stata命令大全.docx

调整变量格式： 
format x1 %10.3f ——将x1的列宽固定为10，小数点后取三位 
format x1 %10.3g ——将x1的列宽固定为10，有效数字取三位 
format x1 %10.3e ——将x1的列宽固定为10，采用科学计数法 
format x1 %10.3fc ——将x1的列宽固定为10，小数点后取三位，加入千分位分隔符 
format x1 %10.3gc ——将x1的列宽固定为10，有效数字取三位，加入千分位分隔符 
format x1 %-10.3gc ——将x1的列宽固定为10，有效数字取三位，加入千分位分隔符，加入“-”表示左对齐 
合并数据： 
use "C:\Documents and Settings\xks\桌面\2006.dta", clear 
merge using "C:\Documents and Settings\xks\桌面\1999.dta" 
——将1999和2006的数据按照样本（observation）排列的自然顺序合并起来 
use "C:\Documents and Settings\xks\桌面\2006.dta", clear 
merge id using "C:\Documents and Settings\xks\桌面\1999.dta" ,unique sort 
——将1999和2006的数据按照唯一的（unique）变量id来合并，在合并时对id进行排序（sort） 
建议采用第一种方法。 
对样本进行随机筛选： 
sample 50 
在观测案例中随机选取50%的样本，其余删除 
sample 50,count 
在观测案例中随机选取50个样本，其余删除 
查看与编辑数据： 
browse x1 x2 if x3>3 （按所列变量与条件打开数据查看器） 
edit x1 x2 if x3>3 （按所列变量与条件打开数据编辑器） 
数据合并（merge）与扩展（append） 
merge表示样本量不变，但增加了一些新变量；append表示样本总量增加了，但变量数目不变。 
one-to-one merge： 
数据源自stata tutorial中的exampw1和exampw2 
第一步：将exampw1按v001～v003这三个编码排序，并建立临时数据库tempw1 
clear 
use "t:\statatut\exampw1.dta" 
su ——summarize的简写 
sort v001 v002 v003 
save tempw1 
第二步：对exampw2做同样的处理 
clear 
use "t:\statatut\exampw2.dta" 
su 
sort v001 v002 v003 
save tempw2 
第三步：使用tempw1数据库，将其与tempw2合并： 
clear 
use tempw1 
merge v001 v002 v003 using tempw2 
第四步：查看合并后的数据状况： 
ta _merge ——tabulate _merge的简写 
su 
第五步：清理临时数据库，并删除_merge，以免日后合并新变量时出错 
erase tempw1.dta 
erase tempw2.dta 
drop _merge 
数据扩展append： 
数据源自stata tutorial中的fac19和newfac 
clear 
use "t:\statatut\fac19.dta" 
ta region 
append using "t:\statatut\newfac" 
ta region 
合并后样本量增加，但变量数不变 

茎叶图： 
stem x1,line(2) （做x1的茎叶图，每一个十分位的树茎都被拆分成两段来显示，前半段为0～4，后半段为5～9） 
stem x1,width(2) （做x1的茎叶图，每一个十分位的树茎都被拆分成五段来显示，每个小树茎的组距为2） 
stem x1,round(100) （将x1除以100后再做x1的茎叶图） 
直方图 
采用auto数据库 
histogram mpg, discrete frequency normal xlabel(1(1)5) 
（discrete表示变量不连续，frequency表示显示频数，normal加入正太分布曲线，xlabel设定x轴，1和5为极端值，(1)为单位） 
histogram price, fraction norm 
（fraction表示y轴显示小数，除了frequency和fraction这两个选择之外，该命令可替换为“percent”百分比，和“density”密度；未加上discrete就表示将price当作连续变量来绘图） 
histogram price, percent by(foreign) 
（按照变量“foreign”的分类，将不同类样本的“price”绘制出来，两个图分左右排布） 
histogram mpg, discrete by(foreign, col(1)) 
（按照变量“foreign”的分类，将不同类样本的“mpg”绘制出来，两个图分上下排布） 
histogram mpg, discrete percent by(foreign, total) norm 
（按照变量“foreign”的分类，将不同类样本的“mpg”绘制出来，同时绘出样本整体的“总”直方图） 
二变量图： 
graph twoway lfit price weight || scatter price weight 
（作出price和weight的回归线图——“lfit”，然后与price和weight的散点图相叠加） 
twoway scatter price weight,mlabel(make) 
（做price和weight的散点图，并在每个点上标注“make”，即厂商的取值） 
twoway scatter price weight || lfit price weight,by(foreign) 
（按照变量foreign的分类，分别对不同类样本的price和weight做散点图和回归线图的叠加，两图呈左右分布） 
twoway scatter price weight || lfit price weight,by(foreign,col(1)) 
（按照变量foreign的分类，分别对不同类样本的price和weight做散点图和回归线图的叠加，两图呈上下分布） 
twoway scatter price weight [fweight= displacement],msymbol(oh) 
（画出price和weight的散点图，“msybol(oh)”表示每个点均为中空的圆圈，[fweight= displacement]表示每个点的大小与displacement的取值大小成比例） 
twoway connected y1 time,yaxis(1) || y2 time,yaxis(2) 
（画出y1和y2这两个变量的时间点线图，并将它们叠加在一个图中，左边“yaxis(1)”为y1的度量，右边“yaxis(2)”为y2的） 
twoway line y1 time,yaxis(1) || y2 time,yaxis(2) 
（与上图基本相同，就是没有点，只显示曲线） 
graph twoway scatter var1 var4 || scatter var2 var4 || scatter var3 var4 
（做三个点图的叠加） 
graph twoway line var1 var4 || line var2 var4 || line var3 var4 
（做三个线图的叠加） 
graph twoway connected var1 var4 || connected var2 var4 || connected var3 var4 
（叠加三个点线相连图） 
更多变量： 
graph matrix a b c y 
（画出一个散点图矩阵，显示各变量之间所有可能的两两相互散点图） 
graph matrix a b c d,half 
（生成散点图矩阵，只显示下半部分的三角形区域） 
用auto数据集： 
graph matrix price mpg weight length,half by( foreign,total col(1) ) 
（根据foreign变量的不同类型绘制price等四个变量的散点图矩阵，要求绘出总图，并上下排列】=具） 
其他图形： 
graph box y,over(x) yline(.22) 
（对应x的每一个取值构建y的箱型图，并在y轴的0.22处划一条水平线） 
graph bar (mean) y,over(x) 
对应x的每一个取值，显示y的平均数的条形图。括号中的“mean”也可换成median、sum、sd、p25、p75等 
graph bar a1 a2,over(b) stack 
（对应在b的每一个取值，显示a1和a2的条形图，a1和a2是叠放成一根条形柱。若不写入“stack”，则a1和a2显示为两个并排的条形柱） 
graph dot (median)y,over(x) 
（画点图，沿着水平刻度，在x的每一个取值水平所对应的y的中位数上打点） 
qnorm x 
（画出一幅分位-正态标绘图） 
rchart a1 a2 a2 
（画出质量控制R图，显示a1到a3的取值范围） 

简单统计量的计算： 
ameans x 
（计算变量x的算术平均值、几何平均值和简单调和平均值，均显示样本量和置信区间） 
mean var1 [pweight = var2] 
（求取分组数据的平均值和标准误，var1为各组的赋值，var2为每组的频数） 
summarize y x1 x2,detail 
（可以获得各个变量的百分比数、最大最小值、样本量、平均数、标准差、方差、峰度、偏度） 
***注意*** 
stata中summarize所计算出来的峰度skewness和偏度kurtosis有问题，与ECELL和SPSS有较大差异，建议不采用stata的结果。 
summarize var1 [aweight = var2], detail 
（求取分组数据的统计量，var1为各组的赋值，var2为每组的频数） 
tabstat X1,stats(mean n q max min sd var cv) 
（计算变量X1的算术平均值、样本量、四分位线、最大最小值、标准差、方差和变异系数） 
概率分布的计算： 
（1）贝努利概率分布测试： 
webuse quick 
bitest quick==0.3,detail 
（假设每次得到成功案例‘1’的概率等于0.3，计算在变量quick所显示的二项分布情况下，各种累计概率和单个概率是多少） 
bitesti 10,3,0.5,detail 
（计算当每次成功的概率为0.5时，十次抽样中抽到三次成功案例的概率：低于或高于三次成功的累计概率和恰好三次成功概率） 
（2）泊松分布概率： 
display poisson(7,6) 
.44971106 
（计算均值为7，成功案例小于等于6个的泊松概率） 
display poissonp(7,6) 
.14900278 
（计算均值为7，成功案例恰好等于6个的泊松概率） 
display poissontail(7,6) 
.69929172 
（计算均值为7，成功案例大于等于6个的泊松概率） 
（3）超几何分布概率： 
display hypergeometricp(10,3,4,2) 
.3 
（计算在样本总量为10，成功案例为3的样本总体中，不重置地抽取4个样本，其中恰好有2个为成功案例的概率） 
display hypergeometric(10,3,4,2) 
.96666667 
（计算在样本总量为10，成功案例为3的样本总体中，不重置地抽取4个样本，其中有小于或等于2个为成功案例的概率） 
检验极端值的步骤： 
常见命令：tabulate、stem、codebook、summarize、list、histogram、graph box、gragh matrix 
step1.用codebook、summarize、histogram、graph boxs、graph matrix、stem看检验数据的总体情况： 
codebook y x1 x2 
summarize y x1 x2,detail 
histogram x1,norm（正态直方图） 
graph box x1（箱图） 
graph matrix y x1 x2,half（画出各个变量的两两x-y图） 
stem x1（做x1的茎叶图） 
可以看出数据分布状况，尤其是最大、最小值 
step2.用tabulate、list细致寻找极端值 
tabulate code if x1==极端值（作出x1等于极端值时code的频数分布表，code表示地区、年份等序列变量，这样便可找出那些地区的数值出现了错误） 
list code if x1==极端值（直接列出x1等于极端值时code的值，当x1的错误过多时，不建议使用该命令） 
list in -20/l（l表示last one，-20表示倒数第20个样本，该命令列出了从倒数第20个到倒数第一个样本的各变量值） 
step3.用replace命令替换极端值 
replace x1=? if x1==极端值 
去除极端值： 
keep if y<1000 
drop if y>1000 
对数据排序： 
sort x 
gsort +x 
（对数据按x进行升序排列） 
gsort -x 
（对数据按x进行降序排列） 
gsort -x, generate(id) mfirst 
（对数据按x进行降序排列，缺失值排最前，生成反映位次的变量id） 
对变量进行排序： 
order y x3 x1 x2 
（将变量按照y、x3、x1、x2的顺序排列） 
生成新变量： 
gen logx1=log(x1)（得出x1的对数） 
gen x1`=exp(logx1)（将logx1反对数化） 
gen r61_100=1 if rank>=61&rank<=100（若rank在61与100之间，则新变量r61_100的取值为1，其他为缺失值） 
replace r61_100 if r61_100!=1（“!=”表示不等于，若r61_100取值不为1，则将r61_100替换为0，就是将上式中的缺失值替换为0） 
gen abs(x)（取x的绝对值） 
gen ceil(x)（取大于或等于x的最小整数） 
gen trunc(x)（取x的整数部分） 
gen round(x)（对x进行四舍五入） 
gen round(x,y)（以y为单位，对x进行四舍五入） 
gen sqrt(x)（取x的平方根） 
gen mod(x,y)（取x/y的余数） 
gen reldif(x,y)（取x与y的相对差异，即|x-y|/(|y|+1)） 
gen logit(x)（取ln[x/(1-x)]） 
gen x=autocode(x,n,xmin,xmax)（将x的值域，即xmax-xmin，分为等距的n份） 
gen x=cond(x1>x2,x1,x2)（若x1>x2成立，则取x1，若x1>x2不成立，则取x2） 
sort x 
gen gx=group(n)（将经过排序的变量x分为尽量等规模的n个组） 
egen zx1=std(x1)（得出x1的标准值，就是用(x1-avgx1)/sdx1） 
egen zx1=std(x1),m(0) s(1)（得出x1的标准分，标准分的平均值为0，标准差为1） 
egen sdx1=sd(x1)（得出x1的标准差） 
egen meanx1=mean(x1)（得出x1的平均值） 
egen maxx1=max(x1)（最大值） 
egen minx1=min(x1)（最小值） 
egen medx1=med(x1)（中数） 
egen modex1=mode(x1)（众数） 
egen totalx1=total(x1)（得出x1的总数） 
egen rowsd=sd(x1 x2 x3)（得出x1、x2和x3联合的标准差） 
egen rowmean=mean(x1 x2 x3)（得出x1、x2和x3联合的平均值） 
egen rowmax=max(x1 x2 x3)（联合最大值） 
egen rowmin=min(x1 x2 x3)（联合最小值） 
egen rowmed=med(x1 x2 x3)（联合中数） 
egen rowmode=mode(x1 x2 x3) （联合众数） 
egen rowtotal=total(x1 x2 x3)（联合总数） 
egen xrank=rank(x)（在不改变变量x各个值排序的情况下，获得反映x值大小排序的xrank） 
数据计算器display命令： 
display x[12]（显示x的第十二个观察值） 
display chi2(n,x)（自由度为n的累计卡方分布） 
display chi2tail(n,x)（自由度为n的反向累计卡方分布，chi2tail(n,x)=1-chi2(n,x)） 
display invchi2(n,p)（卡方分布的逆运算，若chi2(n,x)=p，那么invchi2(n,p)=x） 
display invchi2tail(n,p)（chi2tail的逆运算） 
display F(n1,n2,f)（分子、分母自由度分别为n1和n2的累计F分布） 
display Ftail(n1,n2,f)（分子、分母自由度分别为n1和n2的反向累计F分布） 
display invF(n1,n2,P)（F分布的逆运算，若F(n1,n2,f)=p，那么invF(n1,n2,p)=f） 
display invFtail(n1,n2,p)（Ftail的逆运算） 
display tden(n,t)（自由度为n的t分布） 
display ttail(n,t)（自由度为n的反向累计t分布） 
display invttail(n,p)（ttail的逆运算） 

给数据库和变量做标记： 
label data "~~~"（对现用的数据库做标记，"~~~"就是标记，可自行填写） 
label variable x "~~~"（对变量x做标记） 
label values x label1（赋予变量x一组标签:label1） 
label define label1 1 "a1" 2 "a2"（定义标签的具体内容：当x=1时，标记为a1，当x=2时，标记为a2） 
频数表： 
tabulate x1,sort 
tab1 x1-x7,sort（做x1到x7的频数表，并按照频数以降序显示行） 
table c1,c（n x1 mean x1 sd x1）（在分类变量c1的不同水平上列出x1的样本量和平均值） 
二维交互表： 
auto数据库： 
table rep78 foreign, c(n mpg mean mpg sd mpg median mpg) center row col 
（rep78，foreign均为分类变量，rep78为行变量，foreign为列变量，center表示结果显示在单元格中间，row表示计算行变量整体的统计量，col表示计算列变量整体的统计量） 
tabulate x1 x2,all 
（做x1和x2的二维交互表，要求显示独立性检验chi2、似然比卡方独立性检验lrchi2、对定序变量适用的等级相关系数gamma和taub、以及对名义变量适用的V） 
tabulate x1 x2,column chi2（做x1和x2的二维交互表，要求显示列百分比和行变量和列变量的独立性检验——零假设为变量之间独立无统计关系） 
tab2 x1-x7,all nofreq（对x1到x7这七个变量两两地做二维交互表，不显示频数：nofreq） 
三维交互表： 
by x3,sort:tabulate x1 x2,nofreq col chi2（同时进行x3的每一个取值内的x1和x2的二维交互表，不显示频数、显示列百分比和独立性检验） 
四维交互表： 
table x1 x2 x3,c(ferq mean x1 mean x2 mean x3) by(x4) 
tabstat X1 X2,by(X3) stats(mean n q max min sd var cv) col(stats) 
tabstat X1 X2,by(X3) stats(mean range q sd var cv p5 p95 median),[aw=X4]（以X4为权重求X1、X2的均值，标准差、方差等） 

ttest X1=1 
count if X1==0 
count if X1>=0 
gen X2=1 if X1>=0 
corr x1 x2 x3（做x1、x2、x3的相关系数表） 
swilk x1 x2 x3（用Shapiro-Wilk W test对x1、x2、x3进行正太性分析） 
sktest x1 x2 x3（对x1、x2、x3进行正太性分析，可以求出峰度和偏度） 
ttest x1=x2（对x1、x2的均值是否相等进行T检验） 
ttest x1,by(x2) unequal（按x2的分组方式对x1进行T检验，假设方差不齐性） 
sdtest x1=x2（方差齐性检验） 
sdtest x1，by(x2)（按x2的分组方式对x1进行方差齐性检验） 

聚类分析： 
cluster kmeans y x1 x2 x3, k(3) 
——依据y、x1、x2、x3，将样本分为n类，聚类的核为随机选取 
cluster kmeans y x1 x2 x3, k(3) measure(L1) start(everykth) 
—— "start"用于确定聚类的核，"everykth"表示将通过构造三组样本获得聚类核：构造方法为将样本id为1、1+3、1+3×2、 1+3×3……分为一组、将样本id为2、2+3、2+3×2、2+3×3……分为第二组，以此类推，将这三组的均值作为聚类的核；"measure"用 于计算相似性和相异性的方法，"L1"表示采用欧式距离的绝对值，也直接可采用欧式距离（L2）和欧式距离的平方（L2squared）。PS：这个方法 所得的结果与SPSS所得结果相同。 

sort c1 c2（对c1和c2两个分类变量排序） 
by c1 c2：reg y x1 x2 x3（在c1、c2的各个水平上分别进行回归） 
bysort c1 c2：reg y x1 x2 x3 if c3=1（逗号前面相当于将上面两步骤合一，既排序又回归，逗号后面的“if c3=1”表示只有在c3=1的情况下才进行回归） 
stepwise, pr(.2): reg y x1 x2 x3(使用Backward selection，去除P值大于0.2时变量) 
stepwise, pe(.2): reg y x1 x2 x3(使用forward selection，去除P值小于0.2时变量) 
stepwise, pr(.2) pe(.01):reg y x1 x2 x3（使用backward-stepwise selection，取P值在0.01和0.2之间的变量） 
stepwise, pe(.2) forward: reg y x1 x2 x3（使用forward-stepwise selection） 
reg y x1 x2 x3 
predict Yhat,xb 
predict u,resid 
predict ustd,stdr（获得残差的标准误） 
predict std,stdp（获得y估计值的标准误） 
predict stdf,stdf（获得y预测值的标准误） 
predict e,e(1,12)（获得y在1到12之间的估计值） 
predict p,pr(1，12)（获得y在1到12之间的概率） 
predict rstu,rstudent（获得student的t值） 
predict lerg,leverage（获得杠杆值） 
predict ckd,cooksd（获得cooksd） 
reg y x1 x2 x3 c1 c2 
adjust x1 x2 x3，se（使得变量x1、x2和x3等于其均值，求y的预测值和标准误） 
adjust x1 x2 x3，stdf ci（使得变量x1、x2和x3等于其均值，求y的预测值，预测标准误和置信区间） 
adjust x1 x2,by(c1) se ci（控制变量x1、x2，亦即取它们的均值，在分类变量c1的不同水平上求y预测值，标准误和置信区间） 
adjust x1 x2 x3,by(c1) stdf ci（控制变量x1、x2、x3，亦即取它们的均值，在分类变量c1的不同水平上求y预测值，预测标准误和置信区间） 
adjust x1 x2,by(c1 c2) se ci（控制变量x1、x2，在分类变量c1、c2的不同水平上求y的预测值，标准误和置信区间） 
adjust x1 x2 x3,by(c1 c2) stdf ci（控制变量x1、x2、x3，在分类变量c1、c2的不同水平上求y的预测值，预测标准误和置信区间） 
adjust x1=a x2=b x3=c，se ci（当x1=a、x2=b、x3=c时，求y的预测值、标准误和置信区间） 
adjust x1=a x2=b x3=c，by(c1) se ci（当x1=a、x2=b、x3=c时，在分类变量c1的不同水平上，求y的预测值、标准误和置信区间） 
adjust x1=a x2=b c1=1，by(c1) se ci（当x1=a、x2=b，并假设所有的样本均为c1=1，求在分类变量c1的不同水平上，因为变量x3的均值不同，而导致的y的不同的预测值……） 
mvreg Y1 Y2 ……: X1 X2 X3……（多元回归） 
mvreg y1 y2 y3: x1 x3 x3（多元回归分析，y1 y2 y3为因变量，x1 x3 x3为自变量） 
以下命令只有在进行了mvreg之后才能进行 
test [y1]（测试对y1的回归系数联合为0） 
test [y1]: x1 x2（测试对y1的回归中x1、x2的系数为0） 
test x1 x2 x3（测试在所有的回归中，x1、x2、x3的系数均为0） 
test [y1=y2]（对y1的回归和对y2的回归系数相等） 
test [y1=y2]: x1 x2 x3, mtest（对y1和y2的回归中，分别测试x1、x2、x3的系数是否相等，若没有mtest这个命令，则测试他们的联和统计） 
test [y1=y2=y3]（三个回归的系数是否相等，可加mtest以分别测试） 
test [y1=y2=y3]: x1 x2 （测试三个回归中的x1、x2是否相等，可加mtest） 
est命令的用法： 
（1）储存回归结果： 
reg y x1 x2 x3（不限于reg，也可储存ivreg、mvreg、reg3） 
est store A 
（2）重现回归结果： 
est replay A 
（3）对回归结果进行进一步分析 
est for A:sum（对A回归结果中的各个变量运行sum命令） 
异方差问题： 
获得稳健性标准误 
reg y x1 x2 x3 if c1==1（当分类变量c1=1时，进行y和诸x的回归） 
reg y x1 x2 x3,robust（回归后显示各个自变量的异方差-稳健性标准误） 
estat vif（回归之后获得VIF） 
estat hettest,mtest（异方差检验） 
异方差检验的套路： 
（1）Breusch-pagan法： 
reg y x1 x2 x3 
predict u,resid 
gen usq=u^2 
reg usq x1 x2 x3 
求F值 
display R/(1-R)*n2/n1（n1表示分子除数，n2表示分母除数） 
display Ftail(……) 
求LM值 
display R*n（n表示总样本量） 
display chi2tail(……) 
（2）white法： 
reg y x1 x2 x3 
predict u,resid 
gen usq=u^2 
predict y 
gen ysq=y^2 
reg usq y ysq 
求F值 
display R/(1-R)*n2/n1（n1表示分子除数，n2表示分母除数） 
display Ftail(……) 
求LM值 
display R*n（n表示总样本量） 
display chi2tail(……) 
（3）必要补充 
F值和LM值转换为P值的命令： 
display Ftail(n1,n2,a)（利用F值求p值，n1表示分子除数，n2表示分母除数，a为F值） 
display chi2tail(n3,b)（利用LM值求p值，n3表示自由度的损失量，一般等于n1，b为LM值） 
异方差的纠正——WLS（weighted least square estimator） 
（1）基本思路： 
reg y x1 x2 x3 [aw=x1]（将x1作为异方差的来源，对方程进行修正） 
上式相当于： 
reg y/(x1^0.5) 1/(x1^0.5) x1/(x1^0.5) x2/(x1^0.5) x3/(x1^0.5),noconstant 
（2）纠正异方差的常用套路（构造h值） 
reg y x1 x2 x3 
predict u,resid 
gen usq=u^2 
gen logusq=log(usq) 
reg logusq x1 x2 x3 
predict g 
gen h=exp(g) 
reg y x1 x2 x3 [aw=1/h] 
异方差hausman检验： 
reg y x1 x2 x3 
est store A（将上述回归结果储存到A中） 
reg y x1 x2 x3 [aw=1/h] 
est store B 
hausman A B 
当因变量为对数形式时（log(y)）如何预测y 
reg logy x1 x2 x3 
predict k 
gen m=exp(k) 
reg y m,noconstant 
m的系数为i 
y的预测值=i×exp(k) 

方差分析： 
一元方差分析 
anova y g1 / g1|g2 /（g*表示不同分类变量，计算g1和交互项/ g1|g2 /这两种分类的y值是否存在组内差异） 
anova y d1 d2 d1*d2（d*表示虚拟变量，计算d1、d2和d1*d2的这三种分类的y值是否有组内差异） 
anova y d1 d2 x1 d2*x1, continuous(x1)（x*表示连续的控制变量） 
多元方差分析 
webuse jaw 
manova y1 y2 y3 = gender fracture gender*fracture（按性别、是否骨折及二者的交互项对y1、y2和y3进行方差分析） 
manova y1 = gender fracture gender*fracture（相当于一元方差分析，以y1为因变量） 
———————————— 
webuse nobetween 
gen mycons = 1 
manova test1 test2 test3 = mycons, noconstant 
mat c = (1,0,-1 \ 0,1,-1) 
manovatest mycons, ytransform(c) 
进行多元回归的方法： 
多元回归分析：（与mvreg相同） 
foreach vname in y1 y2 y3 { （确定y变量组vname） 
reg `vname' x1 x2 x3 （将y变量组中的各个变量与诸x变量进行回归分析，注意vname的标点符号） 
} 
上式等价于： 
mvreg y1 y2 y3 = x1 x2 x3 

reg3命令： 
（1）简单用法： 
reg3 (y1 = x1 x2 x3) (y2 = x1 x3 x4) (y3 = x1 x2 x5) 
测试y1 coefs = 0 
test [y1] 
测试不同回归中相同变量的系数： 
test [y1=y2=y3], common 
test ([y1=y2]) ([y1=y3]), common constant（constant表示包含截距项） 
（2）用reg3进行2SLS 
reg3 (y1 = y2 x1 x2) (y2 = y1 x4),2sls 
（2）用reg3进行OLS 
reg3 (y1 = y2 x1 x2) (y2 = y1 x4),ols 
对两个回归结果进行hausman检验： 
reg3 (y1=x1 x2 x3)(y2=y1 x4),2sls 
est store twosls 
reg3 (y1=x1 x2 x3)(y2=y1 x4),ols 
est store ols 
hausman twosls ols,equations(1:1)（对两次回归中的方程1，即“y1=x1 x2 x3”进行hausman检验） 
hausman twosls ols,equations(2:2)（对两次回归中的方程2，即“y2=y1 x4”进行hausman检验） 
hausman twosls ols,alleqs（对所有方程一起进行检验） 
检验忽略变量（模型的RESET）： 
reg y x1 x2 x3 
estat ovtest 
滞后变量的制取 
对变量y滞后一期： 
gen y_l1=y[_n-1] 
滞后两期： 
gen y_l2=y[_n-2] 
以此类推。 
制取样本序号： 
gen id=_n 
获得样本总量： 
gen id=_N 

时间序列回归： 
回归元严格外生时AR(1)序列相关的检验 
reg y x1 x2 
predict u,resid 
gen u_1=u[_n-1] 
reg u u_1,noconstant 
回归之后，u_1的序数如果不异于零，则该序列不相关 
用Durbin-Watson Statistics检验序列相关： 
tsset year @（对时间序列回