保存估计结果的命令：est store 名称 使用保存结果的命令：，estimates（名称）
如果你把那个显示你用过的命令的窗口： 窗口操作：Windows——Review 如果你把那个显示变量的窗口： 窗口操作：Windows——Variables
时间序列填充和扩展时间区间:
命令：tsappend ,add(n) 增加n个观测值
窗口操作：在上面找data edit 即像一个表格一样的图标点开即可编辑数据
时间序列存在间断点问题，需要补齐处理： 命令：tsfill 信息准则
赤池信息准则（AIC）——判断判断模型的最大滞后阶数 STATA命令： 1． 先回归
2． estat ic
如何看AIC统计量：
Breusch-Pagan,Cook-Weisberg异方差检验 STATA命令： 1． 先回归
2． estat hettest [varlist] 或者在Statistics——Postestimation(倒数第二个)——Reports and
Statistics(倒数第二个)——在里面选择（hettest） 如何看统计量： White异方差检验: STATA命令：
3． 先回归
4． estat imtest,white [varlist] 或者在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒数第二个)——在里面选择（imtest） 如何看统计量：
Ramsey回归设定误差检验： STATA命令： 1． 先回归
2． estat ovtest 或者在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒
数第二个)——在里面选择（ovtest） 如何看统计量：
多重共线性方差膨胀因子检验：
1． 先回归
2． estat vif[,uncentered] 或者在Statistics——Postestimation(倒数第二个)——Reports and
Statistics(倒数第二个)——在里面选择（vif） 如何看统计量：
一般的当最大的方差膨胀因子超过10（相对保守的临界值定位30）后者平均方差膨胀因子超过1表示模型存在多重共线性的问题。Uncentered用于当模型没有常数项时的未中心化的方差膨胀因子。
多重共线性的其他侦查方法： 2值高而显著的t比率小：多重共线性的“经典”征兆 R克里安经验法则：仅当来自一个辅助回归的 R 2 大于得自Y对全部回归元中的总 R 2 时，多重共线性才算是一个麻烦的问题。
做拟合图（前提是先回归）
STATA命令：
1． 解释变量对成分残差图——用于考察模型形式是否设定准确。 cprplot 被解释变量 acprplot 被解释变量
2． 增加变量图——用于考察数据是否存在异常值
avplotd 被解释变量
3． 拟合值对残差图的散点图——用于考察残差是否满足经典的假设条件 rvfplot
4． 解释变量对残差的散点图 rvpplot 被解释变量
stdp表示样本内预测的标准差 stdr 表示样本外预测的标准差 STATA对于数据的储存与重现
est命令的用法： （1）储存回归结果：
reg y x1 x2 x3（不限于reg，也可储存ivreg、mvreg、reg3） est store A
（2）重现回归结果： est replay A
（3）对回归结果进行进一步分析
est for A:sum（对A回归结果中的各个变量运行sum命令）
在非时间序列的数据的情况下， 异方差的修正——用GLS
具体的方法如下：
1.quietly regress y x 做回归 2.predict u，residual 取残差
3.predict yf，xb (xb表示拟合值) 将拟合值取出放到yf里
4.gen lnu2=ln(u^2) 将残差做平方且取对数的处理
5.gen yf2=yf^2(将yf这个拟合值同上面的残差做相同的处理)
6.quietly regress lnu2 yf yf2 对处理过的残差对 拟合值 以及 处理过的拟合值 做回归
7.predictnl u2f=exp(xb()) 再将回归后的拟合值取出并作对数处理放到 u2f里 8.gen sd=sqrt(u2f) 将u2f做平方处理 然后，利用vwls进行加权估计
predictnl表示模型估计后的非线性预vwls y x , sd(sd)
测，比如指数预测 GLS也可以通过regress命令中的weight选项来实现。
xb表示线性预测
exp表示指数预测 存在自相关的修正——用广义差分 自相关的修正——用广义差分
具体的方法如下：
1． 一阶自相关的修正 prais y x，rhotype(regress)
prais y x，corc rhotype(regress)
pr表示概率预测 el(mat,i,j)矩阵的第i行第j列 se表示线性预测（prediction）的标准差 stdf表示线性预测（forecast）的标准差 取对数用ln(var)函数 取平方用sqrt(var)函数 2． 高阶自相关的修正——以二阶自回归为例
①quietly regress D.y x 对被解释变量取差分并且做回归 ②predict u,resid 取出残差
③quietly reg u l(2).u，noconstant 令u对其二阶滞后期做自回归（无截距）
④matrix mat=e(b) 生成矩阵mat 将回归的结果放到矩阵里（如果是更高阶可能有多个自相关系数）
⑤gen m=d.y-el(mat,1,1)*l(2)d.y 对y的一阶差分与y的一阶差分的滞后期与权重的乘积做差分，这个权重就是mat矩阵里的第一行第一列的系数，刚好使我们刚刚回归出来的自相关系数（如果是高阶可能不只做一个差分，会更为复杂） ⑥gen n=d.x-el(mat,1,1)*l(2)d.x 对x进行和y一样的处理方法 ⑦reg m n 然后令m对n做回归
关于参数约束的模型估计问题(P178张晓峒)
STATA命令：
cnsreg 被解释变量 解释变量 [条件if] [in] [weight] ，constraints(constraints) [options] 其中constraints(constraints)表示线性约束 例如：
约束规模报酬不变的估计模型
命令如下：
1. constraint define 1 lnk+lnl=1 将等于1的线性约束(不可以为不等号)条件定义为1 2. cnsreg lny lnk lnl ，constraints(1) 约束为lnk=lnl=0的估计模型： 命令如下:
1. constraint define 2 lnk lnl 等于0的条件可以不写出来 2. cnsreg lny lnk lnl，constraints(2)
约束条件为lnk=0.6, lnl=0.4的估计模型： 命令如下：
1. constraint define 3 lnk=0.6