回歸分析beta值的標準 - CSDN

5# sungmoo

總結兩位老師的解答，問題得以解決，舉例如下(附do文件及結果)：

reg y x1-x6 與 reg y x1-x6,beta  結果回歸係數一樣，但前者沒有顯示標準回歸係數，並且後者的標準係數也沒有辦法貯存在變量或matrix中，這是我比較關心的

但通過將數據標準化後，reg y x1-x6與reg y x1-x6,beta結果便一樣，並且reg y x1-x6,beta中回歸係數和標準回歸係數是相同的，並且mat a=e(b) 可以引用標準回歸係數(實質上我引用的是與標準回歸係數相同的回歸係數)

不知對否，請各位老師指正！

另外我還有一個不會用，比如我想把結果中的每個標準係數存在scalar a1 a2...，不知怎麼實現，請老師們指導！

capture sysuse auto,clear

drop mpg

drop rep78

drop headroom

drop trunk

drop turn

drop foreign

egen sprice=std(price),mean(0) std(1)

egen sw=std(weight),mean(0) std(1)

egen sl=std(length),mean(0) std(1)

egen sd=std(disp),mean(0) std(1)

egen sg=std(gear),mean(0) std(1)

reg  price weight length displacement gear_ratio

reg  price weight length displacement gear_ratio,beta

reg  sprice sw sl sd sg,beta

ereturn list

mat a=e(b)

matlist a

結果如下，

. reg  price weight length displacement gear_ratio

Source        SS       df       MS              Number of obs =      74

F(  4,    69) =   11.04

Model    247810070     4  61952517.6           Prob > F =  0.0000

Residual    387255326    69  5612396.02           R-squared =  0.3902

Adj R-squared =  0.3549

Total    635065396    73  8699525.97           Root MSE =    2369

price       Coef.   Std. Err.      t    P>t     [95% Conf. Interval]

weight    4.915578   1.367776     3.59   0.001      2.18694 7.644216

length   -103.8873   38.64346    -2.69   0.009    -180.9788 -26.79567

displacement    9.570863   7.893187     1.21   0.229    -6.175615 25.31734

gear_ratio    2395.815   1091.898     2.19   0.032      217.537 4574.092

_cons     1735.29   5817.673     0.30   0.766    -9870.649 13341.23

. reg  price weight length displacement gear_ratio,beta

Source        SS       df       MS              Number of obs =      74

F(  4,    69) =   11.04

Model    247810070     4  61952517.6           Prob > F =  0.0000

Residual    387255326    69  5612396.02           R-squared =  0.3902

Adj R-squared =  0.3549

Total    635065396    73  8699525.97           Root MSE =    2369

price       Coef.   Std. Err.      t    P>t Beta

weight    4.915578   1.367776     3.59   0.001 1.295257

length   -103.8873   38.64346    -2.69   0.009 -.7842659

displacement    9.570863   7.893187     1.21   0.229 .2980039

gear_ratio    2395.815   1091.898     2.19   0.032 .3706326

_cons     1735.29   5817.673     0.30   0.766 .

. reg  sprice sw sl sd sg,beta

Source        SS       df       MS              Number of obs =      74

F(  4,    69) =   11.04

Model   28.4854684     4   7.1213671           Prob > F =  0.0000

Residual    44.514532    69  .645138145           R-squared =  0.3902

Adj R-squared =  0.3549

Total   73.0000004    73  1.00000001           Root MSE =   .8032

sprice       Coef.   Std. Err.      t    P>t Beta

sw    1.295257   .3604096     3.59   0.001 1.295257

sl   -.7842659   .2917273    -2.69   0.009 -.7842659

sd    .2980039   .2457669     1.21   0.229 .2980039

sg    .3706326   .1689167     2.19   0.032 .3706326

_cons    3.13e-09   .0933707     0.00   1.000 .

. ereturn list

scalars:

e(N) = 74

e(df_m) = 4

e(df_r) = 69

e(F) = 11.03851501263808

e(r2) = .3902118936857077

e(rmse) = .8032049208933202

e(mss) = 28.48546839290257

e(rss) = 44.51453200135989

e(r2_a) = .3548618585370531

e(ll) = -86.19622382315104

e(ll_0) = -104.4980425309136

e(rank) = 5

macros:

e(cmdline) : "regress sprice sw sl sd sg,beta"

e(title) : "Linear regression"

e(marginsok) : "XB default"

e(vce) : "ols"

e(depvar) : "sprice"

e(cmd) : "regress"

e(properties) : "b V"

e(predict) : "regres_p"

e(model) : "ols"

e(estat_cmd) : "regress_estat"

matrices:

e(b) : 1 x 5

e(V) : 5 x 5

functions:

e(sample)

. mat a=e(b)

. matlist a

sw sl         sd sg _cons

y1   1.295257 -.7842659   .2980039 .3706326 3.13e-09