stata回归结果怎么看：核心判断方法

stata回归结果怎么看，你拿到reg命令输出的表格后优先读取R方、系数、p值、t统计量四个模块，先判断模型整体解释力，再逐个解读自变量的影响方向、大小与统计显著性，最后核对样本量与F检验确认模型是否具备分析价值，这套解读流程适配普通最小二乘OLS线性回归，不适用于probit、logit、固定效应等特殊回归模型的直接照搬解读，高校经管类课程的实证作业、截面数据简单实证分析都可以直接套用，出现异方差、多重共线性时表格原始数值会存在一定偏误，不能直接拿来下结论。R方代表自变量可以解释因变量多少比例的变动，p值小于0.05是社科研究里较为常用的显著性判断门槛，系数正负代表影响方向，系数绝对值代表平均变动幅度。

stata回归结果看模型整体指标

表格上方F统计量对应F检验，F检验的p值显示在F值右侧，这个数值用来判断整套自变量组合联合起来是否对因变量存在解释作用。F检验p值大于0.05时，整套自变量整体不显著，即便个别自变量p值达标，整个回归模型的参考价值也较低，大多需要更换变量或者调整模型形式。Obs代表有效观测样本数量，样本量过少会放大偶然波动，截面OLS回归中，样本量低于30时，显著性结果参考意义会明显下降。

R‑square（R方），数值区间处于0到1之间，数值越靠近1，代表自变量对因变量的解释程度越高。社科类现实数据的OLS回归，R方处在0.2至0.6区间属于比较常见的情况，不要单纯追求高R方，部分变量显著的模型R方也可以处于较低水平，不能仅凭R方高低评判回归好坏。AdjR‑square为调整后R方，会惩罚多余自变量，新增无关变量时，普通R方会上升，调整后R方会下降，你筛选变量时优先参考调整后R方。

stata回归结果解读自变量系数表格

回归表格中间主体部分，每一行对应一个自变量，列依次为coef系数、std.err标准误、t统计量、P>|t|p值、95%置信区间。coef也就是回归系数，代表其余所有自变量保持不变时，该自变量每变动一个单位，因变量的平均变动数值，系数为正代表正向影响，系数为负代表负向影响。如果变量做过对数化处理，系数含义会变为弹性，代表百分比的变动，直接读取原始单位数值会得出错误结论，例如把取对数后的0.3解读成0.3个单位，会造成实证结论偏差。

P>|t|就是p值，社科实证普遍采用95%置信水平，p值小于0.05，说明该自变量具备统计显著性。p值介于0.05到0.1之间属于边际显著，部分研究会酌情提及，p值大于0.1，该自变量统计上不显著，不能断定该变量会对因变量产生影响。t统计量等于回归系数除以标准误，t的绝对值大于1.96，对应p值小于0.05，t统计量可以辅助核验p值是否读取出错。95%置信区间上下限，如果区间内部包含数字0，该变量同样不显著，和p值的判断结论保持对应。

常数项_cons代表全部自变量等于0的时候，因变量的预测取值，多数实证场景下不会重点解读常数项，只有在全部自变量理论上可以取0的场景，常数项才有实际业务含义，其余情况仅保留即可，不用过度分析。

区分统计显著和经济显著。

统计显著只代表变量的影响不是随机巧合，不代表现实层面影响幅度足够大。一个变量p值小于0.05实现统计显著，但回归系数绝对值极小，变量带来的现实改变幅度有限，属于统计显著但经济意义较弱，写实证分析的时候两个维度都需要说明，不能只罗列p值就直接得出影响很大的结论。部分大样本数据集，很容易出现大量变量统计显著，但系数实际幅度微弱的现象。

stata回归结果的结果校验边界

robust稳健标准误修正，是国内经管实证论文比较普遍的处理手段，开启稳健标准误之后，回归系数本身不会发生改变，改变的只有标准误、t统计量与p值，R方、F统计量数值不受稳健标准误影响。你原始回归得出的显著性，需要对比稳健标准误回归后的结果，若原本显著的变量稳健回归后p值变大不再显著，该变量的显著性结论要谨慎表述，不可以只展示理想的那一组输出表格。

该解读逻辑只针对reg实现的普通最小二乘OLS，面板数据xtreg、二元选择probit、计数模型poisson输出表格的p值读取逻辑相通，但回归系数不能直接解释为单位变动，需要计算边际效应margins，直接照搬OLS的系数解读方式会产出错误实证结论。你做完基础回归之后，不能只看输出表格就定稿，多重共线性、异方差、样本选择偏差都会干扰stata输出表格的各项数值，表格输出只是中间结果，并非最终实证答案。