stata中bootstrap结果怎么看

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

在 Stata 中，使用 `bootstrap` 命令进行引导抽样分析时，输出的结果通常包括回归系数、标准误、置信区间等引导抽样估计结果的统计信息。以下是如何理解和查看 `bootstrap` 的结果，以及一些相关操作的详细说明。
---
### **1. `bootstrap` 的基础用法**
引导抽样是一种通过重复抽样估计参数分布的非参数方法。在 Stata 中，`bootstrap` 命令可以用来生成参数的标准误和置信区间，从而更好地评估估计结果的稳健性。
**基本语法：**
```stata
bootstrap estat_name=r(est), reps(#): command
```
- `estat_name`：要保存的统计量名称，一般是回归输出中的参数或模型的某些特定指标。
- `reps(#)`：引导抽样的重复次数，默认为 50，通常建议设置为较大的值（如 1000）。
- `command`：需要执行的 Stata 命令，比如回归、t 检验等。
**示例：**
对一个简单线性回归模型进行引导抽样：
```stata
sysuse auto, clear
bootstrap, reps(1000): regress price weight mpg
```
---
### **2. 基本输出解读**
运行 `bootstrap` 命令后，Stata 会输出结果表，主要包括以下几部分：
#### **
（1）回归系数（Observed Coef.）**
该列显示的是通过原始数据估计得到的回归系数（未经过引导抽样的原始估计值）。
#### **
（2）标准误（Bootstrap Std. Err.）**
该列显示的是通过引导抽样计算得到的参数标准误。它是基于多次随机抽样后计算的分布特性，反映了参数估计的不确定性。
#### **
（3）置信区间（[95% Conf. Interval]）**
引导抽样估计的置信区间，通常是通过样本分布的百分位数计算得到的。
- **下限**：置信区间的 2.5 百分位。
- **上限**：置信区间的 97.5 百分位（默认 95% 置信水平）。
#### **
（4）显著性（P-value）**
传统 `regress` 回归分析中会直接报告 p 值，但在引导抽样中，Stata 不会直接包含 p 值。如果需要判断系数显著性，建议查看置信区间是否包含零：
- 如果置信区间不包含零，则变量是显著的。
- 如果置信区间包含零，则变量不显著。
**输出示例：**
```stata
Bootstrap results                               Number of obs     =       74
                                                Replications      =     1000
------------------------------------------------------------------------------
             |   Observed   Bootstrap                         Bias   Std. Err.
price        |    Coeff.    Coeff.   Std. Err.   [95% Conf. Interval]
-------------+---------------------------------------------------------------
weight       |     3.587      3.589     0.519     2.541     4.637
mpg          |   -49.512    -49.509    7.843    -65.456   -33.563
_cons        |  1946.067   1945.998   367.843   1224.098  2667.899  
------------------------------------------------------------------------------
```
- **Observed Coeff.**: `weight` 的原始估计系数为 3.587。
- **Bootstrap Std. Err.**: 引导抽样计算出的系数标准误为 0.519。
- **[95% Conf. Interval]**: `weight` 的置信区间为 `[2.541, 4.637]`，因其不包含零，表明该变量显著。
---
### **3. 如何保存和查看引导抽样结果**
Stata 提供了多种方式保存和进一步分析 `bootstrap` 结果：
#### **
（1）保存结果到变量**
可以将引导抽样的结果导出为变量，以便进一步分析。
```stata
sysuse auto, clear
bootstrap _b[weight] _b[mpg], reps(1000) saving(results.dta): regress price weight mpg
```
- `saving(results.dta)`：将每次引导抽样的结果保存到文件 `results.dta` 中。
保存后可以加载数据并查看：
```stata
use results.dta, clear
list
```
#### **
（2）查看分布统计**
可以使用 `estat bootstrap` 命令查看更多统计信息，例如偏度、百分位数置信区间等。
```stata
estat bootstrap
```
输出示例：
```
Bootstrap results                               Number of obs     =      74
                                                Replications      =    1000
------------------------------------------------------------------------------
             |   Observed   Bootstrap                         Bias   Std. Err.
price        |    Coeff.    Coeff.   Std. Err.   [95% Conf. Interval]
-------------+---------------------------------------------------------------
weight       |     3.587      3.589     0.519     2.541     4.637
mpg          |   -49.512    -49.509    7.843    -65.456   -33.563
```
#### **
（3）绘制直方图**
如果想可视化引导抽样的结果分布，可以绘制变量的分布图。例如：
```stata
histogram _b[weight], normal
```
- `_b[weight]` 表示 `weight` 的系数分布。
- `normal` 参数指绘制出正态分布的参考曲线。
---
### **4. 自定义置信区间方法**
默认情况下，Stata 使用百分位（percentile）法计算置信区间。如果您希望使用其他方法（如 bias-corrected 或 BCa 方法），可以通过选项指定：
示例：
```stata
bootstrap _b[weight] _b[mpg], reps(1000) bca: regress price weight mpg
```
- `bca`：基于偏差校正和加速法的置信区间。
- 可用的方法包括 `percentile`（默认）、`bca` 和 `normal`。
---
### **5. 检查引导抽样的稳健性**
为了确保引导抽样结果的可靠性，建议：
1. **增加重复次数**：重复次数越多，结果的准确性越高（如 1000 或 5000 次）。
   ```stata
   bootstrap, reps(5000): regress price weight mpg
   ```
2. **检查收敛**：如果引导抽样的标准误不稳定，可能需要调整抽样方法或检查模型设定。
---

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：Bootstrap Bootstra boots Stata boot