‘壹’ 在stata中一时间序列数据的问题
这个我也不是很确定。结果貌似是有关滞后一期的LM卡方检验，chi2是卡方值，df是自由度，最后一列代表着滞后一期存在ARCH效应的显着性检验，其结果大于0.1，说明滞后一期不存在ARCH效应。
表底部有假设检验的两个假设H0和H1：若P>α，结论为按α所取水准不显着，不拒绝H0；如果P≤α,结论为按所取α水准显着，拒绝H0，接受H1。
LZ可以看看下面的资料不知道有没有用。
stata的arch相关命令：http://www.stata.com/features/arch-garch/arch.pdf
有关ARCH的LM test：http://bbs.cenet.org.cn/html/board33751/topic50777.htm
有关滞后期的解释：http://bbs.pinggu.org/thread-1298254-1-1.html
‘贰’ stata怎么做时间序列门槛模型
这三个变量依次为y, x1, x2, x3
reg y x1 x2 x3
‘叁’ stata怎么生成当天的日期
比如生成年代变量：tsset year, yearly
比如从1995年开始产生时间序列gen time=m(1995m7)+_n-1
细节可以看tsset帮助
‘肆’ 季度数据,日期形式为2002-03/2002-06/2002-09/2002-12,在stata中如何对其进行时间序列设置
这是季度数据，按照季度数据设置，tsset即可
‘伍’ 如何用Stata定义一组数据(变量名x）为时间序列数据
http://wenku..com/link?url=_cbcO7Bsj7-Id0sEwMZ4HKK-nLw3EySNtGQsliUiTiGHYYPcWp7ie
‘陆’ 请教达人Stata中如何根据id生成对应的年，月变量
这种有固定形式的代码，想生成新变量，最简单方法的就是(以50301为例，变成531)
. scalar a=50301
. scalar b=int(a/10000)
. scalar c=int((a-b*10000)/100)
. display c
3
. scalar d=a-b*10000-c*100
. display d
1
. scalar e=b*100+c*10+d
. display e
531
‘柒’ stata回归怎么控制时间
建议查看reghdfe的help文档获得更多的设定方式！那个永远是最好的学习资料 。
STATA采用最具亲和力的窗口接口，使用者自行建立程序时，软件能提供具有直接命令式的语法。Stata提供完整的使用手册，包含统计样本建立、解释、模型与语法、文献等超过一万余页的出版品。Stata的统计功能很强，也具有很强的程序语言功能，这给用户提供了一个广阔的开发应用的天地，用户可以充分发挥自己的聪明才智，熟练应用各种技巧，真正做到随心所欲。
‘捌’ STATA里处理时间的问题
gen year1=substr(v1,1,4)
gen month1=substr(v1,6,2)
以上两条命令是将时间的年份和月份的字符提取出来
之后用real 函数将其转换为 数字。。
比如 gen year=real(year1)
gen month=real(month1)
在之后
gen time=year*100+month
即可！
仔细琢磨一下，很简单的~~
‘玖’ 面板模型引入固定时间效应stata怎么操作
短面板处理面板数据是指既有截面数据又有时间序列的数据，因此其存在截面数据没有的优势，在用stata进行面板数据的估计时，一般选择xtreg命令进行拟合。本节主要论述短面板的stata实现，即时间维度T相对于截面数n较小的数据。在那种情况下，由于T较小，每个个体的信息较少，故无从讨论扰动项是否存在自相关，我们一般假设其独立同分布。面板数据维度的确定在面板数据进行模型估计前，要进行面板数据的维度确定。由于面板数据既有截面数据又有时间序列，而stata不能自动识别，因此，必须使得stata得知哪一部分是截面数据，而哪一部分是时间序列。设置面板数据维度的基本命令为：xtsetpanelvartimvar[,tsoptions]其中panelvar代表截面数据变量，timvar代表时间序列变量。选取某一面板数据进行维度设定：xtsetfcodeyear
stata中处理面板数据如何选择模型
方法的选择一般基于因变量类型。对面板数据而言，当因变量为连续变量时，可在混合ols回归、固定效应模型和随机效应模型间选择，有相应的检验统计量；当因变量为类别变量时，有面板logit模型，又可分为二分类，无序多分类和有序多分类面板logit。
先用xtset设定面板数据然后用xtreg，fe操作就可以做面板数据固定效应啦面板数据回归分析我很熟悉的
面板数据之固定效应模型 当您只对分析的影响感兴趣时，使用固定效果(FE)随时间变化的变量。 FE探讨预测因子和结果变量之间的关系(国家、个人、公司等)，每个实体都有自己的特点是否会影响预测变量(例如，是男性还是女性?能够影响对某一问题的看法;或者一个特定的政治体系国家可以对贸易或GDP产生一些影响;或公司的商业惯例可能影响其股价)。
当使用FE时，我们假设个人内部的某些东西可能会影响预测或结果变量，我们需要控制这些。这就是背后的基本原理：实体误差项与预测变量之间的相关性假设。FE模型去掉这些时不变特性的影响，这样我们就可以评估结果变量上的预测因子。 FE模型的另一个重要假设是这些time-invariant特征是独一无二的个体，不应该与其他个体相关特征。每个实体是不同的，因此实体的误差项和常数(捕捉个体特征)不应该与其他特征相关联。如果误差项是相关的，那么FE是不合适的，因为推论可能是不正确的，你需要建立这种关系的模型(可能使用随机效应)，需要使用豪斯曼检验，