cls clear

summarize 有数字

obs：样本量 mean：均值 std：标准差 最小最大值

tabulate 变量名,gen(A)

Freq:频数 percent：比率 cum：累计频率

regress y x1 x2 … xk 回归只引入定量

Model:SSR 回归评分和 Residual：SSE 误差平方和 Total：SST 拟合优度： R 2 R^2 R2=SSR/SST df:自由度

引入调整后 R 2 R^2 R2:

注释：

1.number of obs:观测值的个数n 2.F（2，843）代表联合显著性检验，15.06为检验值,检验值值为F统计量构造出来，F统计量第一个自由度为2，第二个自由度为 843。 即为这两个自由度： 其对应的p值为0.00。

看清一个假设一定要知道三个东西： 1.构造出来的统计量为什么统计量，（比如这位F统计量） 2.看统计量对应的p值。 3. H 0 H_0 H0​:联合显著性检验， β 1 = β 2 = ⋯ = β k = 0 \beta_1=\beta_2=\cdots=\beta_k=0 β1​=β2​=⋯=βk​=0, 检验k个自变量前面的回归系数是否都为0，（看p值是否大于0.05）， 如果p值大于0.05，则下结论，则我们回归不能拒绝原假设，则认为回归无多大的意义。（即回归自变量系数都为0），即模型设定不合理。

联合显著性通过，即p值是否小于等于0.05，我们拒绝原假设，我们认为回归模型有一定意义。

显著性水平是一个事先指定的概率阈值，通常表示为α。常见的显著性水平包括0.05（5%）和0.01（1%），这意味着 只有当样本数据产生的结果具有非常低的概率（低于0.05或0.01）时，才会认为结果是显著的。如果计算出的P值小于显著性水平α，则认为结果是显著的，拒绝原假设**；如果P值大于α，则认为结果是不显著的，没有足够的证据来拒绝原假设。

R 2 R^2 R2和调整后 R 2 R^2 R2 在论文中我们需要加入调整后 R 2 R^2 R2而不是 R 2 R^2 R2， 加入这句话： Root MSE：均方误差。

cons：第一列代表常数项， β 0 , β 1 , ⋯ \beta_0,\beta_1,\cdots β0​,β1​,⋯ β 0 ^ \hat{\beta_0} β0​^​为26255.38， β 1 ^ \hat{\beta_1} β1​^​为2410.303（代表商品毛重的系数）。 β 1 ^ x + β 2 ^ x + β 3 ^ x + ⋯ \hat{\beta_1}x+\hat{\beta_2}x+\hat{\beta_3}x+\cdots β1​^​x+β2​^​x+β3​^​x+⋯

std.err:第二列代表回归系数对应的标准误差，（标准误用于计算t值）。 − 35 6 ≈ − 5 \frac{-35}{6}\approx-5 6−35​≈−5

t检验统计量即为回归误除以标准

P值：t检验对应的p值 检验 β 1 \beta_1 β1​是否等于0， 因为商品毛重p值大于0.05,所以不用分析它，因为它不显著， wom只分析回归中显著的量。

95%代表有百分之九十五系数落在这个区间内。

cons第一列是点估计，上图为区间估计。 只有关注第一列和p值。

代码：

输出结果为： 表示：G4被忽略了，因为完全多重共线性

为了避免完全多重共线性的影响，引入虚拟变量的个数一般是分类数减1。

在百分之九十的置信水平下，有两个自变量对应回归系数是显著的。 （评价量为因变量）。 第一个是团购价元，-29.77274代表在其他条件不变的情况下，团购价格每增加一元，评价量平均减小==-29.77274==。

F1 在其他条件不变的情况下，分类为牛奶粉比分类为羊奶粉的评价量高出14894.55。

括号里面为t检验值 *** p