5.03%，即平均而言，增加一年的教育年限使工资增加5.03%。3.简单回归分析的Stata软件操作实例；10.最后，可以创建do文件来保存之前执行的命令。在待办文件编辑窗口(点击Stata窗口工具栏右侧的第5个新建待办文件编辑器键，打开Stata的待办文件编辑窗口)，输入以下命令和注释，并将其保存为“工资公式1 .

10、待办”文件。本文件的内容是：使用“D:讲座材料周贝讲座材料数据重要计量经济学软件应用课件 10649289stata10工资公式1.dta”，清除/打开数据文件des/数据简介su age edu exp exp psq工资lnwage/定量变量reg工资的描述性统计reg工资edu/OLS估算简单线性模型图双向lfit工资edu | |分散工资edu/测绘reg工资edu如果年龄=30/OLS估算仅使用小于或等于30岁reg工资的样本简单回归分析的Stata软件操作实例实验二简单回归分析：学校投入对学生成绩的影响表S-3记录了某年部分学校及相关学校高一学生的平均成绩本实验主要考察学校平均支出

11、对学生数学成绩的影响。每个学生的平均支出代表学校的资金水平。理论上讲，在其他条件不变的情况下，学生可以获得更好的教学资源(包括更好的教师、更好的硬件设备等)。)在学生人均支出较高的学校，他们的学业成绩应该更高。根据表S-3给出的数据，请使用Stata软件完成相关模型的估算。1.打开数据文件。双击文件“学校投资和学生成绩”。或点击统计窗口工具栏中的“打开”键，选择“学校投资和学生成绩”。DTA”；或者复制数据表S-3中的数据，点击Stata窗口工具栏中的数据编辑器按钮，将数据粘贴到数据编辑窗口，关闭窗口，点击工具栏中的保存按钮保存数据，保存时命名数据文件。3.简单回归分析的Stata软件操作实例

12、。2.假设每个学生的平均支出与影响学生数学成绩的其他因素无关，建立了以下四个简单的回归模型：水平-水平模型：水平-对数模型：对数-水平模型：对数-对数模型(常数弹性模型):水平-水平模型的指令和运算结果如下：RegmathExpense估计结果表明：第三，Stata软件运行实例的简单回归分析，水平-对数模型的指令和运算结果如下：RegMathexpense估计结果：即学校平均支出将增加1%，这将增加平均支出第三，对Stata软件运行实例的简单回归分析，对数-水平模型的命令和运行结果如下：reg lnmath费用估算结果：即学校平均支出增加1000元，这将使学生的平均数学成绩提高7%；第三，对S

13、tata软件运行实例进行简单的回归分析，得出对数-对数模型的命令和运行结果如下：reg lnmath lnexpend估计结果：即学校平均支出将增加1%，这将使学生的平均数学成绩提高0.32%；第四章。多元回归分析的基本命令。多元线性回归模型：回归y x1 x2xk以Y为解释变量，x1，x2，xk为解释变量进行OLS回归。注册。ress命令可以缩写为reg回归y x1 x2xk，no状态y到x1，x2，xk的回归不包括截距项，即通过原点的回归；检验x1 x2 x3根据最近的回归进行f检验，原假设为：检验根据最近的回归进行f检验，原假设为：5。Stata软件运行实例多元回归分析，实验1多元回归分

14、析：工资方程利用数据文件“工资方程1.dta”建立工资方程，考察影响小时工资的因素，重点考察受教育年限系数(edu)，即教育收益率()。1.打开数据文件。直接双击“薪资公式1.dta”文件；或点击Stata窗口最左边工具栏上的“打开”键，然后选择“薪资公式1 . DTA”；2.简单回归分析。首先，建立了一个简单的回归模型(对数级模型):命令和运行结果如下：edu注册工资；5.多元回归分析Stata软件的操作实例。回归结果表明，如果不考虑其他因素的影响，教育产出的估计值为5.03%，即平均而言，增加一年的教育将增加5.03%的工资。5.多元回归分析中Stata软件操作实例；3.多元回归分析。除了

15、受教育年限(edu)，工作经验(经验)也是影响小时工资的一个重要因素。理论上，其他条件保持不变，工作经验越长，工作经验越丰富，劳动生产率越高，工资水平也越高。如果工作经验(exp)与受教育年限(edu)无关，或者相关程度很低，那么工作经验(exp)是否加入劳动资本方程对教育产出的估计影响不大。然而，如果工作经验(exp)与受教育年限(edu)显著相关，如果工作经验(exp)不包括在工资等式中，教育回报率的估计将会有偏差。因此，有必要首先检查样本中的工作经历(经验)是否与教育年限(edu)显著相关。方法是计算它们之间的样本关系数并进行显著性检验。使用的命令如下：pwcorr edu exp，sig (pwcorr查找样本相关系数命令，选项sig表示原始假设H0被列为相关系数等于0的假设检验的准确显著性水平。即伴随的统计概率值)。5.利用多元回归分析的Stata软件的运算实例，得到如下运算结果：可以看出，edu与exp之间的样本相关系数为-0.5005，显著性水平，即虚假检验统计