Stata实操：用sureg命令搞定SUR模型，从数据导入到结果解读全流程

Stata实战：从数据到洞见——SUR模型全流程解析与应用技巧

当面对多个看似独立但可能存在内在关联的经济变量时，传统单方程回归往往力不从心。想象一下这样的场景：您需要同时分析某地区房价、租金和空置率的影响因素，这三个指标虽然各有解释变量，但它们的扰动项可能受到共同的城市发展政策或经济周期影响。这正是**似不相关回归(SUR)**大显身手的时刻——它能够捕捉方程间的隐性关联，提供更精确的估计结果。

1. 数据准备与模型设定

1.1 数据结构要求

SUR模型对数据格式有特定要求，不同于普通回归。每个方程对应的观测值必须时间对齐或截面匹配，就像多声部乐谱需要小节线对齐才能和谐演奏。假设我们研究三个方程：

• 房价 = f(收入水平, 贷款利率, 土地供应)
• 租金 = f(就业率, 通勤时间)
• 空置率 = f(新建住宅量, 商业配套)

典型数据结构示例：

注意：如果某些变量在部分方程中不存在（如"商业配套"只影响空置率），对应单元格应保留为缺失值，但Stata会自动处理这种情况。

1.2 变量预处理

在运行SUR前，建议进行以下检查：

1. 缺失值处理：使用misstable summarize快速定位缺失情况

   misstable summarize price rent vacancy income // 检查关键变量

2. 描述性统计：通过tabstat对比各方程变量的基本特征

   tabstat price income loan_rate, by(city) stats(mean sd min max)

3. 标准化处理（可选）：当变量量纲差异较大时

   egen income_std = std(income)

2. 核心命令sureg实战详解

2.1 基础语法结构

sureg命令的灵活之处在于能同时估计多个方程，其基本框架为：

sureg (因变量1 自变量1 自变量2...) /// (因变量2 自变量3 自变量4...) /// , 选项

实际案例演示——分析科技公司数据：

webuse grunfeld, clear // 加载Stata自带投资数据 sureg (invest mvalue kstock) /// (mvalue invest kstock) /// (kstock invest mvalue), corr

这里我们故意构建了三个相互关联的方程，观察投资(invest)、市值(mvalue)和存量资本(kstock)的互动关系。

2.2 关键选项解析

• corr：显示方程间残差的相关系数矩阵
• i：使用迭代FGLS估计，直到系数稳定
• nolog：不显示迭代过程（推荐在最终模型中使用）
• small：报告t统计量而非z统计量（小样本时有用）

进阶技巧：通过constraints加入跨方程约束。例如要求两个方程的某系数相等：

constraint 1 [eq1]var1 = [eq2]var2 sureg (eq1: y1 x1 x2) (eq2: y2 x3 x4), constraints(1)

3. 结果解读与诊断检验

3.1 输出结果分层解析

以科技公司数据为例，典型输出包含三部分：

1. 方程汇总表

   -------------------------------------------------------------------------- Equation Obs Parms RMSE "R-sq" chi2 P -------------------------------------------------------------------------- invest 20 2 52.678 0.8132 87.09 0.0000 mvalue 20 2 189.23 0.7624 64.07 0.0000 kstock 20 2 58.322 0.9576 453.25 0.0000 --------------------------------------------------------------------------

   • 重点关注RMSE（越小越好）和R-squared（解释力）

2. 系数估计表

   ------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- invest | mvalue | .1155622 .0058357 19.80 0.000 .1041243 .1270001 kstock | .2306785 .0254758 9.05 0.000 .1807468 .2806103 _cons | -42.71437 9.511676 -4.49 0.000 -61.35692 -24.07182 -------------+---------------------------------------------------------------- mvalue | invest | .0267623 .0158909 1.68 0.092 -.0043836 .0579082 kstock | .1510335 .0587046 2.57 0.010 .0359746 .2660924 _cons | 1756.458 678.6743 2.59 0.010 426.3979 3086.519

   • 每个方程系数独立解读，类似普通回归

3. 残差相关性矩阵

   Correlation matrix of residuals: invest mvalue kstock invest 1.0000 mvalue -0.2565 1.0000 kstock 0.0893 -0.3721 1.0000

3.2 关键诊断：Breusch-Pagan检验

输出末尾的独立性检验是SUR模型的核心价值所在：

Breusch-Pagan test of independence: chi2(3) = 5.789, Pr = 0.1226

• P值>0.05：接受原假设（方程间无相关性），此时OLS与SUR效率相当
• P值≤0.05：拒绝原假设，表明SUR能提供更有效估计

专业提示：即使检验不显著，当理论强烈暗示方程关联时，仍可坚持使用SUR。统计检验应结合学科判断。

4. 高级应用与结果呈现

4.1 边际效应与预测

SUR模型估计后，可以计算各类边际效应：

// 计算投资方程中mvalue的边际效应 margins, dydx(mvalue) predict(equation(invest)) // 跨方程预测 predict invest_hat, equation(invest) predict mvalue_hat, equation(mvalue)

4.2 结果导出技巧

使用esttab制作出版级表格：

esttab using "sur_results.rtf", /// b(3) se(3) /// star(* 0.1 ** 0.05 *** 0.01) /// title("SUR模型估计结果") /// addnotes("数据来源：公司年报，2000-2020") /// label

典型输出效果：

------------------------------------------- (1) (2) invest mvalue ------------------------------------------- mvalue 0.116*** (0.006) invest 0.027 (0.016) kstock 0.231*** 0.151** (0.025) (0.059) _cons -42.714*** 1756.458** (9.512) (678.674) ------------------------------------------- N 20 20 -------------------------------------------

4.3 模型比较与选择

当面临OLS与SUR的选择时，系统比较两者：

// 存储OLS结果 reg invest mvalue kstock est store ols_invest reg mvalue invest kstock est store ols_mvalue // 存储SUR结果 sureg (invest mvalue kstock) (mvalue invest kstock), corr est store sur_model // 对比展示 esttab ols_invest ols_mvalue sur_model, /// mtitle("OLS投资" "OLS市值" "SUR系统") /// stats(r2 N, fmt(3 0))

5. 常见问题解决方案

5.1 迭代不收敛处理

当使用i选项时，可能遇到迭代失败。解决方法：

1. 检查数据是否存在完全共线性

   collin invest mvalue kstock

2. 尝试手动设定初始值

   matrix init = (0.1, 0.1, 100) sureg ..., from(init)

3. 放宽收敛标准

   sureg ..., tolerance(1e-4)

5.2 小样本调整

当T（时间/截面数）较小时：

• 使用small选项获取t统计量而非z统计量
• 考虑有限样本校正：

  sureg ..., dfadj

5.3 加权SUR估计

对于异方差明显的场景，可采用加权估计：

sureg ..., weights(1/var)

其中var是预先计算的方差估计值。

6. 扩展应用场景

6.1 面板数据SUR

当数据兼具截面和时间维度时，结合xtset使用：

xtset city year sureg (y1 x1 x2) (y2 x3 x4), corr

6.2 非线性SUR

通过gnls命令实现非线性SUR：

gnls (y1 = {b1}*x1 + {b2}*x2) /// (y2 = {b3}*x3 + {b1}*x4), /// corr

6.3 与VAR模型联动

SUR可作为向量自回归(VAR)的前导分析：

var y1 y2 y3, lags(1/2) sureg (y1 L.y1 L.y2 L.y3) /// (y2 L.y1 L.y2 L.y3) /// (y3 L.y1 L.y2 L.y3), corr

在实际研究项目中，SUR模型特别适合分析金融市场联动、区域经济互动、企业多部门决策等场景。曾有位分析师通过SUR发现不同城市房价和租金调整存在三个月时滞，这一发现直接影响了公司的资产配置策略。