一、线性回归基本命令
regress y x1 x2 （红色表示该命令可简写为红色部分）
以 Nerlove 数据为例（数据附后文）
regress lntc lnq lnpf lnpk lnpl
表上半部分为方差分析表，包括回归平方和，残差平方和，均方，F检验等。上半部分右侧给出拟合优度R2和调整的R2。root MSE 表示方程的标准误差。
表下半部分为回归系数的点估计和区间估计值，标准误和t检验值。
如果回归不需要常数项，则可在命令后面加上 noconstant
regress lntc lnq lnpf lnpk lnpl,noc
二、带约束条件的回归
如果只对满足一定条件的样本进行回归，可增加条件项 if 条件
假如本例中q>=6000认定为大企业，则可设置如下命令
regress lntc lnq lnpf lnpk lnpl if q>=6000 
或者使用虚拟变量表示，定义一个新变量large ,如果是大企业，则取值为1，否则为0，代码为
g large=(q>=6000) regress lntc lnq lnpf lnpk lnpl if large输出结果等价于上面if条件结果。
如果对非大企业进行回归，则可表示为
regress lntc lnq lnpf lnpk lnpl if large==0 
如果回归系数需满足某些指定条件，比如a1+a2+a3=1,a1=2a2 等，则可通过设置约束条件完成：
constraint def 1 lnpl+ lnpk+ lnpf=1 cnsreg lntc lnq lnpf lnpk lnpl,c(1)constraint def 1 定义第一个约束条件，cnsreg表示带约束回归，c(1) 表示满足约束条件1
如果需要同时满足几个条件，可以进一步设置条件2，条件3，以新增约束条件lnq=1 为例
cons def 2 lnq=1 cnsreg lntc lnq lnpf lnpk lnpl,c(1-2) 
三、预测、检验和相关计算
如果要计算因变量的拟合值，并保存到新变量yhat中，则可采用predict：
以对无约束条件的回归进行预测为例：
regress lntc lnq lnpf lnpk lnpl predict yhat预测结果保存在原始数据集中
进一步计算残差，并保存到e1中，则可（其中residual可简写）：
predict e1,residual残差e1结果保存在原始数据中
如果要对某个系数进行计算，可直接采用display 表达式方式，比如计算lnq的平方
di _b[lnq]^2
如果需要对系数进行某种条件检验，可采用test 条件，以检验lnq=1，lnpl+lnpk+lnpf=1 为例
te lnq=1 te (lnq=1)(lnpl+lnpk+lnpf=1) 
单独检验lnq=1，F检验显示拒绝原假设；联合检验lnq=1，lnpl+lnpk+lnpf=1，拒绝联合成立的原假设。
对两个系数同时等于0进行假设，可采用命令 te 变量1 变量2 ，以检验lnpl lnpk联合等于0为例：
test lnpl lnpk
F检验表明不拒绝两者皆为0的原假设。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/178608.html原文链接：https://javaforall.net
