New！ 搜推文，找资料，用
lianxh命令：
安装：ssc install lianxh, replace
使用：lianxh 合成控制
lianxh DID + 多期, w
谢雁翔 (南开大学，xyxmask1995@163.com)
郭晓慧 (山东大学，xiaohuiguo161@sina.com)
本文主要参考如下论文，特此致谢。
Haghish E F. Seamless interactive language interfacing between R and Stata[J]. The Stata Journal, 2019, 19(1): 61-82. -Link-
目录
[[TOC]]
1. 简介
R 是一门免费、开源的语言，具有体积小 (R4.0.0 为 83.5M)、功能多 (外部包多达 16052 个) 等优势，其被广泛应用于数据挖掘、机器学习、数据可视化、计量经济学和空间统计等领域。那么如何在 Stata 中运行 R 语言？ --- 快使用 Rcall！
Rcall 安装包可将 R 集成在 Stata 中，并允许 R 与 Stata 之间的数据衔接。它能够将 Stata 中的宏、标量、矩阵和数据集自动传输到 R，并将 R 中不同类别的对象 (数据框 data.frame、列表 list、矩阵 matrix、向量 vector、逻辑 logical 等) 自动导入到 Stata。
Stata 与 R 的结合可使 Stata 用户在 R 环境中交互执行的其他编程语言：例如使用 Rcpp 的 C ++，或使用 V8 软件包的 JavaScript。此外，Rcall 允许在 Stata 的 ado 程序中嵌入 R 语言，从而不仅可以调用 R 函数和程序包，还可以通过 Stata 和 R 之间的转换来对 Stata 程序包进行编程。
2. R 和 Rcall 命令的安装
2.1 R 的下载
在 Rcall 命令安装之前首先要安装 R。由于 R 是免费开源的软件，下载十分方便，可直接在其「官网下载」。R 的安装相对简单，这里不再赘述。具体操作如下图所示：
2.2 Rcall 命令的安装
github package 是安装 rcall 的唯一推荐方式。由于 github 网络不稳定，该安装过程需要花费大量时间。
net install github, from("https://haghish.github.io/github/")一旦 github 被安装，输入：
github install haghish/rcall, stable3. Rcall 命令及 R 语言初识
3.1 Rcall 命令基本语法
Rcall 语法如下 (具体参见help rcall)：
rcall [mode] [:] [R-command]
mode 模式具体有：vanilla、sync、interactive、console 四种模式，默认交互模式。
此外，rcall 还包括一些子命令 subcommand，以方便将 R 集成到 Stata 中，语法如下：
rcall [subcommand]
以下函数可用于将数据从 Stata 传输到 R ：
| 函数 | 英文描述 | 中文描述 |
|---|---|---|
| st.scalar(name) | passes a scalar to R | 传输标量 |
| st.matrix(name) | passes a matrix to R | 传输矩阵 |
| st.var(varname) | passes a numeric or string variable to R | 传输数值或字符变量 |
| st.data(filename) | passes Stata data to R. without filename, the currently loaded data is used | 将Stata数据传输到R。不带文件名，使用当前加载数据 |
| st.load(dataframe) | loads data from R dataframe to Stata | 将数据从 R 的数据框加载到 Stata |
3.2 R 语言基本的数据类型
| 数据类型 | 示例 |
|---|---|
| 数值型 (numeric) | x = 2 |
| 字符型 (character) | x = "2" |
| 复数型 (complex) | x= 1 + 3i |
| 逻辑型 (logical) | x=1; y=x>2 |
| 因子型 (factor) | genders <- factor(c("男", "女", "女", "男", "男")) |
3.3 R 语言基本的数据结构
向量 vector (一维)：数据类型都可取，不允许出现不同数据类型
b = c(1,2,3,4)矩阵 matrix (二维)：数据类型都可取，不允许出现不同数据类型
matrix(c(1,2,3,4,5,6),nrow=3,byrow=T/F)数组 array (三维)：数据类型都可取，不允许出现不同数据类型
aa=array(1:24,dim=c(3,4,2))数据框 data.frame (二维)：数据类型都可取，不同列的数据类型可不同
M = data.frame(a1=c(1,2,3),b=c(“a”,”b”,”c”))列表 list (“万能胶”)：数据类型都可取，任何元素数据类型均可不同
x = 1:3
y = c("A", "B", "c")
z = c(TRUE, FALSE)
a = c(x, y, z)
L = list(x, y, z, a)Note: 以上内容部分摘自「游万海：R 语言初识」。
4. Stata实例
4.1 Stata 与 R 语言的数据转换
每当执行 rcall 时，Stata 都会自动将 R 对象作为 rclass 接收。如果 R 以交互方式运行 (即不使用 vanilla 子命令)，则先前的对象仍可访问 Stata，除非将它们从 R 中更改或删除。此外，从 Stata 中加载的 R 软件包将保持加载状态，直到终止。在 Stata 中访问 R 对象是同时进行的，这使得使用 rcall 变得方便。例如，可以在 Stata 中访问 R 中定义的数字或字符串向量，就像使用 rclass 调用该对象的名称一样简单，即 r(objectname)。
数值型案例：
rcall: a <- 100
display r(a)100如果没有 vanilla 子命令，则定义的对象将保留在 R 的内存中，因此，只要调用 R 便将其返回给 Stata。
rcall: a [1] 100字符型案例：
rcall: str <- "Hello World" // <-为赋值符号
display r(str)Hello Worldrcall: str <- c("Hello", "World")
display r(str)"Hello" "World"向量案例：
rcall: v <- c(1,2,3,4,5)
display r(v)1 2 3 4 5矩阵案例：
rcall: A = matrix(1:6, nrow=2, byrow = TRUE)
mat list r(A)r(A)[2,3]
c1 c2 c3
r1 1 2 3
r2 4 5 6列表案例：
rcall: mylist <- list(a=c(1:10))
display r(mylist_a)1 2 3 4 5 6 7 8 9 10逻辑性数据案例：
rcall: l <- T
display r(l)TRUE空值型数据案例：
rcall: n <- NULL
display r(n)NULL为了实现 Stata 和 R 之间的理想交互，rcall 可以将 Stata 中的变量传递给 R。
可以在 R 代码中传递局部宏和全局宏，如下例所示：
global a 99
rcall: (a <- $a)[1] 99为了将标量从 Stata 传递到 R ，可以使用 st.scalar() 函数，如下所示：
scalar a = 50
rcall: (a <- st.scalar(a))[1] 50同样，可以使用 st.matrix() 函数将 Stata 矩阵传输到 R ，如下所示：
matrix A = (1,2\3,4)
matrix B = (96,96\96,96)
rcall: C <- st.matrix(A) + st.matrix(B)
rcall: C[,1] [,2]
[1,] 97 98
[2,] 99 100当然，也可以调用 Stata 中的 R 矩阵：
mat list r(C)r(C)[2,2]
c1 c2
r1 97 98
r2 99 100使用 st.var(varname) 函数将变量从 Stata 传递到 R 很方便。因此，只需将分析所需的变量从 Stata 传递到 R，即可在 R 中执行任何分析：
sysuse auto, clear
(1978 Automobile Data)
rcall: dep <- st.var(price)
rcall: pre <- st.var(mpg)
rcall: lm(dep~pre)Call:
lm(formula = dep ~ pre)
Coefficients:
(Intercept) pre
11253.1 -238.9rcall 包还允许在 st.data(filename) 函数中将 Stata 数据传递到 R。此功能依赖于 R 中 readstata13 软件包来加载 Stata 数据集，而无需将其转换为 csv 或类似格式。readstata13 的 R 软件包可以按以下方式安装在 Stata 中：
rcall: install.packages("readstata13", repos="http://cran.uk.r-project.org")指定数据集的相对或绝对路径，以将数据从 Stata 传输到 R。例如：
rcall: data <- st.data(/Applications/Stata/ado/base/a/auto.dta)
rcall: dim(data)若未指定文件名，则该函数将当前加载的数据传递给 R。
sysuse auto, clear
(1978 Automobile Data)
rcall: data <- st.data()
rcall: dim(data)[1] 74 12最后，可以使用 st.load(dataframe) 函数将数据从 R 自动导入到 Stata 中。此功能将自动从 R 中保存一个 Stata 数据集，并通过清除当前数据集 (如果有的话) 将其加载到 Stata 中。当然，如果在 R 中编写了适当的代码以导出 Stata 数据集，则可以更好地控制转换变量类型。该功能在大多数情况下应该可以正常工作：
clear
rcall: st.load(cars)
list in 1/2+--------------+
| speed dist |
|--------------|
1. | 4 2 |
2. | 4 10 |
+--------------+4.2 在 Stata 中运行 R
本部分以 Kleiber 和 Zeileis (2008) 的 Grunfeld.dta 数据集为例，分别使用 Stata 和 R 软件进行固定效应分析。对于面板数据的理解，请参考「Stata: 面板数据模型一文读懂」。
clear
webuse grunfeld,clear //利用webuse从网络读取数据
list in 1/10 // 显示该数据集的前10行
xtset company year, yearly //设置面板数据格式
xtreg invest mvalue kstock, fe //fe表示固定效应 +--------------------------------------------------+
| company year invest mvalue kstock time |
|--------------------------------------------------|
1. | 1 1935 317.6 3078.5 2.8 1 |
2. | 1 1936 391.8 4661.7 52.6 2 |
3. | 1 1937 410.6 5387.1 156.9 3 |
4. | 1 1938 257.7 2792.2 209.2 4 |
5. | 1 1939 330.8 4313.2 203.4 5 |
|--------------------------------------------------|
6. | 1 1940 461.2 4643.9 207.2 6 |
7. | 1 1941 512 4551.2 255.2 7 |
8. | 1 1942 448 3244.1 303.7 8 |
9. | 1 1943 499.6 4053.7 264.1 9 |
10. | 1 1944 547.5 4379.3 201.6 10 |
+--------------------------------------------------+
panel variable: company (strongly balanced)
time variable: year, 1935 to 1954
delta: 1 year
Fixed-effects (within) regression Number of obs = 200
Group variable: company Number of groups = 10
R-sq: Obs per group:
within = 0.7668 min = 20
between = 0.8194 avg = 20.0
overall = 0.8060 max = 20
F(2,188) = 309.01
corr(u_i, Xb) = -0.1517 Prob > F = 0.0000
------------------------------------------------------------------------------
invest | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
mvalue | .1101238 .0118567 9.29 0.000 .0867345 .1335131
kstock | .3100653 .0173545 17.87 0.000 .2758308 .3442999
_cons | -58.74393 12.45369 -4.72 0.000 -83.31086 -34.177
-------------+----------------------------------------------------------------
sigma_u | 85.732501
sigma_e | 52.767964
rho | .72525012 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(9, 188) = 49.18 Prob > F = 0.0000rcall: install.packages("plm",repos ="http://cran.us.r-project.org") //安装面板数据回归包
rcall:library(plm) //加载包
rcall:data("Grunfeld", package="plm") //调用自带数据集
rcall:head(Grunfeld,10) //列出前十行
rcall:zz <- plm(inv ~ value + capital ,data = Grunfeld, index = c("firm"))
rcall:summary(zz)firm year inv value capital
1 1 1935 317.6 3078.5 2.8
2 1 1936 391.8 4661.7 52.6
3 1 1937 410.6 5387.1 156.9
4 1 1938 257.7 2792.2 209.2
5 1 1939 330.8 4313.2 203.4
6 1 1940 461.2 4643.9 207.2
7 1 1941 512.0 4551.2 255.2
8 1 1942 448.0 3244.1 303.7
9 1 1943 499.6 4053.7 264.1
10 1 1944 547.5 4379.3 201.6
Oneway (individual) effect Within Model
Call:
plm(formula = inv ~ value + capital, data = Grunfeld, index = c("firm"))
Balanced Panel: n = 10, T = 20, N = 200
Residuals:
Min. 1st Qu. Median 3rd Qu. Max.
-184.00857 -17.64316 0.56337 19.19222 250.70974
Coefficients:
Estimate Std. Error t-value Pr(>|t|)
value 0.110124 0.011857 9.2879 < 2.2e-16 ***
capital 0.310065 0.017355 17.8666 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Total Sum of Squares: 2244400
Residual Sum of Squares: 523480
R-Squared: 0.76676
Adj. R-Squared: 0.75311
F-statistic: 309.014 on 2 and 188 DF, p-value: < 2.22e-16也可以利用 R 通过利用 write.csv() 函数直接将数据转换为 .csv 格式的数据储存，再导入 Stata 进行面板数据回归进一步与 R 的回归结果进行对比。使用 R 软件 (panel linear model, plm) 包自带数据集 Produc (Munnell, 1990) 。
*rcall:install.packages("plm",repos ="http://cran.us.r-project.org")
rcall:library(plm)
rcall:data(Produc,package="plm")
rcall:aa <- plm(log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp,data = Produc, index = c("state","year"))
rcall:summary(aa)Oneway (individual) effect Within Model
Call:
plm(formula = log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp,
data = Produc, index = c("state", "year"))
Balanced Panel: n = 48, T = 17, N = 816
Residuals:
Min. 1st Qu. Median 3rd Qu. Max.
-0.120456 -0.023741 -0.002041 0.018144 0.174718
Coefficients:
Estimate Std. Error t-value Pr(>|t|)
log(pcap) -0.02614965 0.02900158 -0.9017 0.3675
log(pc) 0.29200693 0.02511967 11.6246 < 2.2e-16 ***
log(emp) 0.76815947 0.03009174 25.5273 < 2.2e-16 ***
unemp -0.00529774 0.00098873 -5.3582 1.114e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Total Sum of Squares: 18.941
Residual Sum of Squares: 1.1112
R-Squared: 0.94134
Adj. R-Squared: 0.93742
F-statistic: 3064.81 on 4 and 764 DF, p-value: < 2.22e-16rcall:library(plm)
rcall:data(Produc,package="plm")
rcall:write.csv(Produc,file="D:/produc.csv") //数据储存至D盘
import delimited "D:\produc.csv", encoding(ISO-8859-9) clear
encode state, gen (id)
gen lgsp = log(gsp)
gen lpcap = log(pcap)
gen lpc = log(pc)
gen lemp = log(emp)
xtset id year
xtreg lgsp lpcap lpc lemp unemp ,fepanel variable: id (strongly balanced)
time variable: year, 1970 to 1986
delta: 1 unit
Fixed-effects (within) regression Number of obs = 816
Group variable: id Number of groups = 48
R-sq: Obs per group:
within = 0.9413 min = 17
between = 0.9921 avg = 17.0
overall = 0.9910 max = 17
F(4,764) = 3064.81
corr(u_i, Xb) = 0.0608 Prob > F = 0.0000
------------------------------------------------------------------------------
lgsp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lpcap | -.0261493 .0290016 -0.90 0.368 -.0830815 .0307829
lpc | .2920067 .0251197 11.62 0.000 .2426949 .3413185
lemp | .7681595 .0300917 25.53 0.000 .7090872 .8272318
unemp | -.0052977 .0009887 -5.36 0.000 -.0072387 -.0033568
_cons | 2.352898 .1748131 13.46 0.000 2.009727 2.696069
-------------+----------------------------------------------------------------
sigma_u | .09057293
sigma_e | .03813705
rho | .8494045 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(47, 764) = 75.82 Prob > F = 0.00004.3 拓展：在 R 中运行 Stata
install.packages("RStata") ##在 R 中安装包“RStata”，首次运行需要选择合适镜像地址library(RStata) ##加载包
chooseStataBin() ##找出stata具体位置确定打开并复制显示路径
options("RStata.StataPath" = "\"D:\\Stata16\\StataMP-64\"")
options("RStata.StataVersion" = 16) ##设置版本
stata_src <- "
+ sysuse auto, clear
+ reg mpg weight
+ "
stata(stata_src)[1] "\"D:\\Stata16\\StataMP-64\""
. sysuse auto, clear
(1978 Automobile Data)
. reg mpg weight
Source | SS df MS Number of obs = 74
-------------+---------------------------------- F(1, 72) = 134.62
Model | 1591.9902 1 1591.9902 Prob > F = 0.0000
Residual | 851.469256 72 11.8259619 R-squared = 0.6515
-------------+---------------------------------- Adj R-squared = 0.6467
Total | 2443.45946 73 33.4720474 Root MSE = 3.4389
------------------------------------------------------------------------------
mpg | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight | -.0060087 .0005179 -11.60 0.000 -.0070411 -.0049763
_cons | 39.44028 1.614003 24.44 0.000 36.22283 42.65774
------------------------------------------------------------------------------
资源共享
- 连享会资料 ……
- 在线视频：lianxh-class.cn
- Stata 33 讲，100 万+ 播放，Stata 入门必备，公开课
- 直击面板数据模型，10 万+ 播放，白话面板模型，公开课
- … more …
- 论文复现和数据
- 主题分类
- 热门推文
尊敬的老师 / 亲爱的同学们：
连享会致力于不断优化和丰富课程内容，以确保每位学员都能获得最有价值的学习体验。为了更精准地满足您的学习需求，我们诚挚地邀请您参与到我们的课程规划中来。
请您在下面的问卷中，分享您 感兴趣的学习主题或您希望深入了解的知识领域 。您的每一条建议都是我们宝贵的资源，将直接影响到我们课程的改进和创新。
我们期待您的反馈，因为您的参与和支持是我们不断前进的动力。感谢您抽出宝贵时间，与我们共同塑造更加精彩的学习旅程！https://www.wjx.cn/vm/YgPfdsJ.aspx# 再次感谢大家宝贵的意见！
关于我们
- Stata连享会 由中山大学连玉君老师团队创办，定期分享实证分析经验。more……
- 扫码加入连享会微信群，提问交流更方便
