Stata 操作全攻略：从数据处理到回归分析的完整流程

Stata 作为一款功能强大的统计分析软件，在社会科学研究中应用广泛。本文将以通用数据集为例，详细介绍 Stata 的基本操作、数据处理、回归分析及结果呈现的完整流程，适合 Stata 初学者快速上手。

一、Stata 基础操作与数据准备

1. 软件界面与基本设置

首次打开 Stata 后，你会看到四个主要窗口：

• 命令窗口（Command）：输入执行命令
• 结果窗口（Results）：显示执行结果
• 变量窗口（Variables）：展示数据集变量
• 浏览窗口（Browse）：查看数据内容

设置工作路径（重要！避免文件找不到）：

stata

cd "D:\StataAnalysis"  // 设置工作路径
pwd  // 查看当前工作路径

2. 数据导入

Stata 支持多种数据格式导入，以下是最常用的几种方式：

stata

* 导入Stata格式数据（.dta）
use "sample_data.dta", clear

* 导入Excel数据（需要安装importexcel）
ssc install importexcel  // 仅需安装一次
importexcel "data.xlsx", sheet("Sheet1") firstrow clear

* 导入CSV数据
import delimited "data.csv", delimiter(comma) firstrow clear

3. 数据初步探索

导入数据后，先了解数据基本情况：

stata

* 查看数据基本信息
describe  // 显示变量名称、类型和数据量

* 查看数据统计摘要
summarize  // 显示所有变量的均值、标准差、最小值和最大值
summarize income age education, detail  // 显示更详细的统计信息

* 查看前10行数据
list in 1/10

* 检查缺失值
misstable summarize  // 显示每个变量的缺失值数量和比例

二、数据预处理

数据预处理是保证分析结果可靠性的关键步骤，主要包括缺失值处理、异常值处理和新变量生成。

1. 缺失值处理

stata

* 方法1：删除有缺失值的观测
drop if missing(income)  // 删除income变量有缺失的观测

* 方法2：均值填充
egen mean_income = mean(income)  // 计算income的均值
replace income = mean_income if missing(income)  // 用均值填充缺失值
drop mean_income  // 删除临时变量

* 方法3：分组填充（按性别分组计算均值）
egen mean_income_gender = mean(income), by(gender)
replace income = mean_income_gender if missing(income)
drop mean_income_gender

2. 异常值处理

stata

* 方法1：缩尾处理（Winsorize）
ssc install winsor2  // 安装winsor2命令
winsor2 income, cuts(1 99) gen(income_w)  // 对income进行1%和99%分位的缩尾处理

* 方法2：截尾处理（Trim）
winsor2 income, cuts(1 99) gen(income_t) trim  // 截尾处理，直接删除极端值

* 方法3：手动处理（以收入为例）
sum income, detail  // 查看分布
replace income = 99999 if income > 99999  // 将收入大于99999的设为99999

3. 生成新变量

stata

* 生成连续变量的对数形式
gen ln_income = ln(income)  // 对收入取自然对数

* 生成分类变量
gen high_income = (income > 50000)  // 收入高于50000的为1，否则为0
label define high_income_label 0 "低收入" 1 "高收入"
label values high_income high_income_label  // 给分类变量添加标签

* 生成交互项
gen age_edu = age * education  // 年龄和教育程度的交互项

* 生成虚拟变量（哑变量）
tabulate region, gen(region_dum)  // 将地区变量生成多个虚拟变量

三、描述性统计分析

在进行回归分析前，先对数据进行描述性统计，了解变量的分布特征。

stata

* 基本描述性统计
tabstat income age education, stats(mean sd min max n) col(stat)

* 按分组进行描述性统计
tabulate gender, sum(income)  // 按性别分组统计收入
by gender, sort: summarize income age education  // 按性别分组显示详细统计

* 绘制统计图表
histogram income, frequency title("收入分布直方图")  // 直方图
scatter income education, title("收入与教育程度散点图")  // 散点图
boxplot income, by(gender) title("不同性别的收入箱线图")  // 箱线图

导出描述性统计结果：

stata

ssc install outreg2  // 安装输出结果的命令
tabstat income age education, stats(mean sd min max n) col(stat) save(desc_stats, replace)
outreg2 using desc_stats.doc, replace sum(log) title(描述性统计结果)

四、回归分析

1. 普通最小二乘法（OLS）回归

stata

* 基本OLS回归
regress income education age gender  // 收入对教育、年龄和性别的回归

* 加入控制变量并使用稳健标准误
regress income education age gender urban experience, robust  // robust选项用于处理异方差

* 保存回归结果
estimates store ols_model1

* 加入交互项的回归
regress income education age gender age_edu, robust
estimates store ols_model2

2. logistic 回归（适用于二元因变量）

stata

* 二项logistic回归
logit high_income education age gender urban, robust

* 输出发生比(OR)
logit high_income education age gender urban, robust or  // or选项显示发生比
estimates store logit_model

* 多分类logistic回归（因变量有多个分类）
mlogit occupation education age gender income, robust  // occupation为多分类变量

3. 面板数据分析

stata

* 设置面板数据
xtset id year  // id为个体标识，year为时间标识

* 固定效应模型
xtreg income education age experience, fe robust  // fe表示固定效应

* 随机效应模型
xtreg income education age experience, re robust  // re表示随机效应

* 豪斯曼检验（选择固定效应还是随机效应）
xtreg income education age experience, fe
estimates store fe_model
xtreg income education age experience, re
estimates store re_model
hausman fe_model re_model

4. 工具变量法（解决内生性问题）

stata

* 2SLS回归
ivregress 2sls income age gender (education = mother_edu father_edu), robust
* education为内生变量，mother_edu和father_edu为工具变量

* 检验工具变量有效性
estat overid  // 过度识别检验
estat firststage  // 第一阶段回归结果，查看F值

五、回归结果输出与分析

1. 结果输出与比较

stata

* 安装输出结果的命令
ssc install esttab

* 输出单个回归结果到Word
esttab ols_model1 using regression_results.doc, replace b(3) se(3) r2(3) star(* 0.1 ** 0.05 *** 0.01) title(OLS回归结果)

* 比较多个回归结果
esttab ols_model1 ols_model2 logit_model using compare_results.doc, replace b(3) se(3) r2(3) star(* 0.1 ** 0.05 *** 0.01) title(回归结果比较)

2. 边际效应分析

stata

* 计算OLS回归的边际效应
margins, dydx(*) atmean  // 在均值处计算所有自变量对因变量的边际效应

* 计算logistic回归的边际效应
margins, dydx(*) predict(pr) atmean  // 计算概率的边际效应

3. 稳健性检验

stata

* 方法1：替换因变量
regress ln_income education age gender, robust  // 用收入的对数作为新的因变量

* 方法2：改变样本区间
regress income education age gender if year >= 2010, robust  // 使用2010年后的样本

* 方法3：分样本回归
regress income education age gender if urban == 1, robust  // 仅对城市样本回归
regress income education age gender if urban == 0, robust  // 仅对农村样本回归

六、Stata 常用快捷键与技巧

1. 快捷键：

   • Ctrl+L：清空结果窗口
   • Ctrl+D：复制上一条命令
   • Tab：自动补全命令

2. 实用技巧：

   • 使用#delimit ;和#delimit cr可以换行输入长命令
   • 使用//添加注释，提高代码可读性
   • 定期使用save命令保存数据修改：save "processed_data.dta", replace
   • 使用do文件批量执行命令：do "analysis.do"

七、常见错误及解决方法

1. "variable not found"：变量名拼写错误或未正确导入数据
2. "no observations"：样本量为 0，检查数据筛选条件
3. "perfect multicollinearity"：存在完全多重共线性，删除高度相关的变量
4. "invalid name"：变量名包含特殊字符，使用rename命令重命名

通过本文的学习，你已经掌握了 Stata 从数据导入、预处理到各种回归分析的基本操作。Stata 的功能非常强大，建议在实际应用中不断探索和练习，逐步掌握更高级的分析方法。