stata预测

#stata预测| 来源: 网络整理| 查看: 265

多元线性回归分析回归分析数据分类 --- 通过数据类别选择合适的建模方法数据网站线性回归 --- 横截面数据对线性的理解用新变量替换时求对应的值可以使用Excel 回归系数回归系数解释使用回归前，要检验扰动项是否满足某些条件 --- 重点扰动项 μ \mu μ的内生性解决外生性 --- 核心解释变量和控制变量当式子中有对数时，对回归系数的解释总结：四类模型回归系数的解释多变量时变量定性变量变为定量变量 --- 引入虚拟变量虚拟变量解释设置虚拟变量含有交互项的自变量在论文对变量解释介绍一元线性回归 Stata对数据描述性统计定量数据定性数据 --- 生成虚拟变量Excel画出变量的频率扇形图 Stata 回归 --- 分析各个变量与因变量的关系使用回归前，要检验扰动项是否满足某些条件 --- 重点对定量变量回归联合显著性检验 --- P r o b > F Prob>F Prob>F的值看模型是否合理分析的变量选择 --- 回归系数显著回归系数解释对定性变量回归联合显著性检验 --- P r o b > F Prob>F Prob>F的值看模型是否合理分析的变量选择 --- 回归系数显著回归系数的解释 Stata对回归分析结果用文档保存 Stata标准化回归 --- 分析各个变量对因变量的影响程度求出的拟合优度 R 2 R^2 R2较低时拟合优度和调整后的拟合优度

回归分析

研究X与Y的相关性在这里插入图片描述

X — 自变量， Y — 因变量回归的分类解释性回归预测性回归回归分析的任务通过研究X和Y的相关关系，尝试去解释Y的形成机制，进而达到通过去预测Y的目的使用目的判断那些X是与Y真的相关相关的X与Y是正相关还是负相关不同X有不同的权重(不同的回归系数)，可以得到不同变量之间的相对重要性回归分析的分类在这里插入图片描述

不同数据处理方法

数据分类 — 通过数据类别选择合适的建模方法横截面数据 — 在某一时间点收集的不同对象的数据比如：某年各省的GDP时间序列数据 — 对统一对象在不同时间所得数据比如：一个省每年的GDP面板数据 — 横截面数据与时间序列数据综合起来比如： 2008-2018，各省份GDP 在这里插入图片描述

数据网站

【简道云汇总】110+数据网站【汇总】数据来源/大数据平台大数据工具导航大数据查询导航

线性回归 — 横截面数据对线性的理解

自变量和因变量可以通过变量变换而转化为线性模型在这里插入图片描述

例如：将 y i = β 0 + β 1 l n x i + μ i y_i=\beta_0+\beta_1lnx_i+\mu_i yi=β0+β1lnxi+μi中的 l n x i lnx_i lnxi用一个新变量进行替换用新变量替换时求对应的值可以使用Excel

在这里插入图片描述

回归系数回归系数解释

在这里插入图片描述

使用回归前，要检验扰动项是否满足某些条件 — 重点

多元线性回归扰动项满足的条件

扰动项 μ \mu μ的内生性误差项 μ \mu μ与自变量 x x x相关扰动项 μ \mu μ中包含了与 y y y有关但没有放到模型中的变量

在这里插入图片描述 1.对于扰动项 μ \mu μ满足一定的条件为：不存在内生性，不存在异方差 2. 例如：在仅有变量 x x x为产品品质时，会出现内生性

∵ \because ∵ 会有价钱也与 y y y有关，因为没有添加到模型中(即存在于 μ \mu μ中)，而价格于品质 x x x有关 ∴ \therefore ∴ 产生了内生性外生性很难满足 ∴ \therefore ∴为了降低了条件 — 引入核心解释变量和控制变量解决外生性 — 核心解释变量和控制变量

在这里插入图片描述仅仅保证核心解释变量与 μ \mu μ无关，而不用保证控制变量与 μ \mu μ无关 ∴ \therefore ∴ 控制变量就是为了控制那些对核心解释变量影响的遗漏的变量(这些变量在 μ \mu μ中)

当式子中有对数时，对回归系数的解释

在这里插入图片描述

总结：四类模型回归系数的解释

在这里插入图片描述

多变量时

加一句：在控制其他自变量不变的情况下

变量定性变量变为定量变量 — 引入虚拟变量

在这里插入图片描述

虚拟变量解释

例如研究性别与工资影响： y i = β 0 + δ 0 F e m a l e i + β 1 x 1 i + β 2 x 2 i + . . . + μ i y_i=\beta_0+\delta_0Female_i+\beta_1x_{1i}+\beta_2x_{2i}+...+\mu_i yi=β0+δ0Femalei+β1x1i+β2x2i+...+μi

F e m a l e i = 1 Female_i =1 Femalei=1：表示第 i i i个样本为女性 F e m a l e i = 0 Female_i =0 Femalei=0：表示第 i i i个样本为男性核心解释变量: F e m a l e Female Female 控制变量: x m ( m = 1 , 2 , . . . k ) x_m(m=1,2,...k) xm(m=1,2,...k) 在这里插入图片描述

设置虚拟变量

为了避免完全多重共线性的影响，引入虚拟变量的个数一般为分类数 - 1 比如：定性变量（男/女），有两个分类，所以设置一个虚拟变量当出现完全多重共线性时，回归系数无法计算

含有交互项的自变量因变量受到一个核心解释变量和另一个核心解释变量共同影响

在这里插入图片描述

在论文对变量解释介绍

在这里插入图片描述

一元线性回归与一元线性函数拟合本质类似仅有一个自变量

在这里插入图片描述

Stata对数据描述性统计定量数据 summarize 变量1 变量2 ... 变量n

在这里插入图片描述

如果放入论文中，需要先放到Excel中，变成三线表，然后将三线表放到论文中定性数据 — 生成虚拟变量 // 得到出现的次数(Freq) tabulate 变量该函数每次仅对一个变量进行分析

在这里插入图片描述

tab 变量 ,gen(A) 生成对应变量的虚拟变量 A 1... A n A1 ... An A1...An

在这里插入图片描述

例如图中，有两种配方，有两个虚拟变量 A 1 , A 2 A1,A2 A1,A2 当为第一种配方的时候， A 1 = = 1 ; A 2 = = 0 A1 == 1 ;A2==0 A1==1;A2==0 当为第二种配方的时候， A 1 = = 0 ; A 2 = = 1 A1 == 0 ;A2==1 A1==0;A2==1 Excel画出变量的频率扇形图插入 -> 数据透视表选择所需字段在这里插入图片描述

可以选择值显示的方式(数字或百分比)画出扇形图分析 -> 数据透视图在这里插入图片描述

在图中加入数字在这里插入图片描述

为了让画出来的图有美感可以先进行排序后再画开始 -> 排序可以进行颜色的变更：页面布局 -> 颜色

Stata 回归 — 分析各个变量与因变量的关系使用回归前，要检验扰动项是否满足某些条件 — 重点

多元线性回归扰动项满足的条件

对定量变量回归 regress y x1 x2 ...

在这里插入图片描述

Model: 代表SSR，回归平方和Residual: 代表SSR，误差平方和Total: 代表SST

上面三个对应的值在SS列中

R-squared: 代表 R 2 R^2 R2，拟合优度

0 < = R 2 < = 1 0 F Prob>F Prob>F 对应的值要 < 0.05 |t|一列 P>∣t∣一列,当值 < 0.05 F Prob>F的值看模型是否合理 P r o b > F Prob>F Prob>F 对应的值要 < 0.05 |t|一列 P>∣t∣一列,当值 < 0.05

【本文地址】

公司简介

联系我们