1. 从“安装”到“第一行命令”跨越新手的第一道门槛很多刚接触实证计量的同学拿到数据后的第一反应往往是打开Excel用筛选、排序、公式开始“硬算”。但当数据量上千、变量关系复杂、需要反复进行回归检验时Excel就开始力不从心了。这时Stata就成为了那个能把你从重复劳动中解放出来的利器。它不是简单的计算器而是一个完整的计量经济分析环境。但万事开头难对新手来说从下载安装到成功运行第一行命令这第一步往往就布满了小坑。网上教程五花八门版本各异一不小心就可能卡在某个环节挫败感十足。今天我就以一个过来人的身份带你走一遍最稳妥的Stata入门之路重点不是“做什么”而是“为什么这么做”以及“怎么避免一开始就掉坑里”。首先你得有个Stata。目前主流版本是Stata 17和Stata 18。对于入门和绝大多数实证研究而言Stata 17的功能已经完全足够且非常稳定。Stata 18增加了一些前沿的因果推断方法和贝叶斯统计功能但对于新手这些差异几乎可以忽略。我的建议是优先选择Stata 17。原因有三第一资源更丰富你遇到的所有问题几乎都能在Stata 17的语境下找到解决方案第二更稳定新版本初期难免有些小bug第三大多数学校实验室和共享的do文件脚本文件都是基于Stata 17或更早版本编写的兼容性更好。安装过程本身是傻瓜式的但有几个细节决定了你后续使用的体验。安装路径强烈建议使用全英文不要有空格和中文比如D:\Stata17。这是因为Stata的核心和一些高级插件对路径非常敏感中文或空格路径可能导致某些命令无法调用或报错。安装完成后第一次打开软件你会看到一个复杂的界面上方是菜单栏和工具栏中间大片空白是“结果窗口”下方是“命令窗口”。很多新手会本能地去点菜单但我要告诉你一个核心原则尽快习惯使用命令窗口。菜单操作虽然直观但无法保存、无法重复、无法进行复杂逻辑组合。而写在do文件里的命令才是可追溯、可复现、高效率的科研方式。那么如何迈出命令操作的第一步在命令窗口输入help regress然后按回车。这是Stata里最重要的命令之一——查看帮助文档。你会看到结果窗口弹出了关于regress回归命令的详细说明包括语法、选项、案例。这个help命令是你未来最好的老师。任何命令记不清了就打help [命令名]。现在再输入sysuse auto, clear并按回车。这行命令做了两件事sysuse调用了Stata自带的一个示例数据集auto.dta关于1978年汽车数据clear选项则清空了当前内存中的数据如果有的话防止数据冲突。执行后你可以点击菜单栏的“数据编辑器”按钮就能看到一个包含汽车价格、重量、里程等变量的真实数据表了。恭喜你你已经成功运行了第一行有效命令并载入了数据。注意很多教程会让你直接输入use auto但在实际分析中你几乎总是用use [文件路径]来加载自己的数据。sysuse是专门用于调用Stata内置教学数据集的命令不会和你硬盘上的文件混淆。养成使用clear选项的习惯可以避免“数据已在使用中”的报错。2. 数据管理清洗、转换与合并的“脏活累活”实证分析中80%的时间和精力可能都花在了数据准备上也就是所谓的“数据管理”。Stata在这方面提供了极其强大的工具集。我们继续用auto数据集来演练。首先了解你的数据输入describe或简写dStata会列出当前数据集中所有变量的名称、存储类型、显示格式和变量标签。输入summarize或简写su则会给出所有变量的基本统计量观测数、均值、标准差、最小值、最大值。对于特定变量比如想看价格price和里程mpg的统计信息可以输入su price mpg。数据很少是完美的。经常会有缺失值在Stata中显示为.。如何找出缺失值对于变量price可以输入count if missing(price)。更直观的方法是使用browse命令打开数据浏览器查看。处理缺失值没有统一答案需要根据情况决定是删除这条观测drop if missing(price)还是用均值、中位数填补replace price r(mean) if missing(price)前提是先su price, detail获取均值这完全取决于你的研究设计和缺失机制。接下来是变量转换这是实证中的高频操作。比如我们觉得汽车重量weight的单位磅不直观想转换为吨。可以生成一个新变量gen weight_ton weight / 2204.6。这里gen是generate的简写意为生成新变量。更常见的操作是创建虚拟变量0-1变量。比如将汽车产地foreign取值0为国产1为进口转换成一个更直观的虚拟变量“是否为进口车”其实它已经是了。但假设我们想根据价格中位数创建一个“高价车”虚拟变量su price, detail gen high_price (price r(p50))这里r(p50)是上一个summarize命令存储的中位数返回值。(price r(p50))是一个逻辑判断条件为真则生成1为假则生成0。日期变量的处理是另一个容易踩坑的地方。从Excel或CSV导入的日期在Stata里可能是一串数字或字符串。比如字符串“2023-05-01”。你需要先用gen date_var date(string_var, YMD)将其转换为Stata能识别的日期数字距离1960年1月1日的天数。YMD告诉Stata你的字符串格式是年-月-日。转换后format date_var %td可以将其显示为易读的日期格式。之后你才能方便地提取年份gen year year(date_var)或计算时间间隔。数据合并是另一项核心技能。假设你有两个数据文件data1.dta包含公司ID和财务信息data2.dta包含公司ID和管理层信息。你需要根据公司ID把它们拼起来。如果是一一对应使用merge 1:1 id using data2。如果data1是公司-年度数据而data2是公司层面的固定信息如所属行业则需要用merge m:1 id using data2多对一合并。合并后Stata会生成一个_merge变量标记每条记录的来源1仅主数据有2仅用数据有3两者都有务必用tab _merge检查合并结果确保没有意外的观测丢失或重复。实操心得在进行任何破坏性操作如drop删除观测、replace修改变量值之前先save old_data, replace保存一份副本或者使用preserve命令暂存当前数据状态操作后若发现问题可用restore回滚。这个习惯能拯救你无数次。3. 基础统计分析从描述性统计到相关矩阵数据整理干净后我们进入描述和探索阶段。基础的summarize命令已经能给出概览但做研究还需要更细致的呈现。tabulate简写tab命令用于制作频数表。例如tab foreign会显示国产和进口车各有多少辆。交叉表也很常用tab foreign rep78可以查看不同产地的汽车其修理记录rep78的分布情况。加上row或col选项可以计算行或列的百分比。对于连续变量我们经常需要分组统计。比如分别计算国产车和进口车的价格统计量。这里可以用bysort前缀命令bysort foreign: su price这行命令的意思是按照foreign变量分组bysort对每一组分别执行summarize price。你会得到两组独立的统计结果。这是Stata里非常高效的分组处理模式。相关分析是观察变量间线性关系的初步手段。命令是correlate price weight mpg。如果想同时得到相关矩阵和显著性检验的P值更强大的命令是pwcorr price weight mpg, sig star(0.05)。sig选项会显示显著性水平star(0.05)则会在显著性水平低于0.05的相关系数旁标记一个星号让结果一目了然。这些统计结果你可以通过logout命令或者复制表格的方式直接输出到Word或Excel中用于制作论文中的描述性统计表。亚组分析是实证中深入挖掘异质性的关键。它不仅仅是简单的分组统计而是要在不同子样本中分别运行核心模型如回归并比较系数差异。例如我们想研究汽车重量(weight)对价格(price)的影响但怀疑这个关系在国产车和进口车中可能不同。粗糙的做法是reg price weight if foreign 0 // 国产车样本 reg price weight if foreign 1 // 进口车样本然后人工比较两个回归中weight的系数。但更严谨的做法是引入交乘项或者使用似无相关模型SUR进行系数差异的正式检验。对于新手掌握if条件语句进行分样本回归是迈向亚组分析的第一步。if条件非常灵活你可以组合多个条件比如if foreign 1 price 5000表示进口车且价格高于5000的样本。4. 核心计量操作回归模型、结果解读与输出回归分析是实证计量的心脏。最基础的线性回归命令是regress。我们以研究汽车里程(mpg)如何影响价格(price)为例同时控制车重(weight)和是否为进口车(foreign)reg price mpg weight foreign输出结果包含几个关键部分1. 方差分析表2. 模型拟合度R-squared3. 最重要的——系数估计表。表中每一行是一个自变量Coef.列是估计系数Std. Err.是标准误t是t统计量P|t|是p值[95% Conf. Interval]是95%置信区间。如何解读以mpg为例系数为负假设是-100意味着在控制车重和产地不变的情况下每加仑英里数增加1单位更省油汽车价格平均下降100美元。p值小于0.05通常被认为统计显著。foreign的系数为正则意味着进口车比国产车平均更贵控制了油耗和重量后。回归之后要做检验。检验残差是否服从正态分布可以用predict r, resid生成残差然后hist r, normal画直方图叠加正态曲线或者用swilk r进行夏皮罗-威尔克检验。检验多重共线性可以在回归后输入vif方差膨胀因子通常认为VIF大于10存在严重共线性。结果的输出与美化是呈现给读者的最后一步。Stata的默认回归结果很简练但写论文时需要整理成标准的三线表。这里强烈推荐esttab或outreg2命令。你需要先安装它们ssc install esttab, replace。使用流程如下reg price mpg weight foreign estimates store model1 // 将回归结果存储为model1 reg price mpg weight foreign trunk // 加入新变量行李箱空间(trunk) estimates store model2 esttab model1 model2 using reg_table.rtf, replace /// b(3) se(3) star(* 0.1 ** 0.05 *** 0.01) /// r2(3) ar2(3) nogap compress这段代码运行了两个回归将它们的结果以整洁的格式输出到Word文档reg_table.rtf中。b(3)和se(3)控制系数和标准误显示3位小数star选项添加显著性星标r2和ar2显示拟合优度。这是学术论文制作的必备技能。5. 进阶模型与效率分析初探掌握了OLS回归后你可以根据数据特性和研究问题探索更复杂的模型。如果因变量是二元的如是否购买、是否违约使用逻辑回归logit或概率单位模型probit。如果是计数数据如专利数量使用泊松回归poisson或负二项回归nbreg。对于面板数据同一对象在不同时间点的观测则必须考虑固定效应或随机效应模型使用xtreg命令。关于超效率SBM-DEA模型这属于数据包络分析DEA的范畴用于测量决策单元的效率。Stata本身没有内置命令但可以通过用户编写的命令如sbmeff或dea来实现。你需要先通过findit sbmeff搜索并安装相关包。其基本思路是定义投入变量和产出变量然后运行模型计算每个单元的效率值。由于涉及线性规划对数据格式和命令选项有特定要求建议在掌握基础后寻找专门的教程和范例数据来练习。最后再强调几个贯穿始终的核心习惯这比学会任何单个命令都重要使用do文件所有命令都应写在.do文件中通过点击执行或按快捷键运行。这是保证分析过程可复现、可追溯的生命线。添加注释在do文件中用*或//添加大量注释说明每一段代码的目的。一个月后只有注释能救你。规范命名变量名、文件名尽量使用英文和下划线做到见名知意如gdp_growth而非var1。勤于保存不仅保存数据.dta更要保存do文件.do。每次有重大修改前另存为一个新版本的文件如analysis_v2.do。Stata的学习曲线前期陡峭但一旦熟悉了它的命令逻辑和工作流程你就会发现它的效率远超鼠标操作。入门的关键在于不要试图一次性记住所有命令而是围绕一个具体任务比如“我要做一份描述性统计表”去学习完成这个任务所需的那几个命令并在实践中反复使用。从载入数据、清洗整理、描述统计、基础回归到结果输出把这个流程走通、走熟你就已经具备了用Stata完成一项基本实证研究的能力。剩下的就是在解决具体问题的过程中不断扩充你的工具箱了。
