1. Giới thiệu về Stata

Stata là phần mềm thống kê mạnh mẽ với các phương tiện quản lý dữ liệu thông minh. Mục đích có thể sử dụng làm nghiên cứu trong quá trình làm luận văn, học các khoá học về định lượng và làm bài tập hoặc làm tiểu luận. Trong hướng dẫn này, man-city.net sẽ bắt đầu với phần giới thiệu nhanh và tổng quan, sau đó giới thiệu 1 bài tập mẫu và bài giải về stata để bạn hiểu rõ hơn.

Bạn đang xem: Stata là gì

Bạn đang xem: Stata là gì

Giao diện của Stata cơ bản như sau:


*

Giao diện Stata phiên bản 15

Ở bên trái có cửa sổ có tên "Command" là nơi bạn nhập lệnh cho Stata. 

Ở giữa có cửa sổ Stata hiển thị kết quả trong cửa sổ lớn nhất được gọi là của sổ Kết quả.

Ở bên phải có cửa số Biến(variables) liệt kê các biến trong tập dữ liệu của bạn. Cửa sổ Thuộc tính (Properties) ở bên dưới hiển thị các thuộc tính của các biến và tập dữ liệu của bạn.

2. Một số bài tập về stata


*

Bài tập stata

Bài giải tham khảo

Câu 1: Giả sử nghiên cứu tỷ lệ tội phạm tại Việt Nam thì mô về phạm tội có thể nghiên cứu bằng các yếu tố ảnh hưởng như sau:

Theo các nhà tội phạm học đã xác định được nhiều yếu tố ảnh hưởng đến tỷ lệ tội phạm như yếu tố xã hội, kinh tế, cá nhân. Một số yếu tố quan trọng nhất được xác định bao gồm:

Tuổi: Theo các nhà tội phạm học, người cao niên không phạm tội nhiều so với thanh thiếu niên. Họ (các nhà tội phạm học) do đó cho rằng dân số thiếu niên có tỷ lệ tội phạm rất cao.Nên kinh tê: Một số nhà tội phạm tin rằng một nền kinh tế nghèo nàn, GDP thấp là nguyên nhân gây ra tỷ lệ thất nghiệp cao và do đó gây ra tội phạm.Vấn đề xã hội: Khi mức độ của các vấn đề xã hội tăng lên như số lượng các gia đình cha mẹ độc thân, học sinh bỏ học có thể gây ảnh hưởng đến tâm lý tội phạm.

Mô hình có thể là:


*

 

Câu 2:

a) Đồ thị trung tung FE tức là chi tiêu thức ăn và trục tung TE là tổng chi tiêu như bên dưới.


*

*

Gọi FE (food Expenditure) là biến phụ thuộc và TE (Total Expenditure) là biến độc lập ta được kết quả mô hình như sau:

Source

SS df

MS

Number of obs =

55

 

F( 1, 53)

= 31.10

  

Model

139022.82

1 139022.82

Prob > F

= 0.0000

Residual

236893.616

53 4469.69087

R-squared

= 0.3698

 

Adj R-squared

= 0.3579

  

Total

375916.436

54 6961.41549

Root MSE

= 66.856

     

fe

Coef.

Xem thêm: Bao Xin Việc - Lựa chọn hàng đầu khi mua bằng trung cấp điều dưỡng

Std. Err. t

P>t

     

te

.4368088

0.000 .2797135

.593904

_cons

94.20878

50.85635 1.85

0.070 -7.796134

196.2137

 

Ta được mô hình hồi quy tổng thể đó là

FE= 94.20878+ 0.436809FE +u

Câu 3:

a)

Kết qua mô hình giữa ln(wage) và educ như sau:


Ta thấy hệ số phù hợp R-squared là 0.1858 ta thấy ý nghĩa rằng giáo dục giải thích 22% của biến lnwage

Hệ số p-value =0 chứng tỏ nếu kiểm định R2 ≠0 . Thông thường nếu p-value =0 có thể kết luận mô hình là có ý nghĩa quan hệ giữa ln(wage) và edu tức là giáo dục có mối quan hệ với logarit tiền lương.

Ta có thể viết lại mô hình hồi quy như sau:

Ln(wage)= 0.5837727 + 0.082744 educ +u

b)

Ta có mô hình như sau:

wage= -0.9048516 + 0.5413593*educ +u

Ta được kết quả và đồ thị sau:

Trong đó hệ đường cao hơn là đường wage và thấp hơn là ln(wage). Ta thấy hệ số thấp hơn bởi vì mô hình hổi quy ln trong một mô hình hồi quy là một cách rất phổ biến để xử lý các tình huống mà một mối quan hệ phi tuyến tồn tại giữa các biến độc lập và phụ thuộc. Sử dụng logarit để đánh giá cho mối quan hệ hiệu quả phi tuyến tính.. Do đó hệ số góc của mô hình ln sẽ thấp hơn mô hình tuyến tính không phải logarit.

Câu 4.

/* Thiết lập 100 quan sát */

set obs =100

/* Thiết lập x từ 1 đến 100 */

 

gen x=_n

/* tạo u với hàm phân phối chuẩn có độ lệch tiêu chuẩn là 9 và trung bình là 0 */

gen u= rnormal(0,9)

/* tạo y */

gen y= 25+ 0.5*x+u

regress y x

/*Sau đó lặp lại để xem sự thay đổi */

. replace u=rnormal(0,9)

(100 real changes made)

. replace y=25+0.5*x+u

(100 real changes made)

. regress y x


Bảng 50 biến hệ số và hằng số của mô hình bên dưới:

STT

Hệ số

Hằng số

1

0.559146

22.01877

2

0.496917

24.47293

3

0.559421

23.08086

4

0.477793

25.17664

5

0.634216

24.43563

6

0.531187

23.03467

7

0.579003

25.34174

8

0.434642

24.59241

9

0.425048

23.10669

10

0.655447

25.23225

11

0.545225

24.72915

12

0.440208

23.00782

13

0.462175

25.05967

14

0.534416

24.75997

15

0.486741

23.10199

16

0.583187

25.22057

17

0.503988

24.88844

18

0.407302

22.9527

19

0.701233

25.26039

20

0.528918

24.92657

21

0.428679

22.97768

22

0.775209

25.26597

23

0.680537

25.00867

24

0.499697

22.91682

25

0.579524

25.30272

26

0.505199

25.14032

27

0.437763

22.79972

28

0.458293

25.18758

29

0.510882

25.21255

30

0.412656

22.6339

31

0.415013

25.35426

32

0.655899

25.30749

33

0.437684

22.78882

34

0.401382

25.34872

35

0.656958

25.31893

36

0.419503

22.88048

37

0.426417

25.42346

38

0.425212

25.30239

39

0.401355

22.73032

40

0.484928

25.43568

41

0.436463

25.40308

42

0.412919

22.8271

43

0.414379

25.30417

44

0.499664

25.22376

45

0.401093

22.83304

46

0.440595

25.42079

47

0.445569

25.30174

48

0.440272

22.91587

49

0.488007

25.24615

50

0.472239

25.20093

 

Câu 5:

Trị số P, dù cực kì thông dụng trong nghiên cứu khoa học, không phải là một phán xét cuối cùng của một công trình nghiên cứu hay một giả thuyết.

Thông thường khi nhà khoa học muốn kiểm tra xem liệu phụ gia thực phẩm có gây ung thư hay thuốc chữa bệnh, nhà khoa học cho rằng nó không - giả thuyết không - và sau đó thực hiện thử nghiệm so sánh thuốc hoặc thuốc với giả dược hoặc một loại thuốc khá. Nếu có nhiều người sống sót hơn với thuốc so với giả dược, thì nhà khoa học sẽ kết luận thuốc sẽ hoạt động tốt. Điều này cũng có thể xảy ra để thấy rằng các kết quả này cũng có thể mang tính may mắn.

Thật vậy, nếu chúng ta chịu khó xem xét lại ví dụ trên, chúng ta có thể khái quát tiến trình của một nghiên cứu khoa học (dựa vào trị số P) như sau:

• Đề ra một giả thuyết chính (H)

• Từ giả thuyết chính, đề ra một giả thuyết đảo (Ho)

• Tiến hành thu thập dữ kiện (D)

• Phân tích dữ kiện: tính toán xác suất D xảy ra nếu Ho là sự thật. Nói theo ngôn ngữ toán xác suất, bước này xác định P(D | Ho).

Vì thế, con số P có nghĩa là xác suất của dữ kiện D xảy ra nếu (nhấn mạnh: “nếu”) giả thuyết đảo Ho là sự thật. Như vậy, con số P không trực tiếp cho chúng ta một ý niệm gì về sự thật của giả thuyết chính H; nó chỉ gián tiếp cung cấp bằng chứng để chúng ta chấp nhận giả thuyết chính và bác bỏ giả thuyết đảo

Tài liệu cơ bản về Stata bao gồm Help của Stata và Hướng dẫn tham khảo cơ sở ( Base Reference Manual) về từng mục lớn của Stata từ Quản lý dữ liệu, Đồ họa và Chức năng... Các bạn có thể tham khảo các sách như Acock - A Gentle Introduction to StataLawrence Hamilton- Statistics with StataScott Long and Jeremy Freese- Regression Models for Categorical Dependent Variables Using Stata (3rd edition);