STATA数据统计软件学习记录

　　STATA是一个数据统计软件，正如它的名字一样，STATA=statistic+data。STATA软件的功能和matlab类似，也可以用代码实现数据的统计与可视化。但几乎只能进行整行整列的数据处理，且每次只能加载处理一个数据矩阵，灵活性和全面性比不过matlab。那我为什么要用STATA呢？这是因为我选修了这门课，水一下学分。当然，相比matlab，它在数据处理方面，也有一些方便之处。下面记录STATA的一些常用的处理、统计、可视化方法。

基本命令

　　STATA命令的语法大部分是这样的：命令（空格）待处理的数据名（逗号）可选的一些参数。

读取软件自带数据集 sysuse

　　首先读取STATA自带的样例数据：

sysuse auto, clear

　　其中sysuse是一个命令，auto是汽车数据集的名称，clear是在读取数据之前先清空内存中已读取的数据。之后可以在变量窗口看到读取的变量。实际上这里的变量就是excel列表中的列标，每个变量代表一个列标。然后每个列标都有它对应的属性，属性定义了每列数据的类型和一些信息等。如下图：

浏览数据集 br

　　用br命令（等同于browse，STATA要弄一个简写让你更方便一些，然而让初学者很烦，可读性很差，弄巧成拙）可以查看所读取的表格：

br

　　如下图所示：　

获取数据基本统计信息 sum codebook tabstat

　　summarize可以看表格的一些统计信息、codebook则是对表格的各列进行统计。它们后面可以跟着列名，则只显示这几列的信息，否则显示所有列：

summarize price mpg
codebook rep78

　　如下图所示：

　　tabstat可计算某种统计值，统计值种类比sum和codebook多，当做print来用吧：

tabstat price, by(rep78) stat(std max min)

　　以上显示车价格，在rep78的各个条件下的标准差、最大值和最小值。想要其他统计值，用help查看简写方法╮(╯▽╰)╭。

变量生成与替换 gen egen

　　gen和egen用于生成变量，gen是一对一生成，egen是一对多生成（比如max()值会赋值到每一行上）。如：

gen test1 = 2*price
egen test2 = max(price)

　　replace用于变量的替换，如：

replace test1 = test2 in 1/10

　　将test1的前10行数据替换为test2。其中的in在很多其他对行进行操作的命令中也可以使用。

　　另外要注意的是，不像matlab，STATA中的操作不能直接使用，必须要进行赋值，也就是用gen等命令生成某列，否则会报错。

基于某列取值下的分析 by

　　如果想在某列的各个不同的取值下，对其它列进行分析，可以用by，用法如下：

by foreign, sort: sum price

　　表示在foreign的各个取值下，获取price一些基本统计信息（sum就是summarize）。其中，如果by后面的变量没有排序，则必须要加sort，会先对其进行排序，否则会出错（默认排序不就行了？）。

　　如果想在某列特定取值下进行分析，可以用if：

sum price if foreign == 0

安装外部命令

　　STATA的命令是很分散的，不像python、matlab把相似的命令、处理方法都打包在一块儿。所以有些外部命令没得用，只能一个一个安装。用help查询相关命令，然后进行安装：

help graph3d 

统计命令

　　下面的命令使用软件自带的auto数据集。

数量统计tabulate

　　统计某列或某两列中不同取值的数量，用法就是后面跟着一个或两个变量：

tabulate mpg
tabulate mpg rep78

　　两个以上变量会报错。

相关性分析correlate

　　correlate分析变量的相关性，可以输入多个变量，用法如下：

correlate mpg price rep78

　　运行结果：

二维可视化twoway

　　twoway进行二维可视化，后面每个括号内都能画一个相应的可视化图。如下所示：

twoway (scatter length mpg) (lfit length mpg)

　　表示以length为y轴，mpg为x轴，绘制散点图和拟合一元一次方程。可视化结果如下：

　　再加by可以在某个变量的各个取值下分别进行可视化：

twoway (scatter length weight) (lfit length weight), by(foreign)

回归regress

基本用法

　　使用几列数据对某列数据进行线性回归。比如，使用mpg、rep78、length作为因变量，对price进行回归，用法如下：

regress price mpg rep78 length

　　结果：

　　我们可以进行一个测试，创建test变量为price、mpg、weight的线性和，然后进行回归：

gen test = price*2+mpg*3+weight*456+789
regress test price mpg weight

　　结果：

　　可以看出线性回归得到的系数与创建的一模一样。之后还可以使用predict创建回归值和回归偏差：

predict test_hat
predict test_res, res

　　结果如下：

二次以上的回归方式

　　如果想进行二次回归，可以先创建因变量的平方，然后使用一次、二次变量作为因变量进行回归：

gen weight2 = weight^2
regress mpg weight weight2 foreign
predict mpg_hat
sort weight
twoway (scatter mpg weight) (line mpg_hat weight), by(foreign)

　　分别按国内外汽车进行了车重和油耗的二次关系的统计，结果如下：