事件研究法stata详细步骤

关于Stata相关技能，各位学者可以参阅如下文章：1.Stata16新增功能有哪些? 满满干货拿走不谢，2.Stata资料全分享，快点收藏学习，3.Stata统计功能、数据作图、学习资源等，4.Stata学习的书籍和材料大放送, 以火力全开的势头，5.史上最全Stata绘图技巧, 女生的最爱，6.把Stata结果输出到word, excel的干货方案，7.编程语言中的函数什么鬼？Stata所有函数在此集结，8.世界范围内使用最多的500个Stata程序，9.6张图掌握Stata软件的方方面面, 还有谁, 还有谁?，10.LR检验、Wald检验、LM检验什么鬼？怎么在Stata实现，11.Stata15版新功能，你竟然没有想到，一睹为快，12."高级计量经济学及Stata应用"和"Stata十八讲"配套数据，13.数据管理的Stata程序功夫秘籍，14.非线性面板模型中内生性解决方案以及Stata命令，15.把动态面板命令讲清楚了，对Stata的ado详尽解释，16.半参数估计思想和Stata操作示例，17.Stata最有用的points都在这里,无可替代的材料，18.PSM倾向匹配Stata操作详细步骤和代码，干货十足，19.随机前沿分析和包络数据分析 SFA,DEA 及Stata操作，20.福利大放送, Stata编程技巧和使用Tips大集成，21.使用Stata进行随机前沿分析的经典操作指南，22.Stata, 不可能后悔的10篇文章, 编程code和注解，23.用Stata学习Econometrics的小tips, 第二发礼炮，24.用Stata学习Econometrics的小tips, 第一发礼炮，25.广义合成控制法gsynth, Stata运行程序release，26.多重中介效应的估计与检验, Stata MP15可下载，27.输出变量的描述性统计的方案，28.2SLS第一阶段输出, 截面或面板数据及统计值都行，29.盈余管理指标的构建及其Stata实现程序, 对应解读和经典文献，30.Python, Stata, R软件史上最全快捷键合辑！，31.用Stata做面板数据分析, 操作代码应有尽有，32.用Stata做面板数据分析, 操作代码应有尽有，33.没有这5个Stata命令, 我真的会活不下去！34.第一(二)卷.Stata最新且有趣的程序系列汇编，35.第三卷.Stata最新且急需的程序系列汇编，36.第四卷.Stata最新且急需的程序系列汇编等等。正文今天，我们为各位引荐经济、管理等社科领域的实证研究方法及在Stata软件中的实现。其中的内容相对很全面，考虑到它由联合国亚洲及太平洋经济社会委员会和世界贸易组织共同推荐，因此关于模型的讲解和Stata操作也较为权威。强烈建议各位，将其打印出来或者至少收藏起来，在平时多参看阅读一下。经典回归模型及Stata操作面板数据回归模型及Stata操作二值响应模型在截面和面板中的Stata实现计数模型及在Stata中的实现归并和截断问题及Tobit估计在Stata中的实现内生性、工具变量及在Stata中的实现样本选择模型及Stata中的实现来源：http://suo.im/6mZEZl

前言各行各业的人员在做研究进行资料收集的时候，都少不了要用到问卷调查法。在医学领域，尤其是一些与人相关的抽象概念，无法用仪器指标进行实际测量时，更是需要用到问卷或量表进行施测。究竟一份问卷的完成需要经过哪些程序，才可以形成一份具有信度和效度的问卷呢？今天就带大家来了解一下问卷编制的三个阶段十个步骤。图一阶段一：准备阶段步骤1. 确定研究主题，理解相关理论研究者在从事研究时，对于与研究主题相关的理论发展一定要有深入的了解。问卷编制不仅要拟出题目，如果涉及到与研究构念有关的资讯，就需要从该构念去寻找有关的理论、观点进行论述，这将是问卷编制最好的基础。步骤2. 决定研究目的研究工作的第一步就是提出要解答的问题，不仅用于问卷设计的内容，还是研究者估算样本量的依据之一。而且这个要解决的问题也决定了研究者日后在资料收集的时候所要收集的是哪个类型的资料。换句话说，发展问卷的出发点就是研究者所决定的研究目的。步骤3. 选用问卷类型并决定调查方法问卷类型可由问题答案划分为——结构式问卷、半结构式问卷和开放式问卷。在决定选用问卷类型的时候，通常需要考虑以下几个因素：①研究方法：主观的质性研究多采用开放式问卷；而客观的量性研究多采用结构式问卷或半结构式问卷。②研究者期待问卷回收率的高低：开放式问卷的回收率通常低于结构式问卷，因为受访者没有可参考的答案直接进行勾选，而是需要以文字对相关问题进行陈述，可能会有耗时、回答意愿低等问题。③题目拟定的难易程度：结构式问卷在拟定的时候，通常需要拟定较多的题目，所以比较耗时；而开放式问卷虽然题目相对而言较少，但是需要可以拟出具有代表性的题目，也不容易。④决定研究的调查方法：现今多用的调查方式有：面访、电话访问、邮寄问卷以及网络问卷。特别要注意的是网络问卷，研究者需事先了解受访者使用电脑或者手机的能力，因为网络问卷只有特定样本可以填写，所以需要做好事先的规划。⑤资料回收后的整理与分析：开放式问卷需要对文字性的资料进行归纳和整理，并整合为研究者所需要的资料，整个过程相当费时费力；结构式问卷有自己的统计学方法，只要对应自身资料的属性选择合适的统计学方法，就可以获得研究结果。步骤4. 收集相关的研究文献研究者应从相关主题出发，尽可能多的搜集文献，了解学者们过去研究的状况以及对于未来研究的意见。文献查证的重点应集中于研究的理论、相关研究的实施以及过去研究者的经验论述。需要研究者从文献中总结归纳出研究构念（概念），接着将研究构念转化为研究向度（面向、构面或维度），最后研究者需要将这些维度作具体的界定，再将这个维度转化为具体的题目。如图2所示。阶段二：设计阶段步骤5. 编拟问卷大纲经由文献查证之后，研究者要确定好研究目的，决定所设计的问卷涉及到几个构念，具体归纳出研究构念意义，然后明确每个构念包含几个构面，并对研究构面进行明确的界定。同时也需要思考，总问卷大概一共需要多少个题目、各个构面要分别分配几题、是否需要反向题以及如何计分等。在常规的情况之下，除去基本资料的题数，一个研究构念的正式问卷题数宜在16-20题为宜，每个构念宜包括3-5个构面，每个构面以4-6题为宜。步骤6. 草拟问卷题目研究者尽可能地依据文献查证所得到的资料，将所有可能的题目一一筛选，最后完成问卷初稿。研究者在拟题的过程中应注意：①确定好问题的形式、用语及选项；②事实和行为问题在前，态度或意见问题在中间，敏感性或威胁性的问题放在最后；③一个题目只问一个概念，不要一题两问甚至一题多问；④尽量避免使用专业术语；⑤题目尽量不要有诱导性。阶段三：评估与修订阶段步骤7. 专家评定与修改研究者通常是依据问卷大纲与所查证的文献内容进行问卷的编制，除此之外，研究者也需要与指导教授就问卷题目的设计进行讨论、交换意见并进行修改。在实际设计问卷的过程中，为了使得问卷的内容效度提高并切合我们的务实要求，往往会邀请几位（通常为3-10位）专家学者提供问卷的修正意见，这些意见被称为“专家评定”，研究者再将专家学者给的意见加以整理，作为“专家内容效度”的评测指标。步骤8. 问卷预试研究者在将专家意见汇整之后，进行问卷的修改，编制成为预试问卷，从研究样本的母群体里面，抽取一定量的样本进行预试，预试样本数与正式施测的样本最好来自同一母群体，且它们之间的比例最好是1：4或1：5，题目总数越多，比例幅度就要增加。一般通过预测我们可以得到一下信息：①受访者是否可以理解问卷上的文字；②受访者填答的时长的大概范围；③题目的数量是否适宜；④进行问卷信度及效度的分析。步骤9. 检验问卷的信度与效度预试问卷回收后，对于问卷题目所得到的数据分别进行统计学分析。接着再进行因素分析以及信度的分析。成就测验需要进行难度与鉴别度的分析以考验问卷的信效度，以作为删减题目的依据；而非成就测验的问卷则是透过预试得到的数据资料进行因素分析，将一些跑离原先设定的研究构念及构面进行调整或删除。步骤10. 正式问卷的形成根据以上对预试问卷修所调查的资料，分析后将问卷中提议不清、文句不通顺、题型呈现不恰当以及信效度较低的题目修正或删除，即可整理成为正式的问卷。此时，研究者在问卷中不仅要告知受访者该问卷共有几个部分、每一部分有几个题目，而且要对问卷的使用制定详细仔细的说明，如此才可以正式施测。图三结语至此，我们就已经将一份问卷的拟定从头到尾梳理了一遍，可见，编制一份好的问卷不容易。如果将做研究比作一个人的话，文献就像是人的头脑，研究架构如同人的躯干，而问卷则像是人的四肢。而这个“四肢”的灵活度如何，将会极大程度的影响到一份论文的质量。愿每位研究者都能够使用正确的问卷，也能够正确地使用问卷，让问卷成为通往科研成功的道路。参考文献：张芳全.问卷就是要这样编[M].新北：心理出版社，2018.

上一期，我们分享了如何用stata做一元线性回归模型，不知道同学们学的怎么样呢？有没有自己动手操作一遍呢？这一期：我们将学习如何用stata做多元线性回归模型！这些是小王（邀请者）最近学习计量时的一些心得和体会，希望能与大家一起分享。其实，在对一元线性回归模型有了初步的了解之后，在学习多元线性回归模型就相对简单多了，一起往下看吧？多元线性回归是什么什么是多元线性回归？多元线性回归：在回归分析中，如果自变量的个数是两个或是两个以上，就被称之为多元回归。实际分析当中，一种现象往往是与多种因素相互联系的，多个自变量的最优组合对因变量进行估计或者预测，往往比只用一个自变量估计或预测会更加有效，也比较符合实际情况。因此，多元线性回归模型的意义相对来说会更好一些。什么情况下做多元线性回归？多元线性回归，通常是指某种市场现象受两个或者多种因素的影响，同学们需要挑选合适的变量进行搭配，然后建立多元线性回归模型。同时，同学们需要注意变量的选取是否合适？变量之间有无影响？做好多元线性回归模型之后，也要做相应的检验，进而判断模型的搭建是否合理。什么情况下做多元线性回归在Stata中如何做多元线性回归模型？具体操作步骤是什么？打开stata软件，将准备好的数据输入进去：粘贴复制（点击Data Editor，将准备好的时间序列数据、截面数据粘贴进去即可），关于如何在Stata中输入数据，大家可以在百度上搜索相应的视频进行观看。对输入的数据进行命名，点击右上角Variables中的变量，然后在下方的Name中进行新的命名。命名完成之后，可在主页面看到新的命名已经生成。在Command栏中，输入回归指令regress，可简写为reg。与一元线性回归（reg Y X1）类似的是，这里要添加多个变量：reg Y X1 X2 X3 X4 X5 X6，回车就可以了。最后，结果会在result中显示出来。变量选取的恰当与否，决定着多元回归模型的拟合程度高低。需要注意的是：多元线性回归模型也要进行相应的检验。比如说：异方差的检验、多重共线性的检验、序列相关性的检验，千万不要忘了哦。Stata中如何进行多元线性回归步骤以上就是小王关于多元线性回归模型的思考与实践体会。相信同学们在今后的学习当中会逐渐接触到多元线性回归模型，到时候不妨一起分享一下学习体会哦？期待您的回复~

同学们在做统计研究时，时常听到身边的朋友会提及一个词：logistic回归。听的次数久了，同学们多半会思考：什么是logistic回归？如何在Stata中做logistic回归呢？前面两期我们已经分享了一元线性回归模型、多元线性回归模型的操作方法，今天我们将分享logistic回归的学习心得，希望大家都能有所收获哦。什么是logistic回归什么是logistic回归？logistic回归：指的是一种广义的线性回归，在一定程度上和多重线性回归分析有着相似的地方。例如：模型的形式基本上相同，都有待求参数。两者的关系是：logistic回归分类模型的预测函数是通过线性回归模型的预测值的结果进一步接近真实标记的对数几率！从而能够使线性回归的预测值和分类任务的真实标记两者关联在一起！简而言之，logistic回归模型中，因变量是二分类变量或者是多分类变量，而自变量既可以是分类变量，也可以是连续变量。二分类的logistic回归用途也较为广泛。做logistic回归时应注意什么？在做logistic回归之前，一定要对数据变量进行检查，要满足相应的条件。第一个条件：Y是二分类的分类变量。第二个条件：Y的发生率要要小于15%。当然，也要满足相应的7项假设。logistic回归的两个条件在stata中如何做logistic回归？logistic回归的操作步骤是什么？导入数据，然后查看结局事件的发生率，可在命令栏内输入：Tab进行查看。如果结局事件（1）的发生率（percent）小于15%，就可以用logistic回归。反之，则需要做Log_binomial模型进行相应的分析。输入logistic回归指令：logistic Y X1 X2 X3 X4等等。如果X1是多分类变量，加i.，提及即可。这一点，与多元线性回归的操作步骤还是很相像的。同学们记不住的话，还可以在窗口菜单进行操作：点击statistics、Binary outcomes、logistic regression，reporting odds ratios（分享者的版本Stata14）。然后，在Dependent Variables中选择Y，在Independent Variables中选择X变量，如果是多分类变量，则须在……中分别进行添加。最后，提交即可。Stata中logistic回归的操作步骤以上就是小程（分享者）关于logistic回归的学习心得。总的来说，logistic回归是一种广义的、线性的回归分析，多用于因素的分析。同学们在学习logistic回归的过程中，有没有什么想要讨论的呢？一起交流下吧？

今天收到小赵（分享者）关于：广义线性模型（GLM）的学习体会。对于这个模型，很多同学可能觉得没有听说过。但是，如果把广义两个字去掉，大家将不会感到陌生了。那么，广义线性模型是什么呢？在Stata中如何进行广义线性回归呢？同学们一起往下看吧？什么是广义线性模型（GLM）什么是广义线性模型（GLM）？广义线性模型的特点是什么？广义线性模型（GLM）：广义线性模型是线性模型的进一步扩展，通过联结函数建立响应变量的数学期望值和线性组合的预测变量两者之间的关系。广义线性模型（GLM）介绍：不会直接改变数据的自然度量；数据可以拥有非线性和非恒定方差结构；变量多，则称之为多元广义线性模型；X变量可以是分类变量，也可以是连续变量；转换Y，转换（link）后的Y进而能与X成线性关系；广义线性模型（GLM）介绍在stata中如何做广义线性（GLM）回归？广义线性回归的操作步骤是什么？导入数据，相信很多同学都能熟练掌握这一点；在窗口菜单进行操作：点击statistics、Generalized Linear models、Generalized Linear models（GLM）；然后在Dependent Variables中选择Y，在Independent Variables中选择X变量（把X变量变成i.的格式）；选择不同的family和link：线性回归（family：Gaussian，link：Identity）、泊松回归（family：poisson，link：log）、Log_binomial（family：binomial，link：log）、logistic（family：binomial，link：logit），然后选取对应的点，提交即可进行相应的回归。在窗口菜单中选择family和link以上就是小赵同学的精彩分享。对于广义线性模型，大家认为可以用于哪些方面的研究呢？如果同学们有更多关于计量模型的心得体会，也可以留言分享哦。

欢迎关注“雄安学术”，后台为大家准备了90余款分析绘图软件，15种语言包及其他素材。欢迎来寻宝喲~完全精准的数学模型，可以完美解决定量指标的运算，然而数学工具并非万能的，面对大量的无法定量化的指标（如TA爱你的程度），精准的数学模型和工具顿时无法施展拳脚。如何完成定性指标的定量化分析，成为软科学与硬科学（自然科学）之间的研究论题。层次分析法（AHP），一言蔽之就是通过构建一套多层次的评价指标体系，完成对定性指标的定量化分析。层次分析法（AnalyticHierarchy Process，AHP）由美国运筹学家、匹兹堡大学教授SattyT.L.于二十世纪70年代提出，是一种将与决策有关的元素分解成目标、准则、方案等层次，在此基础上进行定性和定量分析的决策方法。常被运用于多目标、多准则、多要素、多层次的非结构化的复杂决策问题，特别是战略决策问题，可以较好地解决多要素相互关联、相互制约的复杂系统的评价，具有十分广泛的实用性，是一种新型简洁化、实用化的研究方法。在实际工作中，层次分析法经常和德尔菲法、百分权重法结合，用于确定评价指标的权重。举个栗子：如TA爱你的程度，可以用联系你的频率、关心你的程度、为你付出时间、为你付出的购买力等因素。先对这几个指标进行权重赋值，随后结合你的TA这些指标相应的得分，进行权重*得分的乘积运算，并将所有要素进行加和，即可得到TA爱你的程度（指数，手动狗头·-·）1971年AHP首次应用于美国国防部研究“应急计划”，随后又开展了多项研究，奠定了AHP在定性研究领域的基础，1982年AHP在“中美能源、资源、环境”学术会议上被首次介绍到中国。喵博士结合相关研究现状，梳理了当前主要涉及领域应用如下：适宜性评价、环境保护措施评价、安全性评价、危化物危害性评价、城市应急灾害能力评价、空间格局安全性评价。同时，亦可用于指导消费者在生活领域决策提供一定指导，如购房影响因素评价、购车影响因素评价、专业选择与就业倾向评价等，均可以发挥其优秀的功效。如在居住区适宜性评价（如上图）时，根据既有研究成效，居住区园林景观适宜性评价可以划分为：绿化种植景观、道路景观、场所景观、硬质景观、水景景观和庇护性景观等六个一级指标（准则层），每个一级指标又可以细分为若干二级指标，以完成定性指标的定量化分析。基于层次分析法（AHP）先分解后综合的基本工作思路，先将要分析的要素进行层次化、步骤化，构建形成多层次分析评价模型，最终确定各层级指标的重要程度（权重），或优先次序。AHP把一个复杂的问题表示为一个有序的递阶层次结构，并通过主管判断和科学计算给出备选方案的优劣顺序（或权重）。简而言之，层次分析法人如其名，首先要构建合理的层次，其次要分析层次内部各因素的优劣。层次分析法的使用流程：1) 根据需求对目标层进行分解，如适宜性可以分解为6个一级指标；2) 建立层次结构图，及判断矩阵；3) 计算权重系数（主要基于德尔菲法，或曰专家打分，对各指标要素的权重进行赋值）；4) 进行一致性检验（在AHP软件中可自行设定），若一致性指标CR<0.1，则满足研究需要，进入下一环节。不满足时则需要对各指标权重重新赋值（重新进行第三步分析）；5) 层次总排序，选出最优方案。如在评价购房影响要素时，可以细分为房价要素、区位要素、户型要素、口碑要素等一级指标，并分别对各一级要素进行深度开发，构建相应的二级评价指标以完成对一级指标的评价。1）建立层次结构模型将决策的目标（城市空间格局安全）、考虑的决策准则因素（空间结构安全、空间要素安全、空间环境安全）和决策对象按它们之间的相互关系分为最高层、中间层和最低层，绘出层次结构图（如下图，强迫症的患者有意见，在“雄安学术”公号文末留言啊~，获取宝贝啊）。2）构造判断矩阵在确定各层次各因素之间的权重时，如果只是定性的结果，则常常不容易被别人接受，因而Saaty等人提出：一致矩阵法，即：不把所有因素放在一起比较，而是两两相互比较。对比时采用相对尺度，以尽可能减少性质不同因素相互比较的困难，以提高准确度。由专家对同一层次内N个指标的相对重要性（两两因素之间）进行打分。相对重要性的比例标度取1-9之间。同时，对各同级指标的重要性评价时，存在三种标度范畴（如下图），根据研究需要自行选择。构建判断矩阵A（正交矩阵），用aij表示第i个因素相对于第j个因素的比较结果：3) 计算权重将矩阵A的各行向量进行几何平均（方根法），然后进行归一化，即得到各评价指标权重和特征向量W：4) 一致性检验判断矩阵的一致性检验，所谓一致性是指判断思维的逻辑一致性。如当甲比丙是强烈重要，而乙比丙是稍微重要时，显然甲一定比乙重要。这就是判断思维的逻辑一致性，否则判断就会有矛盾。计算最大特征根λmax：计算一致性指标CI（Consistency Index）、随机一致性指标RI（Random Index）和一致性比例CR（Consistency Ratio）：一般情况下，当CR＜0.1时，即认为矩阵具有满意的一致性，否则需要对判断矩阵进行调整。5）层次排序层次排序，可分为层次单排序和层次总排序。所谓层次单排序是指，对于上一层某因素而言，本层次各因素的重要性的排序。层次总排序，确定某层所有因素对于总目标相对重要性的排序权值过程，称为层次总排序。这一过程是从最高层到最底层依次进行的。对于最高层而言，其层次单排序的结果也就是总排序的结果。1）构建评价结构一位顾客决定要买一套新住宅，经过初步调查研究确定了三套候选的房子A、B、C，问题是如何在这三套房子里选自一套较为满意的房子呢? 下面给出有关的数据和资料：将影响购买新房的因素归纳为4个标准：· 房子的地理位置及交通；· 房子的居住环境；· 房子结构、布局与设施；· 房子的每平方米建筑面积地单价（模型如下）。2）邀请专家（20-30名）打分对同一层次内4个指标的相对重要性（两两因素之间）进行打分。经过专家的打分，每个标准相对的权重，即标准的特征向量如下表。3）用规范列平均法求权重 第一步：先求出两两比较矩阵每一列的总和。 第二步：把两两比较矩阵的每一元素除以其相应列的总和，所得商所组成的新的矩阵称之为标准两两比较矩阵。 第三步：计算两两比较矩阵的每一行的平均值，这些平均值就是各方案在地理位置及交通方面的权重。我们称最后求得的行平均值为房子选择问题中地理位置及交通方面的特征向量。三个方案在其它三个方面的特征向量。每个标准相对的权重，即标准的特征向量。通过两两矩阵比较，可求得标准的特征向量如下：地理位置及交通：0.398居住环境：0.218结构布局设施：0.085每平米单价：0.2994）两两比较一致性检验两两比较矩阵的元素是通过两个因素比较得到的，而在很多这样的比较中，往往可能得到一些不一致性的结论。例如，当因素i、j、k的重要性很接近的时候，在两两比较时，可能得出i比j重要，j比k重要，而k又比i重要等矛盾的结论，这在因素的数目多的时候更容易发生。 第一步：由被检验的两两比较矩阵乘以其特征向量，所得的向量称之为赋权和向量。 第二步:每个赋权和向量的分量分别除以对应的特征向量的分量。1.803 / 0.593 =3.0401.034 / 0.341 =3.0320.197 / 0.066 =2.985 第三步：计算出第二步结果中的平均值，记为λmax。λmax = (3.040+3.032+2.985)/ 3 = 3.019 第四步：计算一致性指标CI。CI = (λmax– n ) / (n - 1)CI = (3.019 – 3 ) / (3 – 1 ) = 0.010 第五步：计算一致性率CRCR = CI / RI，在这里，RI是自由度指标（修正值）。本例中可计算得CR = 0.01 / 0.58 = 0.017 < 0.1我们已经求出了四个标准的特征向量，以及四个在单一标准下的三个购房方案的特征向量，如表：5）最优方案求解方案 A：0.398*0.593+0.218*0.123+0.085*0.087+0.299*0.265=0.349方案 B（最优）0.398*0.341+0.218*0.320+0.085*0.274+0.299*0.655=0.425方案 C：0.398*0.066+0.218*0.557+0.085*0.639+0.299*0.080=0.226层次分析法优点：· 系统性的分析方法层次分析法把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。系统的思想在于不割断各个因素对结果的影响，而层次分析法中每一层的权重设置最后都会直接或间接影响到结果，而且在每个层次中的每个因素对结果的影响程度都是量化的，非常清晰明确。这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。· 简洁实用的决策方法这种方法既不单纯追求高深数学，又不片面地注重行为、逻辑、推理，而是把定性方法与定量方法有机地结合起来，使复杂的系统分解，能将人们的思维过程数学化、系统化，便于人们接受，且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题，通过两两比较确定同一层次元素相对上一层次元素的数量关系后，最后进行简单的数学运算。计算简便，并且所得结果简单明确，容易为决策者了解和掌握。· 所需定量数据信息较少层次分析法主要是从评价者对评价问题的本质、要素的理解出发，比一般的定量方法更讲求定性的分析和判断。由于层次分析法是一种模拟人们决策过程的思维方式的一种方法，层次分析法把判断各要素的相对重要性的步骤留给了大脑，只保留人脑对要素的印象，化为简单的权重进行计算。这种思想能处理许多用传统的最优化技术无法着手的实际问题。层次分析法缺点：· 不能为决策提供新方层次分析法的作用是从备选方案中选择较优者。在应用层次分析法的时候，可能就会有这样一个情况，就是我们自身的创造能力不够，造成了我们尽管在我们想出来的众多方案里选了一个最好的出来，但其效果仍然不够企业所做出来的效果好。而对于大部分决策者来说，如果一种分析工具能替我分析出在我已知的方案里的最优者，然后指出已知方案的不足，又或者甚至再提出改进方案的话，这种分析工具才是比较完美的。但显然，层次分析法还没能做到这点。· 定量数据较少，定性成分多，不易令人信服在如今对科学的方法的评价中，一般都认为一门科学需要比较严格的数学论证和完善的定量方法。但现实世界的问题和人脑考虑问题的过程很多时候并不是能简单地用数字来说明一切的。层次分析法是一种带有模拟人脑的决策方式的方法，因此必然带有较多的定性色彩。· 指标过多时，数据统计量大，且权重难以确定当我们希望能解决较普遍的问题时，指标的选取数量很可能也就随之增加。指标的增加就意味着我们要构造层次更深、数量更多、规模更庞大的判断矩阵。那么我们就需要对许多的指标进行两两比较的工作。由于一般情况下我们对层次分析法的两两比较是用1至9来说明其相对重要性，如果有越来越多的指标，我们对每两个指标之间的重要程度的判断可能就出现困难了，甚至会对层次单排序和总排序的一致性产生影响，使一致性检验不能通过。不能通过，就需要调整，在指标数量多的时候比较难调整过来。· 特征值和特征向量的精确求法比较复杂在求判断矩阵的特征值和特征向量时，所用的方法和我们多元统计所用的方法是一样的。在二阶、三阶的时候，我们还比较容易处理，但随着指标的增加，阶数也随之增加，在计算上也变得越来越困难。不过幸运的是这个缺点比较好解决，我们有三种比较常用的近似计算方法。第一种就是和法，第二种是幂法，还有一种常用方法是根法（来自百度百科）。

Stata 是一套提供其使用者数据分析、数据管理以及绘制专业图表的完整及整合性统计软件。它提供许许多多功能，包含线性混合模型、均衡重复反复及多项式普罗比模式，用Stata绘制的统计图形相当精美。该程序适用于处理时间序列、面板和横断面数据。Stata15正式发布,这是Stata有史以来最大的一次版本更新,除了界面、DO转码、set more off的自动设置和do file edit美化等一些变化外，还增加了扩展回归模型、 潜在类别分析(LCA)、 贝叶斯前缀指令、 线性动态随机一般均衡(DSGE)模型、 web 的动态Markdown文档、 非线性混合效应模型、 空间自回归模型(SAR)、 区间删失参数生存时间模型、 有限混合模型(FMMs)、 混合Logit模型、 非参数回归、 聚类随机设计和回归模型的功率分析、 Word和PDF文档、 图形颜色透明度/不透明度、ICD-10-CM/PCS支持、 联邦储备经济数据(FRED)支持。Stata提供完整的使用手册，包含统计样本建立、解释、模型与语法、文献等超过一万余页的出版品。除此之外，该软件可以透过网络实时更新每天的最新功能，更可以得知世界各地的使用者对于STATA公司提出的问题与解决之道。使用者也可以透过Stata Journal获得许许多多的相关讯息以及书籍介绍等。另外一个获取庞大资源的管道就是Statalist，它是一个独立的listserver，每月交替提供使用者超过1000个讯息以及50个程序。功能列表数据管理 (Data management)资料转换、分组处理、附加档案、 ODBC 、行 – 列转换、数据标记、字符串函数…等基本统计 (Basic statistics)直交表、相关性、 t- 检定、变异数相等性检定、比例检定、信赖区间…等线性模式 (Linear models)稳健 Huber/White/sandwich 变异估计 , 三阶最小平方法、类非相关回归、齐次多项式回归、 GLS广义型线性模式 (Generalized linear models)十连结函数、使用者 – 定义连结、 ML 及 IRLS 估计、九变异数估计、七残差…等二元、计数及有限应变量(Binary, count, and limited dependent variables)罗吉斯特、 probit 、卜松回归、 tobit 、 truncated 回归、条件罗吉斯特、多项式逻辑、巢状逻辑、负二项、 zero-inflated 模型、 Heckman 选择模式、边际影响Panel 数据 / 交叉 – 组合时间序列(Panel data/cross-sectional time-series)随机及固定影响之回归、 GEE 、随机及固定 – 影响之卜松及负二项分配、随机 – 影响、工具变量回归、AR(1) 干扰回归无母数方法 (Nonparametric methods)多变量方法 (Multivariate methods)因素分析、多变量回归、 anonical 相关系数模型检定及事后估计量支持分析(Model testing and post-estimation support)Wald 检定、 LR 检定、 线性及非线性组合、非线性限制检定、边际影响、修正平均数 Hausman 检定群集分析 (Cluster analysis)加权平均 , 质量中心及中位数联结、 kmeans 、 kmedians 、 dendrograms 、停止规则、使用者扩充图形 (Graphics)直线图、散布图、条状图、圆饼图、 hi-lo 图、回归诊断图…调查方法 (Survey methods)抽样权重、丛集抽样、分层、线性变异数估计量、拟 – 概似最大估计量、回归、工具变量…生存分析 (Survival analysis)Kaplan – Meier 、 Nelson – Aalen, 、 Cox 回归 ( 弱性 ) 、参数模式 ( 弱性 ) 、危险比例测试、时间共变项、左 – 右检查、韦柏分配、指数分配…流行病学工具 (Tools for epidemiologists)比例标准化、病例控制、已配适病例控制、 Mantel – Haenszel, 药理学、 ROC 分析、 ICD-9-CM时间序列 (Time series)ARIMA 、 ARCH/GARCH 、 VAR 、 Newey – West 、 correlograms 、 periodograms 、白色 – 噪音测试 ,最小整数根检定、时间序列运算、平滑化最大概似法 (Maximum likelihood)转换及常态检定 (Transforms and normality tests)Box – Cox 、次方转换 Shapiro – Wilk 、 Shapiro – Francia 检定其它统计方法 (Other statistical methods)样本数量及次方、非线性回归、逐步式回归 、统计及数学函数包含样本范例 (Sample session)再抽样及模拟方法 (Resampling and simulation methods)bootstrapping 、 jackknife 、蒙地卡罗模拟、排列检定安装步骤1、进入文件夹后双击运行SetupStata15.exe安装程序2、点击next、选择第一个选项后点击next、填写相关信息后点击next3、Stata/MP：拥有并行处理能力，是运行最快和处理数据集最大的Stata版本，同时也适合双核、多核、多处理器计算机的Stata版本Stata/SE：是一个适合大数据集的Stata版本Stata/IC：Stata标准版本，允许多达2047个变量的数据集选择适合的版本后点击next4、选择合适的存储位置后点击next、选择默认工作目录后点击next图片链接、点击next、点击finish5、打开StataIC 15（64-bit）、如图填写信息后，点击下一步、点击完成、选择第一个选项后点击OK6、在下面的Command框中输入db update，然后回车、选择第二个选项From alternate location后点击Browse7、定位到文件夹里的“stata15update_win”文件夹、选择后如图点击OK、点击Yes、选择第一个选项后点击OK、点击确定8、打开后默认即为中文界面原文及下载地址：https://www.hezibuluo.com/10022.html

stata软件越来越受研究生的喜欢，很多研究生在做统计研究、学术分析的时候，也多选用此软件。网上有关stata的教程有很多，但对于没有基础的同学来说，学起来稍微就有些吃力了。那么，零基础的同学应该如何学习呢？如何用stata做出满意的一元线性回归模型呢 ？小编邀请了不同学科的研究生分享stata的学习心得，希望能够帮助更多对计量感兴趣的同学们。分享者（小熊）零基础的同学如何做一元线性回归模型首先，什么是一元线性回归？一元线性回归：一元线性回归是分析只有一个自变量（自变量x和因变量y）线性相关关系的方法。一个经济指标的数值往往受许多因素影响，若其中只有一个因素是主要的，起决定性作用，则可用一元线性回归进行预测分析。其次，什么情况下做一元线性回归？一元线性回归，通常是指某种市场现象只受一个或者主要受该因素的影响，进而将其作为自变量，建立X与Y的线性回归方程。如果某种现象受到多种因素的影响，就不能只选取一个变量，要综合考虑做出全面的分析。什么情况下做一元线性回归最后，在stata中如何操作？一元线性回归模型的操作步骤是什么？打开stata14（笔者的版本），快速输入数据：粘贴复制（点击Data Editor，将准备好的时间序列数据、截面数据粘贴进去即可）；对分组数据进行重新命名。点击Variables中的变量，然后在下方的Name中进行新的命名即可；回到command中，在命令栏中输入回归指令regress（可简写为reg） Y X1 X2 X3，回车即可。result中将会出现回归分析结果：R^、std、P值、置信区间、系数、常数项等，然后将一元线性回归结果写出即可。最后，一元线性回归模型做出来之后要进行检验。首先，对各参数的数值进行分析，观察参数的符号与实际含义是否符合？然后对模型进行标准差检验、模型的拟合优度检验、对系数进行显著性检验。如果没有通过检验，需要认真分析变量选取是否正确？一元线性回归的操作步骤结语：对于有基础的同学来说，做一元线性回归模型就相对简单了。对于零基础的同学来说，在时间充足的情况下，应该多学一点统计学、数学、数理统计相关的知识。这样，在今后的学习当中，才会明白其中的原理，学起来也会更加轻松。

回归是一种统计方法，可让我们了解自变量和因变量之间的关系。逐步回归是回归分析中一种筛选变量的过程，我们可以使用逐步回归从一组候选变量中构建回归模型，让系统自动识别出有影响的变量。理论说明逐步回归，是通过逐步将自变量输入模型，如果模型具统计学意义，并将其纳入在回归模型中。同时移出不具有统计学意义的变量。最终得到一个自动拟合的回归模型。其本质上还是线性回归。一、研究背景研究人员针对血压与年龄，体重，体表面积，持续时间，脉搏率、压力水平之间是否存在关系进行研究。二、操作步骤首先，可以分别对变量做相关分析或散点图，初步了解各自变量X与因变量Y的关系。登录SPSSAU，选择【通用方法】--【相关】或【可视化】--【散点图】。相关分析从相关分析结果看，年龄、体重、体表面积、脉搏频率与血压有显著的正相关关系。然后，再利用逐步回归进行分析。选择【进阶方法】--【逐步回归】。进阶方法-逐步回归逐步回归逐步回归逐步回归分析仅在回归分析的基础上，加入了一项功能，即自动化移除掉不显著的X，通常逐步回归分析用于探索研究中。指标说明在分析时，可首先对模型情况进行分析，然后分析X的显著性，并判断X对Y的影响关系大小及方向。根据回归结果显示，最终模型共包含年龄、体重、体表面积共3个自变量。R方值为0.995，意味着年龄,体重,体表面积可以解释血压的99.5%变化原因，说明模型构建较好。最终具体分析可知：年龄的回归系数值为0.702(t=15.961，p=0.000<0.01)，意味着年龄会对血压产生显著的正向影响关系。体重的回归系数值为0.906(t=18.490，p=0.000<0.01)，意味着体重会对血压产生显著的正向影响关系。体表面积的回归系数值为4.627(t=3.042，p=0.008<0.01)，意味着体表面积会对血压产生显著的正向影响关系。总结分析可知：年龄, 体重, 体表面积会对血压产生显著的正向影响关系。三、其他说明逐步回归虽然是很好的选择自变量的方法，但同时这种方法也存在一些缺陷：首先，该方法按一定顺序添加或删除变量，所以最终会得到由该顺序确定的自变量组合，由系统自动判断哪些变量应该保留，哪些需要移除，可能会出现核心研究变量被移除的情况。其次，如果逐步回归结果会收到样本量的影响，一般需要适当的大样本才能获得较为可靠的分析结果。