在Stata中进行多元线性回归分析时，常用的核心命令是regress（可简写为reg），该命令用于拟合一个因变量与多个自变量之间的线性关系模型，其基本语法结构为regress depvar [indepvars] [if] [in] [weight] [, options]，其中depvar为因变量，indepvars为自变量列表，研究影响工资的因素时，可设定reg wage educ exper tenure，其中wage为因变量（工资），educ（受教育年限）、exper（工作经验）、tenure（现任职年限）为自变量，执行该命令后，Stata会输出回归结果表，包含系数、标准误、t统计量、p值及R方等关键信息。
回归结果的解读与扩展分析
回归结果表中，coef.列表示回归系数，反映自变量对因变量的边际影响。educ的系数若为0.8，表示在其他变量不变的情况下，受教育年限每增加1年，工资平均增加0.8个单位。Std. Err.为系数标准误，用于衡量估计的精确度；t列是t统计量，用于检验系数是否显著不为零；P>|t|为p值，通常以0.05为显著性阈值，若p值小于0.05，则认为该自变量对因变量有显著影响。R-squared和Adj R-squared分别表示决定系数和调整后决定系数，反映模型对因变量变异的解释程度，后者考虑了自变量数量，更适合比较不同模型的拟合优度。
若需进一步分析，可添加选项。robust选项可使用稳健标准误，应对异方差问题；vif选项（需安装estat vif命令）可计算方差膨胀因子，判断自变量是否存在多重共线性（通常VIF大于10时需警惕）。predict命令可生成预测值或残差，如predict yhat, xb生成拟合值，predict resid, r生成残差，便于后续诊断。
回归模型的假设检验与诊断
多元线性回归需满足若干假设：线性关系、误差项同方差性、无自相关、无多重共线性、误差项与自变量不相关等，Stata提供了多种诊断工具：
- 线性关系检验：可通过
rvfplot（残差与拟合值图）直观判断，若残差随机分布在0周围，则支持线性假设； - 异方差检验：使用
estat hettest（原假设为同方差），若p值小于0.05，拒绝同方差假设，需用robust选项修正； - 自相关检验：时间序列数据可用
estat dwatson（Durbin-Watson检验），截面数据可用estat bgodfrey（Breusch-Godfrey检验）； - 多重共线性检验：除VIF外，还可通过
correlate indepvars查看自变量间相关系数，若相关系数绝对值大于0.8，可能存在共线性。
示例：工资影响因素回归分析
假设数据集wage.dta包含变量wage（小时工资）、educ（受教育年限）、exper（工作经验）、tenure（现任职年限）、female（性别虚拟变量，1=女性，0=男性），执行以下命令：
use wage.dta, clear reg wage educ exper tenure female, robust estat vif rvfplot
输出结果中，若female的系数为-1.2（p<0.05），表示控制其他变量后，女性平均工资比男性低1.2个单位；vif值若均小于5，说明多重共线性不严重；rvfplot若显示残差无明显模式，则线性假设成立。
相关问答FAQs
Q1: 如何在Stata中回归后保存预测值和残差？
A1: 使用predict命令，回归后执行predict yhat, xb保存拟合值（因变量预测值），predict resid, r保存普通残差，predict stdr, rstandard保存标准化残差，若需保存预测区间，可添加stdp选项（预测值标准误）或stdf选项（个体预测标准误）。
Q2: 多元回归中如何处理分类自变量？
A2: 分类自变量需转换为虚拟变量（0/1），Stata中i.前缀可自动处理，例如变量region（东、中、西部），回归时输入reg wage i.region educ，Stata会生成region=2和region=3两个虚拟变量（以西部为基准组），系数表示中、东部与西部的工资差异，若需自定义基准组，使用ib#.region（为基准组取值）。
