企业官网建设流程全解析

1. 把"多元"两个字先想透：Stata 的 reg 到底在解一个什么问题

很多人第一次在 Stata 里敲下reg y x，看到 P>|t| 小于 0.05 就松了一口气，截图留档收工。等到加上第二个控制变量，斜率一下子少了一半，甚至符号翻过来，人就开始慌了——到底哪个结果能用？这种慌张的根源不在 Stata，而在于没有想明白多元回归分析这件事本身在干什么。它不是"多塞几个变量"这么简单，它要回答的是一个更苛刻的问题：在把其他已知因素按住不动的前提下，某个变量和因变量之间还剩下多少关系。

Stata 在这件事上给的是最朴素也最可靠的工具。它不会替你做模型设定，不会提醒你遗漏了什么变量，也不会告诉你某个系数为什么长得这么奇怪。它只负责把最小二乘法的解算出来，把方差分解表、系数表、拟合优度整整齐齐摆在屏幕上。剩下的事，全在敲命令的人手里。所以这篇东西的重点不是罗列命令，而是把从数据整理到结果解释、从诊断到导出这一整条链路上，那些教程里往往一笔带过、实战中却天天要面对的细节讲清楚。

下面的内容适合三类人：刚学完计量课、第一次真正拿数据上手的学生；需要用 Stata 出分析报告、但被审稿人或老板追问过"这个系数怎么解释"的研究人员；以及已经会用reg但总觉得结果不太踏实的从业者。全文以多元回归分析为主线，穿插数据清洗、异常值处理、亚组分析、结果导出这些绕不开的配套动作。网状 Meta 分析也好，面板回归也好，底层的那套"设定—估计—诊断—解释—复现"的流程是完全相通的，把这一套吃透，换模型只是换命令。

1.1 从一元到多元，多出来的那部分到底管什么

一元回归里，斜率是"x 变动一单位，y 平均变动多少"，这个解释成立的前提是——所有影响 y 的其他因素都和 x 无关，或者干脆不存在。现实里这个前提基本不成立。举个具体的例子：分析某类商品的销量和价格，一元回归跑出来价格系数是正数，看着很反直觉。原因很简单，天气、促销档期、节假日这些变量既影响价格（旺季加价）又影响销量（旺季卖得多），它们的作用全被塞进了价格系数里，把它污染了。这就是遗漏变量偏误。

多元回归的做法是把这些"捣乱"的变量显式地放进模型。此时每个系数的含义变成：在其他自变量保持不变的条件下，该变量每变动一个单位，因变量的平均变动量。这句话里的"保持不变"是多元回归的灵魂，也是它和一元回归唯一的本质区别。技术上，最小二乘法在做的事情是让残差平方和最小，几何上相当于把因变量向量投影到所有自变量张成的那个平面上。自变量之间哪怕高度相关，只要不完全共线，投影依然唯一，只是这个投影对数据的微小扰动会越来越敏感——这就是后面要讲的共线性和稳健性的来源。理解了这一点，再看诊断部分就不会觉得那些检验是多余的仪式，它们都是在回答同一个问题：这个投影到底稳不稳。

1.2 Stata 命令语法的那套通用骨架

Stata 命令的语法结构高度统一，记住一次，后面所有命令都能套：

[by varlist:] command [varlist] [=exp] [if] [in] [weight] [, options]

拿回归来说，reg是regress的合法缩写，惯例是把因变量写在最前面，自变量跟在后面，中间用空格分开。这跟很多软件的公式写法（y ~ x1 + x2）不一样，刚开始容易写反，写反了 Stata 不会报错，它会老老实实给你算出一个完全不同的模型——因为它在拟合"第一个变量被后面那些变量解释"。这也是新手交报告时结果对不上的高频原因之一，写完命令回头看一眼变量顺序，比事后排查省事得多。

if和in这两个限定词值得单独提一句。if是逻辑条件，in是行号范围。做亚组分析、剔除极端值、限定时间窗口，全靠if。它不改变模型结构，只改变参与估计的样本，所以每一次加if都要意识到样本量在变，系数的可比性也在变。

1.3 有些时候不该用多元回归

模型形式要和数据结构匹配，这句话我说过很多遍。因变量是 0/1 二值，用reg得到的预测值可能超出 0 到 1 的范围，标准误也不对，应该换成logit或probit。因变量是计数（比如某段时间内的事件次数），poisson或nbreg更合适。同一批个体被反复观测，那就是面板结构，得先用xtset声明，再上xtreg。

还有一种情况是内生性——某个自变量和误差项相关，可能是因为遗漏了变量，也可能是因为反向因果。这时的正解是找工具变量，用ivregress或者外部的ivreg2，而不是硬扛。我不建议把"用了更复杂的模型"当成水平高低的标志，选模型的唯一标准是它和不匹配数据结构的代价相比，哪个更划算。一个设定干净的 OLS，说服力往往强过一个塞满花哨选项但逻辑混乱的模型。

2. 建模之前的那半小时：数据整理决定你后面三天的返工量

我见过太多人拿到数据直接reg，跑完发现结果不对再回头查数据，来回折腾。真正的顺序应该反过来：先花二十分钟把数据的家底摸清楚，后面能省下大把时间。Stata 里摸家底的三个命令是describe、codebook、summarize，配合起来基本能把一个陌生数据集看透。describe告诉你有哪些变量、什么类型、什么标签；codebook会具体展示每个变量的分布、唯一值个数和缺失情况；summarize, detail则给出分位数、偏度、峰度这些分布形状信息。

2.1 变量类型分不清，后面全是坑

建模前必须把每个变量归到下面几类之一，因为它们的处理方式和解释方式完全不同：

多分类变量最容易出问题。有人图省事，把"行业代码 1 到 20"当连续变量塞进模型，得到的结果是"行业代码每增加 1，因变量平均变动多少"——这句话本身没有任何业务含义，因为行业代码的大小顺序是人为编的。正确做法是用i.industry生成哑变量，让每个行业和参照行业比。

字符串转数值也要注意encode和destring的区别：destring是把"123"这种长得像数字的字符串真正转成数值 123；encode是把"北京""上海"这种纯文本映射成 1、2、3，并附加一层值标签。用错了，要么转换失败，要么把顺序信息彻底丢失。

2.2 缺失值的代价比你想象中大

Stata 把缺失值当作一个极大的正数（.表示数值缺失），所以对它求和、求最大值的操作会全部变成缺失。这是很多人第一次踩的坑。查缺失用misstable summarize或者外部命令mdesc，一行就能看到每个变量的缺失数量和比例。

处理方法要分情况。缺失比例很低（比如低于 5%）而且看起来是随机丢的，直接删除观测是最省事的选择，代价是样本量减少。缺失比例高，或者缺失本身和因变量有关（比如收入高的人更不愿意填收入），直接删就会带来选择偏误，这时要考虑多重插补（mi系列命令）或者其他填补策略。我个人的判断标准是：先把"有缺失"和"无缺失"两组的关键变量均值对比一下，如果差异明显，就别删，老老实实做插补并在报告里说明。

2.3 最大值最小值：异常值筛查的第一道网

热词里有人搜"stata 最大值最小值命令"，说明很多人卡在这一步。这里有个必须分清的细节：egen的max()和min()作用是取整列的极值，然后把同一个数字填到每一行；而rowmax()和rowmin()才是取每一行内部几个变量的极值。

* 整列极值：所有观测得到的同一个数 egen max_income = max(income) * 每一行的极值：逐行比较三个变量 egen row_max = rowmax(x1 x2 x3)

把这两个搞混，会得到看起来"很正常"但其实完全错误的变量。我在帮别人看代码时，最常见的错误之一就是本意想做逐行最大值，却写成了egen xxx = max(a b c)。

筛查异常值的标准动作是先跑分布：

summarize income, detail

输出里的 Min、Max、1%、99% 分位数、偏度和峰度都值得看。如果 1% 分位数是 3000、最大值却是 99999999，那基本可以确定存在录入错误或者单位不统一（比如有人填了分，有人填了元）。处理选项按稳妥程度排序：先核原始记录，确认是错误就修正或删除；确认是真实的极端值，就考虑缩尾（winsor2，需要ssc install）、截尾，或者用对异常值不敏感的稳健回归rreg、分位数回归qreg。直接删掉真实存在的极端值，是在用制造偏误的方式掩盖问题，报告里也很难自圆其说。

2.4 标签与 do 文件：给三个月后的自己留条路

label variable给变量加说明，label define给取值加含义，这些看起来是可选项，其实是必需品。一个月后你看到b3这个变量名，大概率想不起来它代表什么。更关键的是，给变量加标签之后，esttab导出的表格会自动带上标签，省去手动改表的功夫。

do 文件要从头到尾能跑通，这是底线。我习惯把它分成四段：环境设置（clear all、set more off、版本声明）、数据准备、分析、导出。每次改动都在 do 文件里改，而不是在命令行里敲。命令行敲出来的结果，第二次想复现的时候就得靠回忆，这在需要交付的场景里非常危险。

3. 第一遍 reg 跑通之后：那张输出表每一行都该看得懂

模型跑出来之后，屏幕上那张表信息量其实很大，但很多人只看 P>|t| 那一列。我们把它拆开看。

3.1 命令与几个真正有用的选项

reg ln_wage edu exper exper2, vce(robust)

vce(robust)是最常用的选项，它不改变系数，只改变标准误的计算方式，让结果在存在异方差时依然可信。beta选项会额外输出标准化系数，用于比较不同量纲变量的相对重要性。level(90)可以把置信区间从默认的 95% 改成 90%。noconstant是强制过原点，除非你非常确定回归线必须经过原点，否则不要加——强行去掉截距会让所有系数的含义发生改变。

3.2 方差分解表：先判断模型整体站不站得住

表的上半部分是：

F 检验的原假设是"所有自变量的系数同时为零"，它检验的是整组变量，而不是某一个。这一点常被误解：F 检验不显著但你关心的那个变量 t 检验显著，这种情况说明模型整体很弱，那个显著结果很可能是不稳定样本下的偶发，不要急着当结论用。

Adj R-squared 和 R-squared 的差别在于前者惩罚了参数个数。你每往模型里加一个变量，R² 一定不会下降，哪怕加的是随机数，这就让 R² 在模型比较里失去了意义。Adj R² 会下降，所以"加变量后 R² 上升"不构成保留该变量的理由。Root MSE 常被忽略，但它在比较同一因变量、不同设定的模型时非常直观。

3.3 系数表：五列信息各管什么

下半部分每一行对应一个自变量，列分别是 Coef.、Std. Err.、t、P>|t|、[95% Conf. Interval]。

Coef.是点估计值，量纲和因变量、自变量的量纲绑定，不能直接横向比较大小——除非做了标准化。

Std. Err.是估计的不确定程度。样本量越大、自变量变异越大、共线性越低，标准误越小。看到标准误比系数还大，说明这个估计非常不稳。

t 值就是 Coef. 除以 Std. Err.，Stata 帮你算好了。它不是独立信息，而是前两列的比值。

P>|t|是原假设"该系数为零"成立时，观测到当前或更极端 t 值的概率。它受样本量影响极大：样本几万的时候，一个业务上毫无意义的微小系数也可能显著；样本只有几十的时候，真实的大效应也可能不显著。所以我不建议把 0.05 当成生死线，把它当作一个连续的证据强度更合理。

置信区间和 p 值是一体两面。区间跨过 0 等价于 p 大于 0.05。我更愿意先看区间：它直接告诉你效应可能的范围。样本小的时候经常出现 p 小于 0.05 但区间宽得离谱（比如系数 0.5，区间 [0.02, 0.98]）的情况，这时候说"显著的正向影响"是自欺欺人，实际含义是"方向可能是正的，也可能接近零"。

3.4 输出表里没有的东西，才是真正的风险点

Stata 默认不会打印 VIF，不会做异方差检验，不会标记强影响点。它给的是一个"在理想假设全成立时"的结果。这些假设是否成立，得你自己去查。下一节就按排查顺序把它们一个个过一遍。顺序上我的习惯是：先看分布和异常值（最基础，问题最容易发现），再看函数形式（设定错了，后面全白做），然后查共线性（影响系数稳定性），最后处理异方差（影响标准误和推断）。

4. 系数怎么讲成人话：连续、哑变量、交互项三条不同的解释路径

拿到系数不会解释，等于模型白跑。不同类型的变量，解释路径完全不同，而且这里的错误往往比技术错误更致命，因为它直接影响结论的可信度。

4.1 连续变量：注意量纲和对数变换

最基础的情形：y = 3.2 + 0.8 * x，x 每增加 1 个单位，y 平均增加 0.8 个单位，前提是其他变量不变。要注意 x 的单位——如果 x 是"万元"而你以为它是"元"，这个 0.8 的含义就差了一万倍。

对数变换的三种组合必须分清楚，这是报告里出错最多的地方：

严格来说，ln(y)对x求导得到的是比例变化b，转换成百分比更精确的公式是100*(exp(b)-1)。当 b 比较小（比如小于 0.1）时，100b和精确值差别不大，可以近似；但 b 比较大（比如 0.5 以上）的时候，用100b会明显高估，这时候老老实实用公式算。

4.2 哑变量和参照组：别忘了陷阱和基准

多分类变量用因子变量语法i.处理：

reg wage edu i.region i.industry

Stata 会自动把每个分类变量的第一个取值作为参照组，其余类别生成哑变量。想要指定参照组，用ib3.region表示以 region 等于 3 的那一类为基准。系数解释是"相对于参照组，该类别的因变量平均高出（或低于）多少"。

哑变量陷阱值得单独说：如果你手动tabulate region, generate(d)生成了全部 5 个哑变量，然后一起放进模型，会和截距项完全共线，Stata 会自动丢掉一个并给出提示。这时候丢掉的是哪一个取决于变量进入的顺序，可能导致你根本不知道当前的基准是谁。所以我更推荐直接用i.region，让 Stata 管理这件事。

还有个实际问题：参照组的选择会改变所有系数的数值，但不会改变模型整体的拟合和统计推断。报告时一定要写明基准是哪一类，否则读者无法理解系数的含义。

4.3 交互项：不要只看交互项系数就下结论

交互项用来回答"x 对 y 的影响在不同群体里是否不同"，这也是亚组分析最常见的做法。语法上，#表示只有交互项，##表示主效应加交互项：

reg wage c.edu##i.female

c.edu##i.female展开后等于edu+i.female+edu#i.female三项。如果只写c.edu#i.female，模型里就没有性别的主效应，解释会变得别扭，一般不推荐。

关键的坑在这里：交互项的系数显著，只能说明"两组斜率存在差异"，不能直接说明"某一组里 x 有显著影响"。正确的做法是用margins：

margins female, dydx(edu) marginsplot

第一行命令会给出两组各自的教育回报率及其标准误、置信区间，这才是可以直接报告的数字。marginsplot 把结果画成图，比一堆数字更直观。我见过不少论文在交互项显著之后，只报告了分组回归的系数就下结论，逻辑上是不完整的。

4.4 标准化系数：只在同一个模型内部有意义

当自变量量纲相差悬殊（比如年龄是几十，GDP 是几万亿），直接比较系数大小没有意义。加beta选项可以得到标准化系数，它表示自变量变动一个标准差，因变量变动多少个标准差。用于同一模型内的相对重要性排序是合适的，跨模型比较就要小心，因为样本和变量集合一变，标准差也变了。

5. 诊断别只做一种：共线性、异方差、异常值、函数形式的排查顺序

我把诊断分成四块，按我自己的排查顺序展开。顺序不是绝对的，但这个顺序的好处是：前面的问题被发现并处理掉，后面的检验才更有意义。

5.1 多重共线性：VIF 高不一定就要删变量

reg y x1 x2 x3 estat vif

输出里每个变量一个 VIF 值，还有 1/VIF。经验阈值通常说 VIF 大于 10 提示严重共线，保守一点用 5。但这里有个必须讲清楚的逻辑：共线性本身不会让系数估计产生偏误，它只会让系数的标准误变大、估计变得不稳定。也就是说，共线性高的时候，你更容易得到不显著的结果，但你得到的显著结果依然是可信的方向。

所以看到高 VIF 不要条件反射地删变量。先问两个问题：这个变量是不是理论上必须控制的？删了它会不会引入遗漏变量偏误？如果它重要，那宁可接受较大的标准误，也要保留。只有在两个变量测量的是几乎同一个东西（比如"总收入"和"工资收入"），才有充分理由合并或删除其一。其他可选的处理方式包括主成分回归、增大样本量、或者用岭回归这类带偏但方差更小的估计方法。

顺便提醒一句：estat vif只能紧跟reg之后使用，如果中间插了别的估计命令，会提示找不到结果。另外，只要模型里包含因子变量或者交互项，estat vif会为每个展开后的项都报一个值，解读时要留意。

5.2 异方差：先看图，再做检验，最后决定要不要改标准误

最直观的检查是画残差图：

reg y x1 x2 rvfplot

rvfplot画的是残差对拟合值，如果点云呈现喇叭形（拟合值越大，残差越分散），基本可以确认存在异方差。再补一个正式检验：

estat hettest estat imtest, white

estat hettest是 Breusch-Pagan 类的检验，estat imtest, white是 White 检验。原假设都是"同方差"。p 值小于 0.05 就拒绝同方差假设。

处理方式上，我的默认选择是直接把vce(robust)加进模型，而不是去做加权最小二乘（WLS）。原因很简单：稳健标准误不需要你正确设定异方差的具体形式，代价只是标准误可能略大一点点，换来的是推断的可靠性。WLS 需要你知道方差和某个变量的函数关系，猜错了反而更糟。

聚类标准误是另一个场景。同一家公司多个年度、同一所学校多个学生，这类数据里误差项在组内相关，必须用vce(cluster id)。判断标准是：如果你的观测可以自然分组，并且在组内不独立，就该用聚类。注意聚类数量太少（比如少于 30 到 40 组）时，标准误本身也不可靠，这时要用 bootstrap 或者野生聚类 bootstrap 之类的替代方案。

5.3 异常值和强影响点：分清"离群"和"有影响力"

异常值有两个维度：因变量方向离群（残差大）和自变量方向离群（杠杆高）。Stata 里可以这样看：

reg y x1 x2 predict resid, residuals predict lev, hat predict cooksd, cooksd lvr2plot dfbeta

阈值方面的经验规则：杠杆值大于2k/n（k 是自变量个数，n 是样本量）值得关注；CooksD 大于4/n就属于强影响点。lvr2plot画的杠杆-残差平方图能一眼看出右上角那几个点——它们同时具备高杠杆和大残差，对系数的影响最大。

发现强影响点之后的处理流程，我建议按这个顺序：先核对原始数据是不是录入错误，这一步能解决相当一部分问题；确认数据无误后，判断这个观测是否属于研究总体（比如研究普通企业却混进了一家巨型央企）；如果确实属于总体内，就做敏感性分析——删掉它们重跑一遍，看结论是否变化。如果结论对几个点这么敏感，那本身就是一个需要如实报告的发现，而不是藏起来。

5.4 函数形式：设定错了，后面全白做

诊断顺序里我把函数形式放在靠前的位置，因为它是最容易被忽略、后果又最严重的一类问题。检验手段有：

estat ovtest // Ramsey RESET 检验 linktest // 检查是否需要增加非线性项

estat ovtest检验的是模型是否需要加入拟合值的幂次项，显著就意味着可能存在遗漏的非线性关系。linktest会重新跑一个包含拟合值和拟合值平方的模型，如果平方项显著，说明线性设定不够。

可视化上，avplots给出每个自变量对因变量的偏回归图，rvpplot画残差对各自变量。图上如果呈现明显的弯曲形状（比如 U 形），说明该变量可能需要平方项或者取对数。另外，残差正态性的检验（sktest、swilk）在小样本里值得做，但在大样本里由于中心极限定理，正态性对系数推断的影响很有限，不要为了这个折腾太久。

6. 稳健性与亚组分析：让结论经得起追问

模型跑通、诊断过关，只能说技术上没问题。真正的考验是别人问"换个指标会不会变""换个样本会不会变""换个时间段会不会变"。

6.1 嵌套模型对比与信息准则

比较嵌套模型的标准做法是存结果再对比：

reg y x1 x2 estimates store m1 reg y x1 x2 x3 x4 estimates store m2 lrtest m1 m2 estat ic

lrtest做的是似然比检验，原假设是"受限模型（少的那个）足够"。estat ic给出 AIC 和 BIC，适用于比较非嵌套模型。要格外注意：AIC/BIC 和 R² 不是一回事，前者偏向预测能力，后者偏向解释力，报告里选哪个要看你的研究目的。

6.2 亚组分析：分组回归不能直接比较系数

这是审稿意见里出现频率极高的一条。很多人做了分样本回归，看到一组显著、一组不显著，就得出"该效应只存在于某一组"的结论。这个推理是错的——一组显著一组不显著，可能只是因为一组的样本量小、标准误大，两组的系数差异在统计上并不显著。

正确做法有两条路。推荐的是交互项法，前面讲过，用margins给出两组各自的边际效应，用交互项本身的检验判断差异。另一条路是分样本回归后做组间系数差异检验：

reg y x controls if group == 1 estimates store g1 reg y x controls if group == 0 estimates store g2 suest g1 g2 test [g1_mean]x = [g2_mean]x

suest把两个独立估计的结果合并起来做联合检验。有几个注意点：如果模型里用了vce(robust)，suest的兼容性要确认；两个子样本里必须存在同名但互不重叠的变量，所以一般需要先在两个子样本里各生成一份变量再合并，操作上略显繁琐。所以我日常更倾向交互项法，代码短、解读清晰、也更容易画图。

6.3 换指标、换样本、换模型：稳健性三件套

稳健性检验不是走过场，它的目的是说明"结论不是因为某个特定选择才出现的"。常用的三类操作：

换指标：核心自变量有多个测量方式，比如"企业规模"可以用员工数、也可以用资产总额，两个都试一遍。因变量同理，比如"盈利能力"可以用总资产收益率也可以用净资产收益率。

换样本：剔除极端年份、剔除特定地区、剔除规模最大或最小的 1%，看结论是否稳定。如果某个子样本里结论完全反转，那要深入分析而不是回避。

换模型：OLS 换成稳健回归、分位数回归，或者对二值因变量换成 logit。模型换了结论还在，说服力就上一个台阶。

这三类做下来，通常需要三到五张表格。用esttab并排输出，比手工整理效率高得多。

6.4 逐步回归：能不用就不用

stepwise看起来很方便，自动帮你选变量。但它有个致命问题：最终模型是在数据上反复筛选出来的，此时计算出来的 p 值、置信区间都不再具有名义上的统计意义，因为它没有考虑"搜索"这个动作带来的多重比较问题。在预测任务里，它作为特征筛选工具尚可；在需要解释系数、做因果推断的场景里，我不建议使用。宁可根据理论和文献先定好变量集合，再用数据验证。

7. 结果导出与工程化：让三个月后的自己能复现

分析做完，最后一公里是交付。手工把系数敲进 Word 出错率高、改动成本大，用命令导出才是正路。

7.1 esttab 基础用法

先安装：

ssc install estout, replace

然后：

eststo clear reg ln_wage edu exper exper2 i.female, vce(robust) eststo m1 reg ln_wage edu exper exper2 i.female i.region, vce(robust) eststo m2 esttab m1 m2 using "regression_table.rtf", replace /// b(3) se(3) star(* 0.10 ** 0.05 *** 0.01) /// r2 ar2 nogap label

几个参数值得说明：b(3)控制系数保留三位小数，se(3)控制标准误位数，star()定义显著性星号阈值，nogap去掉模型之间的空行让表格更紧凑，label用变量标签而不是变量名。把结果存成.rtf的好处是可以直接用 Word 打开，格式基本可编辑。

7.2 并排输出的实用技巧

多模型并排时，几组选项经常一起用：

• keep()只保留关心的变量，把控制变量的系数藏起来，indicate()则可以把一组变量合并成一行显示"已控制"
• mtitles("模型1" "模型2")自定义表头
• order()调整变量出现顺序，把核心变量放在最前面
• stats(N r2 ar2, labels("样本量" "R²" "调整R²"))控制底部报告哪些统计量
• drop(*.region)剔除某一组展开的哑变量

如果团队里习惯用outreg2，它的用法类似，outreg2 using file.doc, replace ctitle(模型1)，第一步用replace，后续追加不加该选项，它会自动把新模型加到同一张表里。

7.3 do 文件的分层结构

我给 do 文件定过一个模板，用到现在比较顺手：00_master.do负责依次调用其他文件，01_clean.do做数据清洗和变量构造，02_analysis.do跑模型，03_export.do导表。每一层都从原始数据开始跑，中间文件用save落地，这样任何一步出错都能快速定位到源头而不是从头再来。

还有两个细节容易被忽略：一是版本声明，Stata 从 11 版引入因子变量语法，不同版本对某些命令的支持也不同，在 do 文件开头写version 16这类声明，能避免换机器后结果不一致；二是可重复性，如果分析里用到随机过程（bootstrap、模拟、插补），一定要写set seed，否则第二次跑出来的数字就不一样了。

8. 那些让人抓狂的报错：r(XXX) 背后的真实原因

Stata 的报错信息以r(数字)结尾，新手看到一串数字往往直接懵。其实常见的就是那么几种。

8.1 高频错误码对照

8.2 字符串与数字的转换坑

类型不匹配是最隐蔽的一类问题，因为 Stata 只在真正用到的时候才报错。比如某个"收入"变量在导入时被识别成字符串，summarize能用（它会给个提示但能跑），一到reg就直接r(109)。

describe income destring income, replace

如果报contains nonnumeric characters，说明里面混了文字或者"未知""缺失"这类标记，先list income if missing(real(income))找出这些观测，处理完再转。

encode和destring的取舍前面提过，这里再补一句实践建议：只有当你确实需要保留文本信息的时候才用encode，纯粹做数值运算就直接destring。

8.3 因子变量语法的误用

i.、c.、#、##这套语法很强大，但用错的地方也不少。i.group表示把 group 当作分类变量；c.age明确按连续变量处理（在有歧义的地方写出来更安全）；c.age#c.age是交互项，也常用来自动生成平方项：

reg y c.age##c.age i.region

这一句同时包含 age、age 的平方、region 哑变量，等价于手工生成age2 = age^2后再回归，但写起来干净得多。另外b0.、ib.、o.这几个前缀分别表示"把某类别设为基准"、"指定基准类别"、"省略该类别"，处理共线或者调整基准时用得上，出报告前值得花十分钟熟悉。

8.4 模型之间样本量对不上

对比两个模型的系数时，如果参与估计的样本悄然变了，比较就不成立。样本变化的原因通常有三个：if条件不同、缺失值分布不同、共线性导致变量被自动剔除。第三个最隐蔽——模型里加了一个和已有变量高度共线的变量，Stata 会静默丢掉其中一个，样本量可能不变但模型已经不是你以为的那个了。

排查用这两个命令：

reg y x1 x2 x3 count if e(sample)

e(sample)标记的是实际参与估计的观测，用count数一下就知道样本量。用并排表格导出时，把N一起报出来，也是让审稿人放心的一个细节。

我自己跑了这么多年回归，最后固定下来的习惯是这样：每次分析都先跑一遍最"素"的模型，只有核心自变量和因变量，把系数记在旁边做个参照；然后逐步加入控制变量，每加一次就看一眼核心系数动了多少。如果加了某个变量之后系数剧烈变化，那这个变量就值得单独讨论，它往往揭示了重要的机制，而不是需要被"修正"的干扰。参数稳定、方向一致，才敢往报告里写。至于那些被删掉的异常值、被换掉的时间窗口、被尝试过的各种设定，都留在 do 文件里，谁知道哪天审稿人就会问起其中某一个。