Stata：生成一个循环，将回归输出保存为新变量

我有微观数据，我正在对行业假人的工资进行回归

然后，我的回归输出包括每个行业的一个系数，我想将其保存为一个名为wd（工资差异）的新变量

下面的代码举例说明了我想做什么，但事实上我有数百个行业，而且几乎有30年的历史

我怎样才能做一个有效的循环呢

reg lnwage i.industry if year == 2002

gen wd = 0

replace wd = 0 if industry==1 & year==2002
replace wd = _b[2.industry] if industry==2 & year==2002
replace wd = _b[3.industry] if industry==3 & year==2002
replace wd = _b[4.industry] if industry==4 & year==2002
replace wd = _b[5.industry] if industry==5 & year==2002
replace wd = _b[6.industry] if industry==6 & year==2002
replace wd = _b[7.industry] if industry==7 & year==2002
replace wd = _b[8.industry] if industry==8 & year==2002
replace wd = _b[9.industry] if industry==9 & year==2002
replace wd = _b[10.industry] if industry==10 & year==2002
replace wd = _b[11.industry] if industry==11 & year==2002
replace wd = _b[12.industry] if industry==12 & year==2002
replace wd = _b[13.industry] if industry==13 & year==2002
replace wd = _b[14.industry] if industry==14 & year==2002
replace wd = _b[15.industry] if industry==15 & year==2002

---

最有效的循环是根本没有循环

考虑这个例子

predict

几乎可以直接为一个只有一个因子变量的回归做所有你想要的事情

. sysuse auto, clear
(1978 Automobile Data)

. regress price i.rep78

      Source |       SS           df       MS      Number of obs   =        69
-------------+----------------------------------   F(4, 64)        =      0.24
       Model |  8360542.63         4  2090135.66   Prob > F        =    0.9174
    Residual |   568436416        64     8881819   R-squared       =    0.0145
-------------+----------------------------------   Adj R-squared   =   -0.0471
       Total |   576796959        68  8482308.22   Root MSE        =    2980.2

------------------------------------------------------------------------------
       price |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       rep78 |
          2  |   1403.125   2356.085     0.60   0.554    -3303.696    6109.946
          3  |   1864.733   2176.458     0.86   0.395    -2483.242    6212.708
          4  |       1507   2221.338     0.68   0.500    -2930.633    5944.633
          5  |     1348.5   2290.927     0.59   0.558    -3228.153    5925.153
             |
       _cons |     4564.5   2107.347     2.17   0.034     354.5913    8774.409
------------------------------------------------------------------------------

. predict foo
(option xb assumed; fitted values)
(5 missing values generated)

. tabdisp rep78, c(foo)

-------------------------
Repair    |
Record    |
1978      | Fitted values
----------+--------------
        1 |        4564.5
        2 |      5967.625
        3 |      6429.233
        4 |        6071.5
        5 |          5913
        . |              
-------------------------

有多种方法可以进行，一种是直接减去截距，另一种是对截距的一些变化

. egen reference = mean(cond(rep78 == 1, foo, .))

. replace foo  = foo  - reference
(69 real changes made)

. tabdisp rep78, c(foo)

---

多年循环确实意味着多年循环，但要直接做到这一点，请参阅Statalist帖子。

最有效的循环是根本没有循环

考虑这个例子

predict

几乎可以直接为一个只有一个因子变量的回归做所有你想要的事情

. sysuse auto, clear
(1978 Automobile Data)

. regress price i.rep78

      Source |       SS           df       MS      Number of obs   =        69
-------------+----------------------------------   F(4, 64)        =      0.24
       Model |  8360542.63         4  2090135.66   Prob > F        =    0.9174
    Residual |   568436416        64     8881819   R-squared       =    0.0145
-------------+----------------------------------   Adj R-squared   =   -0.0471
       Total |   576796959        68  8482308.22   Root MSE        =    2980.2

------------------------------------------------------------------------------
       price |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       rep78 |
          2  |   1403.125   2356.085     0.60   0.554    -3303.696    6109.946
          3  |   1864.733   2176.458     0.86   0.395    -2483.242    6212.708
          4  |       1507   2221.338     0.68   0.500    -2930.633    5944.633
          5  |     1348.5   2290.927     0.59   0.558    -3228.153    5925.153
             |
       _cons |     4564.5   2107.347     2.17   0.034     354.5913    8774.409
------------------------------------------------------------------------------

. predict foo
(option xb assumed; fitted values)
(5 missing values generated)

. tabdisp rep78, c(foo)

-------------------------
Repair    |
Record    |
1978      | Fitted values
----------+--------------
        1 |        4564.5
        2 |      5967.625
        3 |      6429.233
        4 |        6071.5
        5 |          5913
        . |              
-------------------------

有多种方法可以进行，一种是直接减去截距，另一种是对截距的一些变化

. egen reference = mean(cond(rep78 == 1, foo, .))

. replace foo  = foo  - reference
(69 real changes made)

. tabdisp rep78, c(foo)

多年的循环确实意味着多年的循环，但要直接做到这一点，请参阅Statalist posts的许多方法。

在Statalist上交叉发布告诉人们在其他地方交叉发布总是一个好主意。在Statalist上交叉发布告诉人们在其他地方交叉发布总是一个好主意。