Stata如何回归分析？2026年最新从入门到精通完整教程

回归分析是量化研究中应用最广泛的统计方法之一，无论是经济学、社会科学还是医学研究，都离不开它。Stata作为专业的统计软件，提供了强大而灵活的回归分析功能。无论你是刚接触Stata的新手，还是想提升分析技能的研究者，这篇文章都能帮你理清思路，掌握从数据准备到结果解读的全流程。

一、回归分析前的准备工作

很多人在做回归分析时容易犯一个错误：数据还没看明白，就直接敲命令跑回归。结果出来了，却不知道为什么是这个结果，也不知道结果可不可信。实际上，回归分析前的准备工作，决定了分析质量的下限。

1.1 导入数据

在Stata中做任何分析的第一步，是把数据载入软件。Stata支持多种数据格式，最常用的是Stata自带的.dta格式、Excel文件和CSV文本文件。

如果你有一个Excel文件，可以用以下命令导入：

import excel "文件路径\文件名.xlsx", sheet("工作表名") firstrow clear

其中的firstrow选项表示将Excel的第一行作为变量名，clear会清除当前内存中的数据。

如果是CSV文件，命令是：

import delimited "文件路径\文件名.csv", clear

导入数据后，建议先用list命令看一眼数据的前几行，确认导入正确：

list in 1/10

1.2 数据清洗与预处理

原始数据很少是完美的，做回归之前需要进行必要的清洗。这一步骤包括处理缺失值、检查异常值、转换变量类型等。

用describe命令可以查看数据的基本信息，包括变量名、存储类型和变量标签：

describe

用summarize命令可以查看变量的统计摘要，包括样本量、均值、标准差、最小值和最大值：

summarize

通过统计摘要，你能快速发现异常值——比如年龄出现200，收入出现负数，这些明显不合理的数值需要回头核对原始数据。

对于缺失值，可以用misstable summarize查看缺失情况：

misstable summarize

如果缺失值不多，可以直接删除包含缺失值的样本；如果缺失值较多，可能需要考虑用均值填补或其他更复杂的方法。Stata默认的做法是，在回归分析中自动排除那些在分析变量上有缺失值的观测。

1.3 生成新变量

有时你需要根据原始变量生成新的变量，比如取对数、创建交互项、设置虚拟变量等。

生成取对数的变量（常用于收入、GDP等偏态分布变量）：

generate ln_income = ln(income)

生成交互项：

generate x1_x2 = x1 * x2

如果自变量是分类变量，比如性别、职业、地区，在回归中需要用虚拟变量的形式纳入。Stata提供了便捷的前缀i.，可以在回归命令中直接指定，软件会自动生成虚拟变量。我们会在后面详细介绍。

二、线性回归分析的核心命令

做好准备工作后，就可以开始回归分析了。Stata中进行线性回归的核心命令是regress，它执行的是普通最小二乘法。

2.1 一元线性回归

一元线性回归是只有一个自变量的情况，用来探究一个自变量对一个因变量的影响。命令格式是：

regress 因变量 自变量

假设你想研究教育年限（educ）对收入（wage）的影响，命令就是：

regress wage educ

执行这个命令后，Stata会输出一系列结果，包括回归系数、标准误、t值、p值、置信区间、R平方和F统计量等。

2.2 多元线性回归

多元线性回归是更常见的情况，包含多个自变量。命令格式是：

regress 因变量 自变量1 自变量2 自变量3

比如你想研究教育年限（educ）、工作经验（exper）和年龄（age）对收入的影响：

regress wage educ exper age

如果自变量中有分类变量，比如性别（gender，取值1为男性，2为女性），需要用i.前缀告诉Stata这是一个分类变量：

regress wage educ exper i.gender

Stata会自动把gender转换为虚拟变量，并以某一类别作为参照组。默认情况下，取值最小的类别会被设为参照组。如果你想改变参照组，可以用ib.选项，比如ib2.gender会把取值为2的类别作为参照。

三、解读回归结果

命令敲下去后，Stata会输出一张表格。对初学者来说，这张表格看起来可能有点复杂，但拆开来看，其实就几个核心部分。

3.1 输出的核心内容

一个典型的回归输出包含以下几部分：

• 回归系数：每个自变量对应的系数，表示该自变量变化一个单位时，因变量的平均变化量。系数的正负号表示影响的方向，正号表示正向影响，负号表示负向影响。

• 标准误：衡量回归系数估计的精确度。标准误越小，估计越精确。

• t值和p值：用于检验每个自变量是否对因变量有显著影响。在常用的0.05显著性水平下，p值小于0.05意味着该自变量的影响在统计上是显著的。

• 置信区间：通常报告95%的置信区间，表示有95%的把握认为真实的系数落在这个区间内。

• R平方：衡量模型对因变量的解释程度，取值在0到1之间。R平方越接近1，说明模型拟合得越好。

• F统计量：用于检验整个模型是否显著，即所有自变量联合起来对因变量是否有解释力。

3.2 系数解释的注意事项

解释回归系数时，有几点需要特别注意。

如果因变量取了自然对数，比如ln_wage，那么系数的解释要调整为：自变量变化一个单位，因变量变化百分之百乘以系数个单位。举个例子，如果educ的系数是0.08，那就意味着教育年限每增加一年，收入平均增加约8%。

如果自变量是分类变量的虚拟变量，解释时要相对于参照组来说。比如gender的系数是0.2，那就表示相对于男性（参照组），女性的收入平均高出0.2个单位。

3.3 一个完整的例子

假设我们运行了以下命令：

regress wage educ exper i.gender

输出结果中的系数部分可能像这样：

这个结果告诉我们：教育年限的系数是0.85，p值小于0.05，说明教育对收入有显著的正向影响，每多一年教育，收入平均增加0.85个单位。工作经验的系数是0.23，同样显著，每多一年经验，收入增加0.23个单位。性别的系数是1.50，意味着女性收入比男性平均高出1.50个单位（假设男性是参照组）。常数项_cons是5.20，表示当所有自变量为0时（教育0年、经验0年、男性），收入的估计值。

四、回归后的模型诊断

跑完回归只是第一步，更重要的环节是检查回归模型是否满足基本假设。如果假设不满足，回归结果可能是不可靠的。

4.1 多重共线性检验

当自变量之间存在高度相关时，会出现多重共线性问题，导致系数估计不稳定。用vif命令可以检验：

vif

VIF值大于10通常意味着存在严重的多重共线性。

4.2 异方差性检验

异方差是指残差的方差不恒定，这会影响标准误的准确性，进而影响显著性检验。用estat hettest进行检验：

estat hettest

如果p值小于0.05，说明存在异方差问题。解决方法是使用稳健标准误，在回归命令中加上robust选项：

regress wage educ exper i.gender, robust

4.3 残差分析

生成残差和拟合值，可以检查模型的线性假设和异常值：

predict residuals, resid
predict fitted, xb

绘制残差图，观察残差是否随机分布：

scatter residuals fitted

如果残差图呈现明显的模式，比如漏斗形或曲线形，说明模型可能存在非线性关系或异方差问题。

4.4 异常值检查

极端异常值可能会对回归结果产生过大影响。可以通过绘制箱线图或计算库克距离来识别异常值。

五、其他类型的回归分析

线性回归虽然是最常用的，但并非万能。根据因变量的类型，你可能需要使用其他类型的回归。

5.1 Logistic回归

当因变量是二分类变量时，比如是否患病、是否购买，需要用Logistic回归。命令是：

logit 因变量 自变量1 自变量2

或者直接得到优势比：

logistic 因变量 自变量1 自变量2

对于有序多分类变量，比如满意度（1=很不满意，2=不满意，3=一般，4=满意），用ologit命令。

5.2 面板数据回归

如果你的数据同时包含多个个体和多个时间点，属于面板数据，需要用专门的命令。固定效应模型：

xtset id year
xtreg 因变量 自变量1 自变量2, fe

随机效应模型：

xtreg 因变量 自变量1 自变量2, re

5.3 工具变量回归

当存在内生性问题时，比如自变量与误差项相关，需要用工具变量回归。命令是：

ivregress 2sls 因变量 (内生变量 = 工具变量) 外生变量

六、结果输出和可视化

分析完数据后，需要把结果整理出来。Stata提供了多种导出结果的方式。

6.1 导出结果

可以用outreg2命令将回归结果导出到Word或Excel：

outreg2 using results.doc, word replace

如果没安装outreg2，需要先安装：

ssc install outreg2

6.2 可视化

用coefplot命令可以绘制系数图，直观展示各个变量的系数和置信区间：