‘壹’ 怎样用stata进行数据标准化
用stata算集中指数采用Stata系统自带数据库auto.dta。
一、集中趋势的统计描述
以变量price为例进行说明。
均数：采用mean price计算得6165.257。
算术均数、几何均数和调和均数可以采用means、ameans、gmeans、hmeans计算。
众数：没有对应的命令可以直接计算众数，但是可以通过几种策略进行变通计算。如通过egen x=mode(price); disp x; drop x，不过本例中price中没有相同的数值，所以无法计算众数；另外也可通过preserve; contract price, freq(x); sum x; list price if x==r(max); restore 来显示。
中位数：centile price或tabstat price, s(med)，当然tabstat还可以计算均数、样本量、标准差，标准误、方差、极差、四分位间距、变异系数、峰度系数、偏度系数等等很多指标。
不过采用Stata（summarize ，tabstat等命令）计算的峰度系数与Excel、SPSS和SAS计算的结果有所不同，原因是采用的公式不同，大家根据实际情况来选择。
二、离散趋势指标
极差（全距）：tabstat price, s(r)
标准差：tabstat price, s(sd)
方差：tabstat price, s(v)
四分位间距：tabstat price, s(iqr)
变异系数：tabstat price, s(cv)
采用summarize ， detail命令可以计算均数、标准差、峰度系数、偏度系数、多个百分位数。不加detial可以得到最大值、最小值。
‘贰’ stata psm控制年份固定效应命令
操作方法如下：
xtreg表示对面板数据进行回归，前缀xt可以说是面板数据命令的标志，与OLS的回归命令reg相区别。
在这个例子中，被解释变量为exit1，后面4个全是解释变量，fe表示fixedeffect，处理的是个体固定效应，r表示robust，即采用聚类稳健标准误，对于面板数据估计，r自动聚类到截面维度，若要更改聚类层面，可以手动将r换成cluster（hy），括号内为想要聚类的层面，比如hy（行业）。
关于R-sq，也就是RSquare，这里也要强调一下，可以发现，回归结果显示了三个R-aq，到底应该用哪一个呢？之前讲过，固定效应有三种估计方法，Stata默认的是组内估计（Withinestimate），因此这三个R-sq里应该用第一个：within=0.02。
不过也有一个“聪明”的办法来识别，即通过命令将回归结果直接导出到word，然后再看软件给出的是哪一个R-sq（导出回归结果的命令之前有提过，像outreg2以及esttab等都能很好实现）。
‘叁’ stata里面什么命令可以对面板数据按时间求均值
首先对面板数据进行声明：
前面是截面单元，后面是时间标识：
tsset company year
tsset instry year
产生新的变量：gennewvar=human*lnrd
产生滞后变量Genfiscal(2)=L2.fiscal
产生差分变量Genfiscal(D)=D.fiscal
一、描述性统计
xtdes ：对Panel Data截面个数、时间跨度的整体描述
Xtsum：分组内、组间和样本整体计算各个变量的基本统计量
xttab 采用列表的方式显示某个变量的分布
二、主要命令和方法
Stata中用于估计面板模型的主要命令：xtreg
xtreg depvar [varlist] [if exp] , model_type [level(#) ]
Model type 模型
be Between-effects estimator
fe Fixed-effects estimator
re GLSRandom-effects estimator
pa GEEpopulation-averaged estimator
mle Maximum-likelihood Random-effectsestimator
主要估计方法：
xtreg： Fixed-, between- and random-effects, and population-averaged linear models
xtregar：Fixed- andrandom-effects linear models with an AR(1) disturbance
xtpcse ：OLS orPrais-Winsten models with panel-corrected standard errors
xtrchh ：Hildreth-Houckrandom coefficients models
xtivreg ：Instrumentalvariables and two-stage least squares for panel-data models
xtabond：Arellano-Bond linear, dynamic panel data estimator
xttobit ：Random-effectstobit models
xtlogit ：Fixed-effects,random-effects, population-averaged logit models
xtprobit ：Random-effects andpopulation-averaged probit models
xtfrontier ：Stochastic frontiermodels for panel-data
xtrc gdp invest culture e sci health social admin,beta
三、xtreg命令的应用
声明面板数据类型：
*1、面板声明
use FDI.dtar, clear
xtset id year
1.固定效应模型估计：
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe
2.随机效应模型估计：
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re
3. 最大似然估计Ml：
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,mle
Hausman检验究竟选择固定效应模型还是随机效应模型：
第一步：估计固定效应模型，存储结果
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe
est store fe
第二步：估计随机效应模型，存储结果
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re
est store re
第三步：进行hausman检验
hausman fe re
对于固定效应模型的异方差检验和序列相关检验：
xtserial xtreg lngdp lnfdi lnie lnex lnim lnci lngp
异方差检验：
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe
xttest3 (Modified Wald statistic for groupwise heteroskedasticity in fixedeffect model)
随机效应模型的序列相关检验：
xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re
xttest1
xttest1用于检验随机效应(单尾和双尾) 、一阶序列相关以及两者的联合显着
检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显着
可以使用广义线性模型xtgls对异方差和序列相关进行修正：
xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero)，修正异方差
xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(correlated)，修正依横截面而变化的异方差
xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero) corr(ar1)，修正异方差和一阶序列相关ar(1)
‘肆’ 工具变量法的Stata命令和实例
原发布者:th6572
工具变量
法的Stata命令及实例本实例使用
数据集
“grilic.dta”。先看一下数据集的统计特征：考察智商与受教育年限的
相关关系
：上表显示.智商（在一定程度上可以视为能力的代理变量）与受教育年限具有强烈的
正相关关系
（
相关系数
为0.51）。作为一个
参考系
.先进行OLS回归.并使用稳健
标准差
：其中expr,tenure,rns,smsa均为
控制变量
.而我们主要感兴趣的是变量受教育年限（s）。回归的结果显示.教育投资的年回报率为10.26%.这个似乎太高了。可能的原因是.由于遗漏变量“能力”与受教育正相关.故“能力”对工资的贡献也被纳入教育的贡献.因此高估了教育的回报率。引入智商iq作为能力的代理变量.再进行OLS回归：虽然教育的
投资回报率
有所下降.但是依然很高。由于用iq作为能力的代理变量有
测量误差
.故iq是
内生变量
.考虑使用变量（med（母亲的受教育年限）、kww（在“knowledgeoftheWorldofWork”中的成绩）、mrt（婚姻
虚拟变量
.已婚=1）age（年龄））作为iq的工具变量.进行2SLS回归.并使用稳健的标准差：在此2SLS回归中.
教育回报率
反而上升到13.73%.而iq对工资的贡献居然为
负值
。使用工具变量的前提是工具变量的有效性。为此.进行
过度识别
检验.考察是否所有的工具变量均外生.即与扰动项不相关：结果强烈拒绝所有工具变量均外生的原假设。考虑仅使用变量（med,kww）作为iq的工具变量.再次进行2SLS回归.同时显示第一阶段的回归结果：上表显示.教育的回