STATA命令應用及詳細解釋(匯總情況).doc

1、實用標準文案STATA命令應用及詳細解釋（匯總）調整變量格式：format x1 .3f將x1的列寬固定為10，小數點后取三位format x1 .3g將x1的列寬固定為10，有效數字取三位format x1 .3e將x1的列寬固定為10，采用科學計數法format x1 .3fc將x1的列寬固定為10，小數點后取三位，加入千分位分隔符format x1 .3gc將x1的列寬固定為10，有效數字取三位，加入千分位分隔符format x1 %-10.3gc將x1的列寬固定為10，有效數字取三位，加入千分位分隔符，加入“-”表示左對齊合并數據：use C:Documents and Setting

2、sxks桌面2006.dta, clearmerge using C:Documents and Settingsxks桌面1999.dta將1999和2006的數據按照 樣本（observation）排列的自然順序合并起來use C:Documents and Settingsxks桌面2006.dta, clearmerge id using C:Documents and Settingsxks桌面1999.dta ,unique sort將1999和2006的數據按照唯一的（unique）變量 id來合并，在合并時對id進行排序（sort）建議采用第一種方法。對樣本進行隨機篩選：sam

3、ple 50在觀測案例中隨機選取50%的樣本，其余刪除sample 50,count在 觀測案例中隨機選取50個樣本，其余刪除查看與編輯數據：browse x1 x2 if x33（按所列變量與條件打開數據查看器）edit x1 x2 if x33（按所列變量與條件打開數據編輯器）數據合并（merge）與擴展（append）merge表示樣本量不變，但增加了一些新變量；append表示樣本總量增加了，但變量數 目不變。one-to-one merge：數據源自stata tutorial中的exampw1和exampw2第一步： 將exampw1按v001v003這三個編碼排序，并建立臨時數據

4、庫tempw1clearuse t:statatutexampw1.dtasusummarize的簡寫sort v001 v002 v003save tempw1第二步：對exampw2做同樣的 處理clearuse t:statatutexampw2.dtasusort v001 v002 v003save tempw2第三步：使用tempw1數據庫，將其與tempw2合并：clearuse tempw1merge v001 v002 v003 using tempw2第四步：查看合并后的數據狀況：ta _mergetabulate _merge的簡寫su第五步：清理臨時數據庫，并刪 除_m

5、erge，以免日后合并新變量時出錯erase tempw1.dtaerase tempw2.dtadrop _merge數據擴展append：數據源自stata tutorial中的fac19和newfacclearuse t:statatutfac19.dtata regionappend using t:statatutnewfacta region合并后樣本量增加，但變量數不變莖葉圖：stem x1,line(2)（做x1的莖葉圖，每一個十分位的樹莖都被拆分成兩段來顯示，前半段為04，后半段為59）stem x1,width(2)（做x1的莖葉圖，每一個十分位的樹莖都被拆分成五段來顯示，

6、每個小樹莖的組距為2）stem x1,round(100)（將x1除以100后再做x1的莖葉圖）直方圖采用auto數據庫histogram mpg, discrete frequency normal xlabel(1(1)5)（discrete表示變量不連續，frequency表示顯示頻數，normal加入正太分布曲線，xlabel設 定x軸，1和5為極端值，(1)為單位）histogram price, fraction norm（fraction表示y軸顯示小數，除了frequency和 fraction這兩個選擇之外，該命令可替換為“percent”百分比，和“density”密度；未

7、加上discrete就表示將price當作連 續變量來繪圖）histogram price, percent by(foreign)（按照變量“foreign”的分類，將不同類樣本的 “price”繪制出來，兩個圖分左右排布）histogram mpg, discrete by(foreign, col(1)（按照變量“foreign”的分類，將不同類 樣本的“mpg”繪制出來，兩個圖分上下排布）histogram mpg, discrete percent by(foreign, total) norm（按照變量 “foreign”的分類，將不同類樣本的“mpg”繪制出來，同時繪出樣本整體的

8、“總”直方圖）二變量圖：graph twoway lfit price weight | scatter price weight（作 出price和weight的回歸線圖“lfit”，然后與price和weight的散點圖相疊加）twoway scatter price weight,mlabel(make)（做price和weight的散點圖，并在每個點上 標注“make”，即廠商的取值）twoway scatter price weight | lfit price weight,by(foreign)（按照變量 foreign的分類，分別對不同類樣本的price和weight做散點圖和

9、回歸線圖的疊加，兩圖呈左右分布）twoway scatter price weight | lfit price weight,by(foreign,col(1)（按 照變量foreign的分類，分別對不同類樣本的price和weight做散點圖和回歸線圖的疊加，兩圖呈上下分布）twoway scatter price weight fweight= displacement,msymbol(oh)（畫 出price和weight的散點圖，“msybol(oh)”表示每個點均為中空的圓圈，fweight= displacement表示每個點的大小與displacement的取值大小成比例）tw

10、oway connected y1 time,yaxis(1) | y2 time,yaxis(2)（畫出y1和y2這兩個變 量的時間點線圖，并將它們疊加在一個圖中，左邊“yaxis(1)”為y1的度量，右邊“yaxis(2)”為y2的）twoway line y1 time,yaxis(1) | y2 time,yaxis(2)（與上圖基本相同，就是沒有點，只顯 示曲線）graph twoway scatter var1 var4 | scatter var2 var4 | scatter var3 var4（做三個點圖的疊加）graph twoway line var1 var4 | li

11、ne var2 var4 | line var3 var4（做 三個線圖的疊加）graph twoway connected var1 var4 | connected var2 var4 | connected var3 var4（疊加三個點線相連圖）更多變量：graph matrix a b c y（畫出一個散點圖矩陣，顯示各變量之間所有可能的兩兩相互散點圖）graph matrix a b c d,half（生成散點圖矩陣，只顯示下半部分的三角形區域）用auto數據集：graph matrix price mpg weight length,half by(foreign,total c

12、ol(1) )（根據foreign變量的不同類型繪制price等四個變量的散點圖矩陣，要求繪出總圖，并上下 排列】=具）其他圖形：graph box y,over(x) yline(.22)（對應x的每一個取值構建y的箱型圖，并在y軸的 0.22處劃一條水平線）graph bar (mean) y,over(x)對應x的每一個取值，顯示y的平均數的條形圖。括號中的“mean”也可換成 median、sum、sd、p25、p75等graph bar a1 a2,over(b) stack（對應在b的每一個取值，顯示a1和a2的條形圖，a1和a2是疊放成一根條 形柱。若不寫入“stack”，則a1

13、和a2顯示為兩個并排的條形柱）graph dot (median)y,over(x)（畫點圖，沿著水平刻度，在x的每一個取值水平所對應的y的中位數上打點）qnorm x（畫出一幅分位-正態標繪圖）rchart a1 a2 a2（畫出質量控制R圖，顯示a1到a3的取值范圍）簡單統計量的計算：ameans x（計算變量x的算術平均值、幾何平均值和簡單調和平均值，均顯示樣本量和置信區間）mean var1 pweight = var2（求取分組數據的平均值和標準誤，var1為各組的賦值，var2為每組的頻數）summarize y x1 x2,detail（可以獲得各個變量的百分比數、最大最小值、樣

14、本量、平均數、標準差、方差、峰度、偏 度）*注意*stata中summarize所計算出來的峰度skewness和偏度kurtosis有問題，與ECELL和 SPSS有較大差異，建議不采用stata的結果。summarize var1 aweight = var2, detail（求取分組數據的統計量，var1為各組的賦 值，var2為每組的頻數）tabstat X1,stats(mean n q max min sd var cv)（計算變量X1的算術平均值、樣本量、四分位 線、最大最小值、標準差、方差和變異系數）概率分布的計算：（1）貝努利概率分布測試：webuse quickbitest

15、 quick=0.3,detail（假 設每次得到成功案例1的概率等于0.3，計算在變量quick所顯示的二項分布情況下，各種累計概率和單個概率是多少）bitesti 10,3,0.5,detail（計算當每次成功的概率為0.5時，十次抽樣中抽到三次成功案例的概率：低于或高于三次成功的累計概率和恰好三次 成功概率）（2）泊松分布概率：display poisson(7,6).44971106（計算均值為7，成功案例小于等于6個 的泊松概率）display poissonp(7,6).14900278（計算均值為7，成功案例恰好等于6個的泊松概率）display poissontail(7,6)

16、.69929172（計算均值為7，成功案例大于等于6個的泊松概率）（3）超幾何分布概率：display hypergeometricp(10,3,4,2).3（計算在樣本總量為 10，成功案例為3的樣本總體中，不重置地抽取4個樣本，其中恰好有2個為成功案例的概率）display hypergeometric(10,3,4,2).96666667（計算在樣本總量為10，成功案例為3的樣 本總體中，不重置地抽取4個樣本，其中有小于或等于2個為成功案例的概率）檢驗極端值的步驟：常見命令：tabulate、stem、codebook、summarize、list、histogram、 graph bo

17、x、gragh matrixstep1.用codebook、summarize、histogram、graph boxs、graph matrix、stem看檢驗數據的總體情況：codebook y x1 x2summarize y x1 x2,detailhistogram x1,norm（正態直方圖）graph box x1（箱圖）graph matrix y x1 x2,half（畫出各個變量的兩兩x-y圖）stem x1（做x1的莖葉圖）可以看出數據分布狀況，尤其是最大、最小值step2.用tabulate、list細致尋找極端值tabulate code if x1=極端值（作出x1

18、等于極端值時code的頻數分布表，code表示地區、年份等序列變量，這樣便可找出那些地區的數值出現了錯誤）list code if x1=極端值（直接列出x1等于極端值時code的值，當x1的錯誤過多時，不建議使用該命令）list in -20/l（l表示last one，-20表示倒數第20個樣本，該命令列出了從倒數第20個到倒數第一個樣本的各變量值）step3.用replace命令替換極端值replace x1=? if x1=極端值去除極端值：keep if y1000對數據排序：sort xgsort +x（對數據按x進行升序排列）gsort -x（對數據按x進行 降序排列）gsort

19、 -x, generate(id) mfirst（對數據按x進行降序排列，缺失值排最前，生成反映位次的變量 id）對變量進行排序：order y x3 x1 x2（將變量按照y、x3、x1、x2的順序排列）生成新變量：gen logx1=log(x1)（得出x1的對數）gen x1=exp(logx1)（將logx1反對數化）gen r61_100=1 if rank=61&rankx2,x1,x2)（若x1x2成立，則取x1，若x1x2不成立，則取x2）sort xgen gx=group(n)（將經過排序的變量x分為盡量等規模的n個組）egen zx1=std(x1)（得出x1的標準值，就

20、是用(x1-avgx1)/sdx1）egen zx1=std(x1),m(0) s(1)（得出x1的標準分，標準分的平均值為0，標準差為1）egen sdx1=sd(x1)（得出x1的標準差）egen meanx1=mean(x1)（得出x1的平均值）egen maxx1=max(x1)（最大值）egen minx1=min(x1)（最小值）egen medx1=med(x1)（中數）egen modex1=mode(x1)（眾數）egen totalx1=total(x1)（得出x1的總數）egen rowsd=sd(x1 x2 x3)（得出x1、x2和x3聯合的標準差）egen rowme

21、an=mean(x1 x2 x3)（得出x1、x2和x3聯合的平均值）egen rowmax=max(x1 x2 x3)（聯合最大值）egen rowmin=min(x1 x2 x3)（聯合最小值）egen rowmed=med(x1 x2 x3)（聯合中數）egen rowmode=mode(x1 x2 x3) （聯合眾數）egen rowtotal=total(x1 x2 x3)（聯合總數）egen xrank=rank(x)（在不改變變量x各個值排序的情況下，獲得反映x值大小排序的xrank）數據計算器display命令：display x12（顯示x的第十二個觀察值）display c

22、hi2(n,x)（自由度為n的累計卡方分布）display chi2tail(n,x)（自由度為n的反向累計卡方分布，chi2tail(n,x)=1-chi2(n,x)）display invchi2(n,p)（卡方分布的逆運算，若chi2(n,x)=p，那么invchi2(n,p)=x）display invchi2tail(n,p)（chi2tail的逆運算）display F(n1,n2,f)（分子、分母自由度分別為n1和n2的累計F分布）display Ftail(n1,n2,f)（分子、分母自由度分別為n1和n2的反向累計F分布）display invF(n1,n2,P)（F分布的逆

23、運算，若F(n1,n2,f)=p，那么invF(n1,n2,p)=f）display invFtail(n1,n2,p)（Ftail的逆運算）display tden(n,t)（自由度為n的t分布）display ttail(n,t)（自由度為n的反向累計t分布）display invttail(n,p)（ttail的逆運算）給數據庫和變量做標記：label data （對現用的數據庫做標記，就是標記，可自行填寫）label variable x （對變量x做標記）label values x label1（賦予變量x一組標簽:label1）label define label1 1 a1 2

24、 a2（定義標簽的具體內容：當x=1時，標記為a1，當x=2時，標記為a2）頻數表：tabulate x1,sorttab1 x1-x7,sort（做x1到x7的頻數表，并按照頻數以降序顯示行）table c1,c（n x1 mean x1 sd x1）（在分類變量c1的不同水平上列出x1的樣本量和平均值）二維交互表：auto數據 庫：table rep78 foreign, c(n mpg mean mpg sd mpg median mpg) center row col（rep78，foreign均為分類變量，rep78為行變量，foreign為列變量，center表示結果顯示在單元格中

25、 間，row表示計算行變量整體的統計量，col表示計算列變量整體的統計量）tabulate x1 x2,all（做x1和x2的二維 交互表，要求顯示獨立性檢驗chi2、似然比卡方獨立性檢驗lrchi2、對定序變量適用的等級相關系數gamma和taub、以及對名義變量適用的V）tabulate x1 x2,column chi2（做x1和x2的二維交互表，要求顯示列百分比和行變量和列變量的獨立性檢驗零假設為變量之間獨立無統計關系）tab2 x1-x7,all nofreq（對x1到x7這七個變量兩兩地做二維交互表，不顯示頻數：nofreq）三維交互表：by x3,sort:tabulate x1

26、 x2,nofreq col chi2（同時進行x3的每一個取值內的x1和x2的二維交互表，不顯示頻數、顯示列百分比和獨立性檢驗）四維交互表：table x1 x2 x3,c(ferq mean x1 mean x2 mean x3) by(x4)tabstat X1 X2,by(X3) stats(mean n q max min sd var cv) col(stats)tabstat X1 X2,by(X3) stats(mean range q sd var cv p5 p95 median),aw=X4（以X4為權重求X1、X2的均值，標準差、方差等）ttest X1=1count

27、if X1=0count if X1=0gen X2=1 if X1=0corr x1 x2 x3（做x1、x2、x3的相關系數表）swilk x1 x2 x3（用Shapiro-Wilk W test對x1、x2、x3進行正太性分析）sktest x1 x2 x3（對x1、x2、x3進行正太性分析，可以求出峰度和偏度）ttest x1=x2（對x1、x2的均值是否相等進行T檢驗）ttest x1,by(x2) unequal（按x2的分組方式對x1進行T檢驗，假設方差不齊性）sdtest x1=x2（方差齊性檢驗）sdtest x1，by(x2)（按x2的分組方式對x1進行方差齊性檢驗）聚類

28、分析：cluster kmeans y x1 x2 x3, k(3)依據y、x1、x2、x3，將樣本分為n 類，聚類的核為隨機選取cluster kmeans y x1 x2 x3, k(3) measure(L1) start(everykth)start用于確定聚類的核，everykth表示將通過構造三組樣本獲得聚類核：構造方法為將樣本 id為1、1+3、1+32、1+33分為一組、將樣本id為2、2+3、2+32、2+33分為第二組，以此類推，將這三組的均值作為 聚類的核；measure用于計算相似性和相異性的方法，L1表示采用歐式距離的絕對值，也直接可采用歐式距離（L2）和歐式距離的平

29、方 （L2squared）。PS：這個方法所得的結果與SPSS所得結果相同。sort c1 c2（對c1和c2兩個分類變量排序）by c1 c2：reg y x1 x2 x3（在c1、c2的各個水平上分別進行回歸）bysort c1 c2：reg y x1 x2 x3 if c3=1（逗號前面相當于將上面兩步驟合一，既排序又回歸，逗號后面的“if c3=1”表示只有在c3=1的情況下才進行回歸）stepwise, pr(.2): reg y x1 x2 x3(使用Backward selection，去除P值大于0.2時變量)stepwise, pe(.2): reg y x1 x2 x3(使

30、用forward selection，去除P值小于0.2時變量)stepwise, pr(.2) pe(.01):reg y x1 x2 x3（使用backward-stepwise selection，取P值在0.01和0.2之間的變量）stepwise, pe(.2) forward: reg y x1 x2 x3（使用forward-stepwise selection）reg y x1 x2 x3predict Yhat,xbpredict u,residpredict ustd,stdr（獲得殘差的標準誤）predict std,stdp（獲得y估計值的標準誤）predict std

31、f,stdf（獲得y預測值的標準誤）predict e,e(1,12)（獲得y在1到12之間的估計值）predict p,pr(1，12)（獲得y在1到12之間的概率）predict rstu,rstudent（獲得student的t值）predict lerg,leverage（獲得杠桿值）predict ckd,cooksd（獲得cooksd）reg y x1 x2 x3 c1 c2adjust x1 x2 x3，se（使得變量x1、x2和x3等于其均值，求y的預測值和標準誤）adjust x1 x2 x3，stdf ci（使得變量x1、x2和x3等于其均值，求y的預測值，預測標準誤和置信

32、區間）adjust x1 x2,by(c1) se ci（控制變量x1、x2，亦即取它們的均值，在分類變量c1的不同水平上求y預測值，標準誤和置信區間）adjust x1 x2 x3,by(c1) stdf ci（控制變量x1、x2、x3，亦即取它們的均值，在分類變量c1的不同水平上求y預測值，預測標準誤和置信區間）adjust x1 x2,by(c1 c2) se ci（控制變量x1、x2，在分類變量c1、c2的不同水平上求y的預測值，標準誤和置信區間）adjust x1 x2 x3,by(c1 c2) stdf ci（控制變量x1、x2、x3，在分類變量c1、c2的不同水平上求y的預測值，

33、預測標準誤和置信區間）adjust x1=a x2=b x3=c，se ci（當x1=a、x2=b、x3=c時，求y的預測值、標準誤和置信區間）adjust x1=a x2=b x3=c，by(c1) se ci（當x1=a、x2=b、x3=c時，在分類變量c1的不同水平上，求y的預測值、標準誤和置信區間）adjust x1=a x2=b c1=1，by(c1) se ci（當x1=a、x2=b，并假設所有的樣本均為c1=1，求在分類變量c1的不同水平上，因為變量x3的均值不同，而導致的y的不同的預測值）mvreg Y1 Y2 : X1 X2 X3（多元回歸）mvreg y1 y2 y3: x

34、1 x3 x3（多元回歸分析，y1 y2 y3為因變量，x1 x3 x3為自變量）以下命令只有在進行了mvreg之后才能進行test y1（測試對y1的回歸系數聯合為0）test y1: x1 x2（測試對y1的回歸中x1、x2的系數為0）test x1 x2 x3（測試在所有的回歸中，x1、x2、x3的系數均為0）test y1=y2（對y1的回歸和對y2的回歸系數相等）test y1=y2: x1 x2 x3, mtest（對y1和y2的回歸中，分別測試x1、x2、x3的系數是否相等，若沒有mtest這個命令，則測試他們的聯和統計）test y1=y2=y3（三個回歸的系數是否相等，可加m

35、test以分別測試）test y1=y2=y3: x1 x2 （測試三個回歸中的x1、x2是否相等，可加mtest）est命令的用法：（1）儲存回歸結果：reg y x1 x2 x3（不限于reg，也可儲存ivreg、mvreg、reg3）est store A（2）重現回歸結果：est replay A（3）對回歸結果進行進一步分析est for A:sum（對A回歸結果中的各個變量運行sum命令）異方差問題：獲得穩健性標準誤reg y x1 x2 x3 if c1=1（當分類變量c1=1時，進行y和諸x的回歸）reg y x1 x2 x3,robust（回歸后顯示各個自變量的異方差-穩健性

36、標準誤）estat vif（回歸之后獲得VIF）estat hettest,mtest（異方差檢驗）異方差檢驗的套路：（1）Breusch-pagan法：reg y x1 x2 x3predict u,residgen usq=u2reg usq x1 x2 x3求F值display R/(1-R)*n2/n1（n1表示分子除數，n2表示分母除數）display Ftail()求LM值display R*n（n表示總樣本量）display chi2tail()（2）white法：reg y x1 x2 x3predict u,residgen usq=u2predict ygen ysq=y2

37、reg usq y ysq求 F值display R/(1-R)*n2/n1（n1表示分子除數，n2表示分母除數）display Ftail()求 LM值display R*n（n表示總樣本量）display chi2tail()（3）必要補充F值和LM值 轉換為P值的命令：display Ftail(n1,n2,a)（利用F值求p值，n1表示分子除數，n2表示分母除數，a為F值）display chi2tail(n3,b)（利用LM值求p值，n3表示自由度的損失量，一般等于n1，b為LM值）異方差的糾正WLS（weighted least square estimator）（1）基本思路：r

38、eg y x1 x2 x3 aw=x1（將x1作為異方差的來源，對方程進行修正）上式相當于：reg y/(x10.5) 1/(x10.5) x1/(x10.5) x2/(x10.5) x3/(x10.5),noconstant（2）糾正異方差的常用 套路（構造h值）reg y x1 x2 x3predict u,residgen usq=u2gen logusq=log(usq)reg logusq x1 x2 x3predict ggen h=exp(g)reg y x1 x2 x3 aw=1/h異方差hausman檢驗：reg y x1 x2 x3est store A（將上述回歸結果儲存

39、到A中）reg y x1 x2 x3 aw=1/hest store Bhausman A B當因變量為對數形式時（log(y)）如何預測yreg logy x1 x2 x3predict kgen m=exp(k)reg y m,noconstantm的系數為iy的預測值=iexp(k)方差分析：一元方差分析anova y g1 / g1|g2 /（g*表示不同分類變量，計算g1和交互項/ g1|g2 /這兩種分類的y值是否存在組內差異）anova y d1 d2 d1*d2（d*表示虛擬變量，計算d1、d2和d1*d2的這三種分類的y值是否有組內差異）anova y d1 d2 x1 d2

40、*x1, continuous(x1)（x*表示連續的控制變量）多元方差分析webuse jawmanova y1 y2 y3 = gender fracture gender*fracture（按性別、是否骨折及二者的交互項對y1、y2和y3進行方差分析）manova y1 = gender fracture gender*fracture（相當于一元方差分析，以y1為因變量）webuse nobetweengen mycons = 1manova test1 test2 test3 = mycons, noconstantmat c = (1,0,-1 0,1,-1)manovatest

41、mycons, ytransform(c)進行多元回歸的方法：多元回歸分析：（與mvreg相同）foreach vname in y1 y2 y3 （確定y變量組vname）reg vname x1 x2 x3（將y變量組中的各個變量與諸x變量進行回歸分析，注意vname的標點符號）上式等價于：mvreg y1 y2 y3 = x1 x2 x3reg3命令：（1）簡單用法：reg3 (y1 = x1 x2 x3) (y2 = x1 x3 x4) (y3 = x1 x2 x5)測試y1 coefs = 0test y1測試不同回歸中相同變量的系數：test y1=y2=y3, commontes

42、t (y1=y2) (y1=y3), common constant（constant表示包含截距項）（2）用reg3進行2SLSreg3 (y1 = y2 x1 x2) (y2 = y1 x4),2sls（2）用reg3進行OLSreg3 (y1 = y2 x1 x2) (y2 = y1 x4),ols對兩個回歸結果進行hausman檢驗：reg3 (y1=x1 x2 x3)(y2=y1 x4),2slsest store twoslsreg3 (y1=x1 x2 x3)(y2=y1 x4),olsest store olshausman twosls ols,equations(1:1)（

43、對兩次回歸中的方程1，即“y1=x1 x2 x3”進行hausman檢驗）hausman twosls ols,equations(2:2)（對兩次回歸中的方程2，即“y2=y1 x4”進行hausman檢驗）hausman twosls ols,alleqs（對所有方程一起進行檢驗）檢驗忽略變量（模型的RESET）：reg y x1 x2 x3estat ovtest滯后變量的制取對變量y滯后一期：gen y_l1=y_n-1滯后兩期：gen y_l2=y_n-2以 此類推。制取樣本序號：gen id=_n獲得樣本總量：gen id=_N時間序列回歸：回歸元嚴格外生時AR(1)序列相關的檢驗

44、reg y x1 x2predict u,residgen u_1=u_n-1reg u u_1,noconstant回歸之后，u_1的序數如果不異于零，則該序列不相關用Durbin-Watson Statistics檢驗序列相關：tsset year（對時間序列回歸中代表時間的變量進行定義）reg y x1 x2dwstat（求出時間序列回歸的DW值）durbina（對該回歸是否具有序列相關進行檢驗，H0為無序列相關，可根據chi2值求出P值）durbina,small（small可以根據F值求出P值，以代替chi2值）durbina,force（讓檢驗能在robust、neway之后進行）durbina,sm