stata regress 多变量回归 regression结果分析

由于之前上课的时候用过stata感觉用stata做分析的时候交互什么的体验其实很好，这次要做一个回归分析，发现之前学过的很多都不太记得了，就打算写一个博客作为备忘。

0. stata documentation

https://www.stata.com/manuals/icombinedsubjecttableofcontents.pdf
stata的documentation做得很好，这个是一个类似目录的pdf，点进去就会跳到另一个详细说明的pdf了，还有其他的example什么的

1. stata 导入 excel 文件

cd C:\Users\虫子\Dropbox\Fitts\pilotVersions\pilot5\DataAnalysis\excelSamples 
clear 
import excel allPaperSample.xlsx, firstrow 

第一步，先设置操作文件夹，cd到要导入excel 文件的文件夹。
第二步，清除所有变量。如果当前窗口还有variable的话，excel会导入失败。
第三步，导入excel文件，文件名字是“allPaperSample.xlsx”, firstrow在这边的意思是要把第一行作为变量名

2. stata 生成新变量

https://www.stata.com/manuals13/gsm11.pdf
stata一般有generate 和replace两种方式生成新变量。
generate就是生成一个新的变量
replace就是用这个新的变量替换掉原来的变量

generate logMT = log10(MT)

以上就是以现有变量MT，生成一个新变量logMT。

3. stata 查看基本信息

查看某个变量的基本信息

codebook variableName

查看所有变量的基本信息

codebook

4. stata 多变量回归

这个是stata regress函数的说明文件：
https://www.stata.com/manuals13/rregress.pdf

regress errors subID timeDay timeDir timeOrder vCon W D 

regress后面的第一个变量：errors 是要回归的目标，之后所有的变量都是模型中的predictors。
随便给一个回归的结果：

图中左上角

图中左上角的是对于regress后得到的model 的一个“analysis-of-variance（ANOVA）”表格。
其每一列的头：SS ， df , MS 分别对应：“sum of squares”, “degrees of freedom”和“mean square”。
第一列：可以知道Model的SS（1808）/Total的SS(8001)=R-squared(0.2261)即R2。R2的意思就是说，这个模型说明解释了这些变量中多少的variance。

第二列：自由度，一共有N个sample这个数据集就有（N-1）个dof(因为要减去均值)。模型的自由度由模型有几个predictor决定。

第三列：MS一般是用于计算F-statistic的。

图中的右上角

图中的右上角是另一些统计描述：
第一行：Number of obs 一共有多少个sample

第二行：F(df of Model,df of Residual) = MS of Model(301.448)/MS of Residual(6.934) = 43.47
The F statistic tests the hypothesis that all coefficients excluding the constant are zero.
这个F值的H0假设是：所有的predictor都不对y产生影响，即所有predictor的coef都会是0，所有的predictor都不significant。

第三行：Prob > F 的值是上述的H0假设的成立的可能性。当其趋近于0的时候，说明至少会有一些predictor的coef不为0.

第四行：R-squared 前面已经说过了

第五行：Adj R-squared 由于R2存在一个问题：无论什么predictor加到模型中，R2都会变大。为了避免这个问题，adjR2惩罚了模型的复杂度。

第六行：root mean squared error是MS of Redidual的平方根（2.6333 = 6.9342^0.5），其意义是回归模型的residual部分的standard deviatio。

图中下面

图中下面的部分就是regression的结果了。
最后一行是模型的常数项

第一列是模型的系数，根据系数我们就可以写出回归的线性模型了

第二列是线性回归系数的standard error
查了半天没看到这个参数具体是怎么计算的。不过这个系数是对前面coef的估计的可信度估计，越小越好。
有一个百度的答案：
https://zhidao.baidu.com/question/501609456486160404.html
这是估计的标准误差，是残差均方开根号的值，残差均方等于残差平方和除以自由度，残差平方和等于总平方和减去回归平方和
不过不知道里面说的残差是怎么计算的。

第三列是t-statisitic
正常T-statistic应该在0假设(null hypothesis)为真时,服从T分布(T-distribution).
粗略地讲这个值大于2，对应的predictor就是significant。
Coefficient除以standard error 等于 t-statistic

第四列是这个t-statistic的p-value，一般来讲小于0.05就是significant的

第五六列是95%confidence interval of coef，系数的95%置信区间。