stata安装外部命令特别慢的原因

实证小助手雷塔做实证的时候，是不是经常遇到命令无法识别的报错提示？那是你没有安装该外部命令。雷塔安装外部命令一般有三个方法，第三个方法一定能够安装成功。 第一个是直接从 ssc 数据库里安装，执行 ssc install 就可以了。第二个是翻 dit 加外部命令。我们以 logo out 为例，只需要找到对应的 ado 文件，点击安装即可成功。 第三个是直接从某度上下载该命令的 ado 文件，放到 stata 对应的跟末录像就可以了。下课点赞加关注，实证不迷路！

各位同学大家好，今天给大家讲一下关于 dato 外部命令安装的三种方式。第一种的话就是我们输入，比如我们要做关于这个的 命令的一个代码，但是我们知道他是一个外部命令，所以我们就需要亲自对他进行安装，然后他就是你在命令窗口竖一下，按三下， seen， solo， brag， two， 然后他就会把那个命令给安装下来，在这边就会有一个运行的过程，我们稍微等一下 好，他这边已经安装好了，然后他就出现 of fields， already， exist， 所有的代码，所有文件都已经存在，这就是他已经安装 装好了这第一种方式。第二种方式的话我们就是用 fane， 然后你输入，然后他就会弹出一个页面，然后在这个页面里面我们随便点击一个链接进去， 然后我们在这里点 click here， doing store， 然后他就会进行一个成功的安装。然后第三种方式的话就是我们需要在网上去找到这个代码的一个安装包，然后的话我们就是找到自己下载那个斯蒂塔的那个地方，我是斯蒂塔十六， 然后点开之后再点 ado， 然后再点 pass， 然后里面就会找到自己。比如你安装的是 outhrate， 找到 o 所在那个字母，把你找到那个安装包贴到，再贴到这个公路里面就可以啦。

在我们之前学了那么多理论，那么多操作和那么多这种理念之后呢？我们终于要进入一个之前我就说过，前面我们是在磨枪，练就是练武，接下来就是真正的上战场了， 真正的是要用我们学过这些东西去进行我们模型的研究和这种 东西了。实际上我们总归说我们做这种模型分析肯定是要建一个模，建模然后去估计去探索，那么什么叫模型或者 mood 到底是什么？ 我们看这里就是这样一个式子，我们把就叫做模型，或者是我们把叫做现行模型， 这也是我们模型一个假定之一，因为我们假设模型大概长这个样子，什么意思呢？这个 y 是我们想要研究的，这个叫应变量， 就是它是我们的应变量，然后后面有 x x， 有 x e， x r x 三到 s k 这些的叫做字变量，然后建立他们之间的关系， 那么是否我们就有理由推断，当我们已知了其 x x r x k 以后，我们就可以推断出 y 大概的值是什么了， 对吧？但是由于我们的现实，这生活中的情况并不是那么的理想，并不是所有的情况都成一条线，那么他可能会绕着线的上下波动，那这波波动我们就放在 ipsome 里面，而这个 ipsome 肯定是个那个军职 是零的一个一个小东西了，他并不影响我们整个模型，他一定的距离是零，不然的话他呈现一个偏的位置，全部像之前说的这个点，散点全部在这个直线的上面，全部直接下面，显然是一个不符合逻辑的一个事情。 那么在这里我们就首先第一步我们讲回归分析。第一部分回归，回归的意思就是它其实源于我们的一个统计学家，在研究这个父亲和儿子身高上，会发现个子高的父亲 有大概率生出个子高的儿子，就是个子小，矮的父亲可能更就是大概率生的孩子比较矮，这是第一个部分，这个叫做相关。 然后什么叫回归呢？就是说如果这个父亲的身高就是高到一定程度的话， 或者他的父亲的高度，这个身高可能的高于平均水平可能就是一点几倍，那么这个孩子的身高可能会往 就孩子平均值的升高回归这样的一种特点，我们把它叫做一个，所以就是你一直用，用到现在那个 regulation 叫做回归， 所以也并不是这个随着父亲越高越高，他的孩子会越来越高，不然的话我们这么想，父亲越高，孩子越高，然后逐渐成长，觉得我们是不是高个子会越来越高，高到什么程度？会高到超过人类的这平均身高，甚至很远，但是其实现实中没有对不对？从骨 至今，人的身高其实虽然是在网上有那个往高处长的趋势，可是没有像 就是一直高一直高，这样他所以他就往去从一个平均值做的回归。那么既然说到回归，那就是这个模型了，我们现在自己的回归是什么意思？就是建一个这样的模型， 然后我们要研究他们之间的关系对不对？既然研究关系，那就是求这个 beta 一、 beta 二、 beta 三， 这就是一个好的关系，这是我们的目的，比如说这个 y， 什么 y 是那个总成本，可能这些是什么厂房的数量什么的，但总成本是不是由这些算来得到呢？显然是啊。 那么我们建立回归模型的目的是什么？之前我也说过好几次，肯定一个是两种，一种是 我们的关系，到底我们哎 y 和 x 一之间是什么关系？是正向影响还是负向影响？那么就很重要，是不是 y 和 x r 是正向还是负向？也就是当我们要 我们这个这个 y 可能我们控制不了，但是我们能控制 x， 那我们是不是就可以？如果他们是正向关系，我们就是升 高这个 y x， 那么这个 y 是不是也会有一定程度的升高？或者是这个是互相关，我们减少 x r， 那是不是他就有一定程度的升高？就是这样一个意思，就是叫做他们关系的判断， 或者研究他们两个之间的关系。这种情况多用于什么？多用于一种政策性的研究，比如说货币政策和什么什么有关，这个影响因素是什么？他的一个变动会 影响到他什么样的程度，然后我们执行什么样的操作，这就是他的这个影响，就是相关关系的一个一个一个方面。第二方面是预测， 比如说我们有了今天这些什么数据，我们想预测明天的股价，这虽然目前很难，但是他至少是可以建模，可建模的什么意思？就像他这是今天的什么收盘价，开盘价开高收低 什么这些呢？什么换手率，什么乱七八糟的，然后做不完，这不还是第二天的骨架？ 如果事实上真的有一个这样的模型存在的话，假设是真的存在的话，那我们建出来是不是我们就是朝古就无往不利？就是我们几个月公式一算，哎，发现明天是就是高， 就是层高或者下低啊，那我们进行操作就可以稳赚不赔，这也是我们一个方法，但是目前股票虽然没有，可是其他情况可能有，那就是一个预测的方法，像预测天气或者预测什么， 只要是还没发生的事情，我们都可以建个模型来预测，但一般预测会用啊啊啊或者什么的违规，但是不太会用这种违规，但是这不也是一个那种 印象，或者是一个思路，就是我们这个，然后接下来一个重要的是什么？又重要的是我们要如何解释他，我们 有了这个模型对不对？我们首先我们还不知道怎么得到他，但是我们要明白，我们有了这个 bata 一、 bata 二和 batak 以后我们能干什么？如果我们都不知道他能干什么的话，那我们估计他出来有什么 意义，对吧？这些呢，我们有一个叫做归属，叫代估参数，或者叫回归系数，那么这个 b a、 v 它 k 到底是什么意思呢？ 什么意思呢？假设线性假设的意思是什么？就是这个备胎一，或者叫做备胎 k 吧，肯定是就是 它的对 x 的一个偏导数，这个能理解吗？因为这个方程长这样， 那么我们用他对他求导数，是不是正好就得到贝塔一？这是一个很简单的一个函数，这个函数如果对 xe 求到，那肯定就是得贝塔， 对吧？那么保数的含义是什么？或者叫这个边际效应的函数是什么？就表示 当它 x e 增大一个单位的时候，这个 y 应该是增大 bate， 现在就是 bate 的单位，这就是它的这个含义。 什么意思呢？就是我们看一下，就是这个参数，如果假设其他动物因为偏倒数的意思，就是当保证其他数不变的时候，那么它增大一个单位，是不是这个 y i 也会增大一个单位，这种就可解释了。 这就是一个我们为什么要把它估计出来的一个目的，那么估计这个目其实解释之前还有一个麻烦在哪？有可能会出现什么情况？会出现一个平方向或者一个交叉向，我们看是我们的交叉向 y 等于 雷塔 e x e， 然后变得跟 x k 是一个伽马乘以 x k i 乘以 x i m 的一个这个变量， 有了这个以后就可能就不是我们常常理解的了，那么它的这个平均就编辑效应，或者叫做编导，或者什么对 x k 求编导，肯定是有一个 beta k， 然后就有一个 gama x m， 那么这个 beta k 是不是就不能有解释为它变动一个单位，而另一个变动多少的形式呢？所以所以在不同的情况下，我们要看距离的模型做具体的解释， 其实还有一种，还有一种是什么？还有一种叫做叫做对数，就是 low y 等于 ba lawn x 加什么贝塔 lawn x i k 这样的一个形式，这样形式跟那个解释，可能我我们可以用这样解释说它的 lawn 增加一个单位， lawn y 增加一个单位是多少？但是我们有一个更加贴合贴切现实或者说增加 方面的解释是什么？这个 y 就是 x 增加一个百分比的时候，这个 y 增加多少百分比？ 虽然虽然不理解，我们待会如果你们底下另一个式子就明白了，就是乱 x 五五对它的一个导数， 其实就是，比如说就是 low， 呃，就是 low and y i 对 low in x 的这个求导，其实就是它的一个百分比的变化，就 x 增加 一个百分比的时候，这个 y 增加多少个百分比，这个是可证明的，这我们不详细展开，大家记住一句话，就是不同的参数，不同的这个 变量的形式，那么它的模型可以解释的效果是不一样的，其实我们估计它就主要是用来解释的嘛，所以解释是非常的重要的。那么既然回来回来回来回来到我们的估计方法了，那我们怎么去估计这个 叫做这个方程呢？或者叫这个模型呢？就引入第一个叫做 o l s 叫做最小二乘法。 说到最小二乘法，他的思路是什么？思路就是这个东西让他最小， 对了吧？如果这个东西达到最小，那么是不是他就很贴合实际了？那么这个东西怎么达到最小？ 还有第二个问题，这个东西他是怎么？如果他求和最小吗？好像不太行，因为他无论他有正有负，如果他就是加起来可能会正负抵消， 那么怎么样让它最小？我们有个方法叫最小二乘二乘什么类？ square， 其实就是 square 是一个平方的意思，那么就是用平方和最小 这部分我们专业，我们叫它残差，就是这个模型，我们剩下这是学习角度像，但是如果我们建议这个模型得到了这个部分，我们叫残差，叫残差平方和最小 得到的这个值，我们就让他等于这个，这能够理解吧？就是我们我们有点，如果说无给你无限次试的机会，你背他一，背他二一绕背他 k， 你随便试各种数往里带， 往里带吗？肯定会得到，每一个都有一个这种一个虚荣的，一个随机干扰，才会这么多的残差在里面，那么这个肯定有的大，有的小，我们把每一个官次都带进去，然后让他的残差 这平方，然后求和，如果他是最小的话，是不是就说明这个条线其实上已经比较完美的能够你合上这个 数据了？这就是我们这个部分讲的叫做最小二乘法，这也是我们的回归分析的一个很重要的地方，最小二乘。

大家好，我是阿林，今天开始使用 skar 左迈塔分析的第十四角图片的修改。 嗯，其实这里也许用修改不是很好，应该讲图片的修饰。我们做科研分析。呃，科学研究的过程中，所有的图片是不能够造假的，你可以美化他，但不能让他有任何的。 任何能够产生误解的美化都叫做造假。 呃，这啊，这张是没有 ppt 的，让我们来进行实验看一下。 我们用 up 分类变量，这个就是一个之前使用的一个标准的数据。 嗯，使用，咱们使用答案，使用组的发声数未发声数，对照组的发声数未发声数，然后作者它的进行一个分析， 然后在图片上右击右键，开始这个图片编辑，然后我们就可以看到这里是 可以进行任何的图片编辑的，双击就可以选择这个你要编辑的部位。 呃，也可以从右边选择你要编辑的部位， 比如说你不想要这个群众了，你就可以把它删掉，然后这里可以调节这个这一行所 字的一个大小，然后如果你不想要了，对不对？可以隐藏它，然后如果你后悔了，你就可以 control z 撤回修改。 双击这里可以看到你可以更改颜色，改成红色，有点落实。 呃，颜色的更改最好不要太多，尽量以嗯美观为主。 呃，至于这个是放的位置吗？这个， 嗯，姓名的有很多，大部分用到的都不多，你可以就是自己尝试着摸索。这里可以画直线，比如说你想在这里，呃，这里和那个 pc 作图一样， shift 就是强制画直线。 呃，你还可以这里打个字，对，抬头 可以打中文的，可以打英文的 ct 小耗子。 嗯，如果你这个编辑完了，就可以右键退出标记。呃，退出编辑，然后保存。保存的话，这个 g p h 格式呢，就是它的 zita 自带的图的格式，你保存了， 关了，然后再点双击，它会直接出现这么一张图，你还是可以右键编辑的。 呃，如果直接保存，那也是默认为这个， 可是， 然后你可以变成为这个，比如说 p n g 啊， t n f 啊， d d f 呀， e p s 呀，呃，需要注意的就是这个 say， 它对于这个， 呃中文的这个名字不是很友好。 呃，我们可以看到这里是没有一些中文的名字的，所以它是能够显示出来的。呃， 如果这里比如说 有一个 是中文的， 我们再来看一下这个图， 这个 milk 的一个标签， 我们可以看到，嗯，二零一七年二幺幺分期，然后这个保存， 如果保存到这个 d p h 格式是没有什么问题的，但是如果保存成这个 t f 格式， 嗯，他也是 有的，但好像是保存成 pdf 格式。 可以看到，如果你去，嗯，保存成 pdf 格式的话，它对于这个中文的一个汉字的，呃，精准度是不是很好的。嗯， 像这种的话，大家可以就保存成 t f 格式，点，这样的话，它是显示的中文的。 呃，最后再强调一下吧，就是说咱们这个图片的一个编辑，只是为了让 它更为美观，更为容易容易解毒，但是如果你将它的一些效应量或者是一些值有改变，会造成一个解毒的一个 影响，那么这就不叫做图片的一个修改美化，这叫做一个造假，请大家不要去尝试，不要以身试法，保持技术端正。 感谢您的聆听，祝您早日发文！

大家好，我是阿林，今天开始使用 stata 做 meta 分析的，第三讲 meta 分析纳入排除标准的确定。在第一堂课我们就说过， 那他分析最重要的核心思想就是在于纳派标准的确定，因为纳派标准确定了这个文章的主旨，也就是主题，确定了这个文章的灵魂。 呃，在制定这个纳派标准的时候，也是这个主要文章的主要内容的时候，经常使用的一个原则就是这个 psos 原则。 p 就是指研究对象， 讲的是你所需要研究的对象，或者是这个代表与研究对象相关 的问题。 i 呢，就是一个干预措施，就是给实验组进行的干预措施或者是观察指标。 c 是指对照组的一个观察指标或者是治疗措施。 o 的话就是结局。 s 就是研究类型，就是指你的研究设计是什么？对类研究，并列对照研究还是 rct。 我们都知道那个熊振学的金字塔最顶端的是系统评价或者是迈塔分析，然后接下来的话就是 rct， 再往下的话是并列并立研究， 再往下的话才是病例对照研究啊，很断变研究啊。如果你想有一个高质量的问他分析，那么就要纳入高质量的研究，所以最建议纳入研究就是 ct， 如果 rct 数量不足的话，可以纳入这个对联研究。 这一篇的话是一个解锁策略， 这个就是那个咱们第一篇讲的那个范文的检索策略，它是两个人独立检索，其中在麦塔分析中，为了减少这个单个人进行统计 或者是检索数据的一个偏移，通常是使用两个人独立检索，如果有不同意的 不同意见的地方，那么找第三个人协商，或者是两个人之间协商解决，然后他检索的数据库有 concrete， powermad 和 in base。 呃，一般英文的， 呃文章的话，检索的数据库都是这个拍卖的 in base， concrete， 然后还有一些会解锁 mandalan， 但是 mandalan 的话会和拍卖的 inbase 有大量的重复。 呃，还有一些会检索一些相关专业的数据库，这个就因本专因各自专业不同而自己去 找了。嗯，如果要是发表中文的话就是一般还要纳入之王万方为谱，加上拍卖 em base， conclude metal on 相关数据库 啊。检索策略这里他写的是这个有三组词之间用 on 的连接，然后组间的话是用的二连接。有一些人会写就是使用主题词和自由词， 也有一些人会写一个检索室，一般主要写的是拍卖的，也有一些人会在复录里面写上每一个数据库的检索室和每一个数据库的检索结果。 让我们现在看一下这篇文章的一个纳派标准。 然后第一点的话是就是说要有二型糖尿病且大于十八岁，然后没有既往没有一个认知功能障碍，这个就是我们这个 psy 四原则的一个 p 研究对象。第二点的话就是， 呃干预措施是使用二甲双瓜，这个就是我们的 i 干预措施。第三点的话就是重点指标是认知功能障碍，这个就是 是我们所说的 o 结局。第四点就是说这个研究是随机对照实验或者是观察性研究，主要是指前瞻性货对，或者是这个回顾性的一个对联研究，就是我们说的 s 研究对象。第五点的话就是说如果 呃，就是多个研究是同一个作者，那么如果要是不同的研究人群，那么就是要选择的，如果是同一个研究人群，那么就选择一个。 呃，看了这五点的纳入标准，我们会发现这个 p s o s 原则它少了一点，就是 c。 你的实验组是使用二甲双瓜，那么你的对照组是什么？是一个常规的治疗措施？ 还是说进行食物疗法？还是说进行胰岛素注射的人群？然后他并没有说，嗯，观察全文的话，他其实他的对照组是所有 哦，除了使用二甲双刮的，其他任意治疗都算在对照组， 但是我觉得这个还是写上去比较好。嗯，再来看它的排除标准。排除标准的话，第一点的话是说，呃，就是 嗯其他类型的糖尿病，比如说一型糖尿病，或者是这个患者虽然有二型糖尿病，但是他既往有一个认知功能的障碍。其实我们可以看到排除标准的第一条 和纳入标准的第一条是一个互吃的，如果你满足纳入标准的第一条，那么肯定就不符合排除标准的第一条，所以这两个是有一定的重复性，不建议两个都写上， 最好是在纳入标准写一条就行了。但是也有一个特例，就是比如说这个第二点就是一个呃，病例对照研究，病例报导或者是信件，这个其实也是讲的是一个研究类型， 他和第四点其实也是个互斥的，但是可以看到在大多数的 matter 中，这两点都同时出现在了文章中，所以这个虽然互斥，还是大家写上的，毕竟， 嗯，随大流嘛。第三点的话就是讲啊，必须要有 hr 数据，那么才可以纳入，如果要是没有 hr 数据，那么就没有办法进行后面的分析，所以会被排除。呃， 我们可以看到这一篇的纳入派出标准是分列分点一一点一点的描述出来的，然后我们可以看一下下面这一个，这一个的话，它的一个纳入的人群是 组 ibf 或者 ic 的人群，然后实验组的话，干预措施是在新鲜佩戴移植之前进行了。呃，子宫腔内 hcg 的一个注射对照组的话就是这个。呃，在新鲜佩戴移植之前没 有这个子宫腔的 h c g 的注射啊，癌 s 的话就是一个 r c t， 这是它的纳入标准。其实从这里我们可以看到它也是漏了一条 p i c s 没有 o， 但是我，呃，我看了这篇文章，它的 o 其实是这个浮生之领域里面的所有的，几乎所有的这个， 呃临床结局它都是有统计的，但是我觉得这里最好能够描述一下，可能会更好一些。 这里可以看到就是一个文献检索的一个方法，就是 先看 title， title 符合你的纳牌标准了，或者是不确定的，那么你再往下看看 abstract， abstract 如果 符合你的纳入排数标准，或者是你不确定的，那么就看全文，然后看完全文肯定就确定了，确定符合纳牌标准的，那么就可以进行提取数据啊，进行下一步分析了。 他的排除标准的话，就是一个总数文章或者是一个非前瞻性的比较研究啊，会议摘药或者是学术论文都会被排除。如果有两篇文章是 一样的，那么他选择了那个样本量更大的，或者是有更多的观察指标的。 呃，我们制定纳派标准，一般这个纳入标准是根据这个 psos 原则来进行确定的。 排出标准一般就是讲这个关于人群，人群如果要是有合并其他的并发症的患者， 或者是严重并发症的，呃，或者是严重其他内科疾病的患者，一般会要排除，因为你不能够确定其他疾病是否会对于你这个药物治疗是否有影响。 嗯，当然了，具体问题具体分析。嗯，不能够提取数据的文献要排除， 因为他不能够提取数据，你就没有进行后面的卖法分析，你纳入他有什么用呢？对不对？呃，重复的文信，一般的话是取样本量更大的，或者是有更多的观察指标的。如果 一个实验，他写了两篇文章，然后样本量是一样的，但是观察的指标一个写了三个，一个写了四个，而你的篇文献需要纳入七个，然后分别位于两篇，那么两篇都要纳入，但是他们算一个研究。 谢谢大家的聆听，今天就到这里，从明天开始，我们开始 style 软件的一个使用，感谢您的聆听。

拼不通，根本拼不通！多运维的新手兄弟是不是一碰到服务器网络不通就慌的不得了？今天教你四招自用绝活，全程干货！首先你要了解并音拼不通还是连不上，远程， 还是分不清网卡配置还是运营商的问题。然后可以根据我的步骤来排查，首先确定本地问题，不要一上来就怪网络，先把服务器本身的问题排查了，这一步就像看病，先自身查，再找外部的原因。首先看服务器的物理状态，如果是实体机，检查网线有没有插紧，网卡指示灯亮不亮， 如果云服务器，那就先登录云控制台，看实力是不是正常运行，有没有被安全组拦截。然后用基础命令排查本地网络状态， 查看网卡是否正常启动，有没有分配 ip 地址。然后第二步检查网络的配置，本地网卡没有问题，就看配置是不是出了差错，新手最容易犯的错误就是 a p 网关，查看默认的网关是否存在， 如果没有默认网关，网络肯定出不去，需要重新配置网关。然后再查 dns， dns 错了会导致无法解析域名。 查看里面的 dns 服务器地址是不是正确的，如果里面是空的或者地址错了，直接编辑这个文件，添加正确的 dns， 然后保存。 然后第三步测试链路的连通信配置没有问题，就测试从服务器到外部的链路通不通。这一步用拼命令就可以了，从远程逐步测试拼网关 ip， 比如拼 幺九二点幺六八点一点一，如果拼不通，说明服务器到网关之间有问题，可能是交换机故障或者网络拓展铺的问题，如果拼通了，然后再拼网关 ip， 比如 pin 二二三点五点五点五，这是阿里的 dns。 第四步，定位外部问题。如果前面的排查都没有问题， 那大概率就是外部的问题了。如果是云服务器，先检查安全组配置，看是否放行，比如二二端口、八零端口，很多新手会忽略安全组，导致网络不通。 如果是实体机，就检查交换机路由器是否正常，有没有端口被禁用的情况。所以最后总结下来就是，先确定本地网卡，然后再检查网络配置，然后再测试链路连接器，然后再定位外部的问题。 建议大家把今天讲的记下来，遇到问题逐步去排查。最后多说一句，别自己瞎琢磨，授人以鱼不如授人以渔，我把我当年的笔记整理出来了，还有几百节内部视频， 从怎么安装到怎么做项目，到怎么排查故障，都是手把手教学，学会之后达到我这种水平完全没有问题。只要是我粉丝，扣三个一，我分享给你。

大家好，欢迎来到 sita 数据分析入门课程，我是车水老师，本节课我们来讲一下如何使用 sita 来识别以及处理离群池。 主要分为三个部分，第一部分是离群指的识别，第二部分是缩尾处理，第三部分是结尾处理。 缩尾处理和结尾处理呢是处理离群植的两种非常常用也是非常有用的方法，我们来具体学习一下。首先是离群植的识别， 我们有两种识别方式，第一种呢是画香型图，第二种是使用这一线的命令，然后画香型图的命令呢是用 rap box 后面添加要画的那个变量的名称 就可以了，然后 aj 三这个命令呢是，嗯，直接在 j 三的后面要加上你要识别的那个变量名称就可以。好，我们来用随他实力操作一下。首先 打开斜塔，打开杜文档，然后我们调用一份系统的数据，还是要首先首先先把这个杜文档保存一下，叫离群指的处理 ctrl， 嗯，这个比如说这个价格，这个面料呢，他的均值是六千一百六十五，最小值是三千二百九十一，而最大值呢是 一万五千九百零六，就比这个均值大很多很多，而且他的标准差呢是两千九百四十九，也是非常大的，所以我们就可以猜测他可能有一些利群值。 嗯，那我们用香型图来画的话呢，就是用刚刚说的哆啦 box， 然后面直接加，嗯，电量名称 pro 就可以了， 我们运行一下看一下。好， 这个是啊，香型图中间最中间这条线呢是中位数，然后，呃，这 这个箱子的上上端和下端呢是上下四分位数，然后，呃最上面最上面的这个横线和最下面的这个横线呢， 是上边缘和下边缘，如果我们的数据分布在上边缘的和或下边缘以外的话呢，我们就认为这些数据是离群值。那我们可以很明显的看到，其实这个这个变量呢是有很多的离群值的。然后 这个香型图呢，还有一种功能，就是可以看到，嗯，不同分类下的菱形值得分布。就比如说我想知 知道这个福瑞，他是一个分类变量，在我想知道国内和国外的呃，不同种类下的汽车价格，他的一寸值得分布状况。那我可以直接在后面添加一个嗯，拜佛瑞的选项，拜就是 类别的意思，然后运行一下就可以看到，就是对于国内的这这一组来说呢，他的离群值更多，也分布的更广。对于国外的这一组 啊，样本来说呢，他的离群值相对就少那么一点。那我们就可以从这个香型图里面看到啊，这个离群值的分布，以及他在不同种不同组别下的分布状况。 我们还有第二种，呃，识别离群指的方式呢，就是用 aj 三这个命令，这个他的英文里面的含义是毗邻的意思，那我们来使用一下，看一下结果会是什么样的 好，他出来的结果呢是，嗯，低于这份 lower 这三年的啊，这三的意思呢就是说，呃，在我们的上边缘以上的值 和下边缘以下的值，就是上边缘的那个边缘值是八八一四，下边缘的边缘值是三二九一，也就是意味着说如果我的样 的价格低于三二九一或者高于八八一四呢，就意味着他是离群值，嗯，然后 呃用这个命令的话呢，我们同样也可以知道不同种类下的利群值得分布，后面也是加 buy， 然后加入你的分类变量，比如说 sorry， 那我们就可以看 看到，就是对于国内的这一组汽车来说，低于三二九一或高于八八一四就是离群止了。而对于国外的这一组来说，低于 于三四三七四八和高于九七三五啊，他才是离群植。 所以跟跟我们用香型图的那个结果是一致的，因为因为国刚刚香型图里面国外的那个他在上边缘以外的利群值也是 分布比较少的吗？说明大部分的离群植是分布在这个国内这一组的，跟这个是一致的。好，识别了离群植之后呢，我们就要对离群植进行处理， 我们有两种处理方式，我们首先来讲第一种缩尾处理，缩尾处理的含义呢，就是呃，将边缘直给他缩到边缘直我们的边缘之内， 我们来用一下这个缩尾处理的命令呢，是 vs 这个命令，然后他的使用方法呢，是 你在后面加入你要缩的那个变量名称，然后再加生成新的变量名称的选项，然后再加你要缩尾的比例。比如说我要呃双边百分之一的缩尾，那后面就是 p， 这个 p 代表 percent 胎哦，就是 比例零点零一。如果你要百分之五的缩尾，就是 p 零点零五，如果是百分之十缩尾，那就是 p 零点一，我们来用一下试试看，嗯，第一次我要将 fas 这个命令 缩尾进行生成一个新的变量，叫做 pos 杠 w， w 就是 wins 的意思，然后缩尾的比例呢是百分 分之五，运行一下好他就缩回来了，那我我怎么能知道他缩回来之后是什么样子的呢？我们来画一个指方图看一下，用这个图位， 我们首先来看一下缩尾之前的脂肪图是什么样子的，是这样的，我们就 看到呢，就是左边这一些，嗯，其实是没有的，最小值是三千二百九十一， 我记得，嗯，对，最小只是三千二百九十一，所以这边是没有的，但是对于这边呢，你就发现他的脱尾的现象是特别严重的， 那我们来看一下缩尾之后的图尾，还记得之前说，嗯，画图的方式 预警一下，这个就是看不太清，所以我们用颜色来给他标标记一下，后面加一个卡点的选项， 我要用绿色就能分出来了，就是这个绿色的呢，是啊，这个变量，也就是说缩尾之后的变量，那我们就 可以发现呢，缩尾之后的这个样本的分布呢，他更更接近于中间，他就没有这个特别离谱的这些数据了，就是相当于把这些啊离群指给他缩到中间来了这个意思， 然后对于左边的一些纸也是这样的， 好，这个如 这个呢是双边缩尾，如果对于这份数据来说，呃，我的这个下边缘呢，是三二九一，但是 是我数据的最小值也是三二九一，说明这个下边缘这边我是没有离群值的。如果我只只想说啊其中的一侧的话，那我需要在这个 v 字这个 命令之后呢，再添加一个选项，就是比如说我只想啊对上边元缩尾，那我要加一个嗨昂类， 那我就会生成一个新的变量叫，比如说没吃。然后呢我们再来看一下上边缘缩尾之后的样子，就看到左 边是一样的，就是没有进行缩尾处理，但是右边呢就把一寸直给他缩回来了，是这样的，所以我们要根据自己的啊 电量的分布状态来选择我缩尾的比例，以及缩尾的是上嗯，是双边缩尾还是单边缩尾，上缩尾还是下缩尾？这样 啊，我们来讲第三部分就是结尾处理，如果说这这个离群植我不想要了，那我就可以直接把它截掉，然后我们用的命令呢，是这个以杠 pc 太阳这个命令。 然后呢后面要加上结尾的这个比例，比如说我想啊上下百分之五都给他截掉，那我就要后面加一个 pose， 他要后面加五上五下九十五，这个是比例。然后我们 来试一下 pc， 好，那我们运行一下就可以， 好，他就已经运行好了。嗯，那我们现在来再来看普拉斯有什么变化呢？他跟之前是 一样的，没有什么变化，那我们需要呢返回一下我们的分位数值， 就要一起。 好返回，返回之后呢，这个的意思就是，嗯，上 边的百分之五的那个节点是三七四八，也就是小于三七四八的那那些样本数，他占了整体样本的百分之五，同理大于一万三千四 百六十六的样本数量占了总体样本的百分之五，所以这个就是啊上下百分之五的那个节点。所以我们如果想结尾的话，就需要把小于这个 下百分之五的数据和大于上百分之九十五的这个数据删掉，所以我们就要照顾一下，然后面添加一个，呃， 条件一出来，小于啊，二二一二二一呢就是代表 啊，是这个三七四八这个数啊，就是代表到百分之五的那个节点， 大于这个代表的是上百分之五的那个节点。那这样呢，我就把这个上下百分之五的 数据给他截掉了，这就是你上百分之五下百分之五的数据，分别是三七四八一三四六六，和这个意思是结果是一样的。好，这就是 是我们讲的缩尾处理和结尾处理。本节课呢我们主要讲了三个方面，第一方面呢是一群值得识别。 第二方面呢是离群植的处理，包括缩尾处理和结尾处理，这个是这两种处理方，方法呢是非常常用的，大家一定要记住。

一天曝光一个变态工具，今天要曝光的是这个万能命令，是付费热能的克星，只需要在网址前面加上这个命令，就能执行你想象不到的外挂机操作。比如这是某文库的文档，直接下载是需要花钱的，但是现在直接输入这个命， 然后回车就能跳转到他的下载指令，点击下载文档就能直接保存到本地了。如果是影视剧，输入万能命令，按下回车就能直接把对应的影视剧解析出来，支持下载观看，也可以下载本地观看，几乎所有网站都是用，非常厉害。

哈喽，大家好，那么最近收到私信表示面板数据我们都知道做简单的固定效应模型，但是具体的命令又有好几种，然后大家可能有点稍微的分不清楚，那么这期视频就把最常见的几种代码给大家分享一下，希望对大家有所帮助。 然后对于面板数据呢，我们最常用的就是这四种方法，嗯，总体来说这四种方法都特别简单，只是每一种就是稍微有一点点需要注意的地方，那么这里给大家简单的解释一下。那么 呃，然后我的这个数据仍然是我常用的一个面板数据的一个教学示范数据，然后就是个体是 province， 然后年份是 e， 然后后面是 y x c x 三这样子的一个数据。那么第一种命令呢？我们主要是 呃通过，如果要做双向固定的固定效应模型，一般是通过引入虚拟变量来代表不同的个体，可以取起起到和固定效应这个组类估计一样的效果， 那么区别就在于我们要引引入虚拟变量来代表不同的个体，那么这种就就称之为简单经典的一个呃，最小二成虚拟变量方法 through lsdv， 那他们的优点就是可以对个体， 也就是可以对个体进行一个抑制性的估计，那么缺点就是如果你的个体 pro， 我的是 province， 一般不会大，就是固定的，如果大家是公司啊或者是银行啊什么的，就是在嗯，特别大的情况下，可能会要引入特别多的 呃，虚拟变量，那么自由度损失太大了，可能会超出 stator 所决所允许的解释变量个数，那么可能就 这，那么这可能就是他的一个缺点，那优点呢？就是他对数据格式是没有要求的，他是横截面数据啊，面板数据啊，都可以使用的。 那我们接下来先跑一下第一种结果，但是第一种结果你如果做面板数据，你要控制时间和个体的话，就只能通过这种加入虚拟变量的方式而来进行控制， 所以他的结果，所以他的结果会报告一大串串那种虚拟变量的回归结果，你看我有多少个个体就得包包多少个虚拟变量的结果，一儿也是的。然后你看， 如果你这里的，呃，我的，呃，如果你这里的个体很多的话，那么可能会很多很多跑下来，呃，如果如果特别多，那可能 会超出他解释的个数，所以，嗯，很大的话，那么这个命令就不太行啊。这是第一种比较简单，我把结果保存一下，等会一起导出来对比看一下。 嗯，第二种呢？我们用的很少，那么第二种命令是对第一种命令的一个优化，它，它对数据结构也没有要求，嗯， 他唯一对他改进的就是指，就是 i 点 promise， 就 i 点个体， i 点 id 这种。因为我们有时候在回归中控制很多虚拟变量，但是又不想生成， 呃，这么多的，生成这么多的虚拟变量的时候，不想报告虚拟变量的回归结果，那么我们就可以使用这种，使用这种命令，那么这种命令就是可以更快的汇报这种更简洁的结果，那么他的局限就是这个，额不，字儿里面包含了这个分类变量，是只能加 一个变量的，如果你是要估计是要进行双向固定效应，或者是更高维度的固定效应的话，那么还是得使用这个 idea， ear idea 什么的方式来映入一个序列的变量。 但是我现在写的这个代码跟 d 中的代码是等价的，结果其实是一样的， 那么这是第二种情况，我们也把它保存一下。你看这里，我把 year 把 province 说错了，加入这个 oppo zero 里面进行控制歌词， 把个个体进行控制的时候，他就不会报告易产川的这种虚拟变量的回归结果。所以在 n 很大的话，我们可能就不用第一种，就用第二种 mini 比较方便一些，那么接下来是第三种。嗯，第三种呢，是我们最最最 常用的，因为这个是呃 state 的一个固定效应的一个官方的命令，那么是最为纯正的吧。应该这样说，它是一种组类的估计量，但它要求的必须是针对面板数据，因为它是 x t， 它是针对面板数据的。所以我们在使用这个命令的情况下，前提下一定要先定义呃 个体维度和时间维度。 我的个体是 province 的，年份是 year， 我们先要进行个体和时间维度的一个定义， 那我们一旦在这个固定效应后面加上这个 f e， 呃，不是这个回归效应，加上 f e 就表示使用固定效应组类估计的方法。如果这里是 r e 呢？就是随机效应，那这 这个代码呢？因为我们如果加了 f 一，就是使用固定效应足类估计，那么这个代码是默认我们是控制了个体了，所以这里不需要再用 idid， provinceididid 或者是 idid。 呃，什么什么？呃，就是你的个体的变量名来进行控制你的个体，因为这个命令 这个 mini 是只要你这里加了 f 一，它就自动是控制了个体的，这种固定效应是自动控制了个体，大家一定要记住，所以这里不要再加 i 点 i 点 id， i 点 province 什么的。但是呢，如果我们要控制时间的话，我们还是要通过引入虚拟变量 i 点 e 而来表示不同的时间。 嗯，这种是这种方，这种固定效应呢是通过一种呃泥叉变换消除了不同个体的组间差异，保留了每个个体的一个组类差异，所以这种方法我们一般称为组类估计，这种是一个 组类的估计，那么需要主要的。呃，需要注意的是，就是同一个个体不同时间的扰动项可能相关，所以说我们也可能存在一定存在一定的组类字相关，所以我们还需要使用以每个个体为剧类的一个剧类稳健标准物，也就是后面的后面的这个操作， 剧类文件标准为个体为剧类。然后我后面发现我每个代码后面都都进行了这个操作，因为我为了让四种尽可能的一致嘛。然后接下来我们跑一下这个最纯正的一个固定效应模型， 它这里也不会报告你的个体的一个虚拟变量，因为它是直接自动控制了个体的，所以这里只需要用 i 点 e 来引入虚拟变量控制年份就可以了。 然后我们可以把这个回归结果保存一下。嗯，接下来要要分享啊，文字， 文字，算了，讲完了之后再拍他。然后第四种命令是一个多维的固定效应模型，因为有的时候我们需要控制一个多个维度，有时候我们的个体 可能会先分城市，再分区域，再分什么或者是银行，呃，先分先是具体的银行，然后再分一定的行业 或者是公司，把，公司也会通过某一个指标进分，再分一定的行业什么的，所以这里有时候会有个 industry， 或者有个什么区域的划分就是，嗯，所以我们会，所以我们就叫多维固定，他除了他不止可以控制时间，个体还可以控制更 高维度的，这是它一个最大的一个优点。但是在我的这个，呃，我的这个面板数据里面，我没有这个更高维度的需求，所以我这里就是还是以 ear province 来进行控制。就是我这里强调这个命令就是为了想告诉大家它是可以进行多维固定的。如果我们还要 对更高一个维度进行控制的话，那么这个固定效应模型是，呃最方便的，那他们的他的 运行速度也比上面的命令都要高一些。但是呢，这个命令是一个外部的命令，所以我们执行这个命令的时候，嗯，必须要先安装一下，也就是 s s c in store 安装一下。 那安装这个命令的时候，有的人会说会出现一定的报错，然后报错的时候他下面不是会进行一个提示吗？你点进去看的话，你会 会发现他还需要再安装一个辅助工具箱就可以了，就点击一下就可以了。那这个命令就是多维的固定效应，我这里是没有更高维度的一个需求，先把它删了。 嗯，这个就是多维固定效应，然后它跟与前面的 mini 相比呢，它不会不需要使用 ident province， ident year 挨一点 province 挨点也或者挨点什么来引入虚拟变量，那他会方便很多，而且也不会报告呃，就是易缠穿的一个虚拟变量回归结果，所以他总体这里都比较简约， 比较好看。上面的话都会报告很多的虚拟变量的结果。因为我这边我的数据量不大，所以你觉得这些虚拟变量对你的结果什么的没什么影响，但你如果数据量很大的话，你就会发现一定的不变性的。 那我觉得这种 mini 是前面的一个 mini 的一个更高的优化哦。接下来我们把这个 mini 也保存一下， 然后接下来我们把这四个 mini 一起导出来，看一下这四个 mini 的一个估计的差别。 a step mini mini 结果导出这个我有教学视频的，我们我们 a step 四个 mini， 然后用表格用 reg 一来进行表达，然后后面这些参数的话，大家学习的话可以看我另外一个视频。 然后因为我里面有些变量都报告了虚拟变量的结果，所以我这里只知道除了 x 一二三对外的一个回归结果的一个结果汇报。 然后我们把四个结果导出来，点击一下， 我们看到这个结果导出来了，然后我们看一下这个结果。首先呢，我们看到这个回归系数基本上都是一致的，是没有什么差别的，因为我做命令的时候我就会尽量把，呃，尽量就是保持一致， 嗯，就是在等价的方式上进行这个代码的一个变换吧，然后他们的回归系数基本上是一致的，没有什么变化，变化的唯一的就是这个标准物，标准物可能会略有差异， 我们可以看到二三这两种标准物是一模一样的，因为这两个估，呃，这两个估计结果的标准物是一致的，因为这两个命令背后的估计方法是 特殊的那种混合的 ols， 也就是最小二乘法，所以他们两个的那个呃结果是等价的回归，连标准物都是一致的。那么一和四的标准物呢？ 呃，也是一致的，因为他们两个人，他们两个命运的背后是组类的，一个估计是一个固体效应的一个估计结果，所以一四等价，二三是等价的，但是，但是标准会稍微有点差别，倒也不太有影响。 那么最后再把这四个命音给大家讲一下呢，就是强项，重点就是 这三个。第四个命令是一个多维的固定效应，我们需要呃对多个维度进行控制的话，又先又先选择第四个，又先选择第四个命令， 然后再强调一下，第一个命令是 state 的一个官方命令，它是自动控制个体的，所以有时间需要时间固定效应，需要引入时间虚拟变量进行控制，但是个体是自动控制的，那么这两种命令呢，都是一个最小二乘法的一个回归结果。 嗯，他对于这种第二种情况，是个体和时间都需要通过引入虚拟变量的方法进行控制，那他相对来说就会速度，运行的速度会比较慢，但是他会汇报详细的一个虚拟变量的结果， 那么它是可以控制一个虚拟变量，它是可以，呃，就是它相比于第二种情况的话，它是可以汇报一个更简洁的结果，如果你的 n 很大的话，然后你可以考虑试一下使用三， 没有说哪个命令最好。嗯，但是你这个二三是不挑数据的，它是横截面数据也可以的，那么意思都是针对一个面板数据的，尤其是一，所以大概就是这四种模，呃，大概，哎，我这么讲的被我自己把我自己绕进去了呢， 反正以上就是这个四种固定效应模型的一个简单的一个讲解。嗯，希望对大家有所帮助。那么我们自己在日常的写论文什么的，一般用的比较多的都是一和四，如果是面板数据的话，如果是很简便数据的话，那就是二和三， 那么在横截面数据中优先使用二和三，横截面数据中 n 比较大的话，我们就使用三，那么如果是面板数据，我们优先选择一，然后如果是面板数据中，我们需要对多个效应的多维固定，就除了时间、个体还有更高的一个区域进行需要控制的话，我们就使用四， 简而言之就是上面的这些。嗯，那么今天这期视频就到这里结束，大家如果还有问题的话可以在评论区留言，嗯，谢谢大家。

大家好，首先呢非常感谢呃各位读者，各位朋友选择呢我们呃这本 stitch 的相关的一个图书进行学习。首先呢我们也进入第一章，第一章呢是讲解了这个 stitch 的基本的操作，以及这个数据处理的相关的一些基础的知识 啊，也是 state 入门的一个最基础的一个东西，所以说大家一定要认真掌握。首先呢关于 state 介绍呢，其实不论是这个互联网上，还是我们在这个日常生活当中，可能大家都会设计的接触的， 那么但是在这呢，因为这个设计了入门的一个讲解呢，我还是简要介绍一下啊，关 s data 呢，它是目前最流行的计量软件之一啊，是一种功能非常全面的统计分析包，统计软件包，它呢容易操作啊，非常 容易操作，一般呢可以通过菜单，也可以通过命令啊，国内的读者呢，其实更熟悉的是通过命令见面呢，相对来说呃非常友好， 运行速度也很快，然后功能很强大啊，这个里边呢，本身呀，他就有一套这个预先编排好的一些分机和分析和数据功能，也就说读者可以直接输入命令，就可以调用相关的一些分析的程序完成相应的操作。同时呢，如果说这个预排的这些 分析要数据功能不能够有效的满足用户的实际的需求，那么读者呢，还可以根据自己的需要自己来编制程序啊，自己编制程序，然后用来分析自己的数据， 所以说他是一个非常开放式的一个软件啊，也是那个就是呃具有这个持续可优化空间的这么一个软件，所以 说呢，就是啊，自从这个软件被引入到我国之后啊，呃，不论是这个学者研究者还是我们这个企事业单位的很多的这个数据分析者都是非常认可并且愿意使用这种 state 在统计分析软件来解决自己的学术研究问题或者说应用实践问题。 呃， sd 的十六点零呢，是这个目前的 sd 的流行版本，呃，最新的呢，根据我的自己的了解啊，可能是出到了十七点零，但是十七点零呢， 并没有在中国范围内的广泛的这个应用开很多。这一个呃读者装的软件版本呢，可能还是十六点零啊，所以说呢，我们还是基于十六点零的这一个呃操作进行一个这个软件版本进行相应的一个介绍。 首先呢，我们这一个第一章主要是分为七节，第一节呢是 stat 概数，第二节呢是 stat 十六点零的窗口说明以及基本的设置。 第三节呢是这一个 stage 十六点零基本命令语句结构。第四节呢是 stage 十六点零运算符语函数。 然后第五节呢是分类变量和定序变量的基本的操作。第六节呢是常用的几种处理数据的操作。第七章呢就是对本章整个的第一章进行一个回顾， 当然呢还有就是配套的有练习题，呃，因为练习题呢，在很多的这个读者他是用来作为教材，所以说练习题啊，我这个地方呢就先暂不讲解。 首先呢我们来讲解一下第一节啊，关于第一节 ct 的概述的我简要介绍一下。 其实呢，我们这一个我们的教材当中呢，介绍的非常的详细，我也没必要再过多的去重复。呃，总之呢，就是他这里边呢，说了 state， 他的一个优势就是我们为什么要从那么多的统计分析软件当中要选择 state 进行学习， 可能呢，包括 spss， 包括 sauce， 包括 r 语言， matlab， 呃， passing 等等 一系列统计分析呢软件呢，都可以满足我们特定的统计分析需求。那么我们为什么愿意选择 state 来进行一个学习啊？这只是就，然后呢就是我们呢，呃， 就是基于是对他具有的种种的一种优势啊。刚才呢，我在前面呢其实也有所设计，就说他的运行速度快啊，他比较开放性啊，或者有持续的可深化空间啊。在此之外呢，他具有一个强大的图数据分析和图形制作功能， sleet 呢，还可以进行一个矩阵的运算。从我自身的这个学习研究经验和这个工作实践经验来看呢，身边的很多的同学老师，还有就是我们的同事领导们等等哈，大家呢用的都是 sleet 软件， 使用四 g 软件呢，一个是确实比较容易上手，再一个呢他确实是也比较简单啊。呃，我个人这里也是这样的啊，如果说真的想这个学精学懂， 弄通做透这个 state 其实是比较困难的，因为它这个里边的这种模块非常多。然后呢，他在那个也是紧盯这个学术研究的前沿，把很多最新的计量统计研究分析方法呢，也实时的补充到我们的 这个每一次的软件版本的更新中来啊。但是在此基础上呢，呃，这种这种基础性的一些分析，比如说回归分析，相关分析，统计报表这些制作这些这个基础的功能呢， 他也是就是这个不论是从界面上还是从这个使用的效果上来说是经久不衰的，也是非常容易上手的。 也就说不论是想利用 state 从事比较高深研究的这种呃学术研究型的呃人才，还是说我们只想就是掌握这个基础应用功能来进行 行这个自己的基本的学术研究，比如说我就想完成自己的毕业论文，或者说我们就想解决企业里边啊，可能就是说我们区别哪些是优质客户，解决这么一个特定问题的话，那我们只需要学其中的一点点，甚至只学一个命令就可以，那么斯里特也是非常容易上手的。 总之呢，就是 speed 它的这个受众人群是多样化的啊，能够很好地满足每一类层次的人员的实际的需求 啊。当然对于对斯对特的这种认知和理解包括评价呢，肯定是仁者见仁智者见智，可能有的呃，有的这个统计的学者就觉得斯对特不好用，那这一块呢，肯定也有他自己的理由。那么但是对于我本人来说，还有周边的很多的这个朋友来说，斯对特确实是一个非常好的 一个软件，值得大家投入足够的充分的时间精力去学习，并且呢把它有效的结合应用到我们的呃学术研究或者工作实践单位来。 而我本人呢，创作这本书的初衷呢，也是为了啊，让国内的这些有志于学习 stit， 掌握 stit， 应用 stit 来解决实际问题，能够学习的更为轻松一些。所以说呢，我不论是在一些 啊这个统计方法的介绍上，还是在这一个呃统呃相关命令的介绍上，以及这个对于 案例的举例，对分析结果的解读上，都倾注了大量的精力，也开展了大量的调研，然后呢，尽可能的把所有的事情呢都说明白，说透弄懂，让大家在学习的时候呢， 能够呃轻松一些 啊。这是第一章的第一节 state 概述的相关的内容，下面呢，我再来介绍一下我们的 state 十六点零的窗口的说明，以及基本的设置。 其实呢，与大部分的这个程序窗口类似， sleet 也有自己的菜单儿来呃工具来，它的特色呢，在主界面当中的五个区域，隶属窗口，隶属窗口呢，又称这个 history 啊，然后那个变量窗口， 变量窗口， 变量窗口啊，玩 airpods combod 命令窗口， result 接物窗口，接物窗口，然后 perfect 属性窗口啊，它主要展展示的是我们的变量啊相关的一些属性。 这五个窗口关于每一个窗口详细的介绍呢，这儿呢，我给大家再再汇报一下啊， 大家可以看到呢，我装的是这个 m p m p 版的这个十六点零， 这呢，大家在出散装的时候可能是英文界面啊，但是这个我这为什么是中文界面呢？ 是因为我进行了相应的这种设置。怎么进行设置呢？我这儿也先给大家讲一下，在这个地方编辑编辑， 然后呢，在很多的这一个就是呃大家的这个现现在的界面呢，可能是叫 edit edit， 呃，然后这个 首选项大家可能是 prefer recess 啊，用户界面语言应该是 user in in interface language， 这个呢，我们在教材上也有所提及，然后点这个 我这呢，因为已经设置成了这个简体中文，大家呢可以根据自己的这个语言编号习惯进行一个设置，比如说改成英文版， 然后在下一次启动 ct 的时候，它就会发生改变， 大家可以看到现在呢，就回到了大家自己的这个刚安装好 state 十六点零版本的这个界面， 那么怎么把它设置成这个简体中文呢？ edit preferences， user interesting language， 把它改成 chinese， ok， 关闭。下次再进入的时候，点开 就出现了我们的这个简体中文界面，然后呢，我们就可以，如果说是大家喜欢菜单操作的，可以通过从这个菜单当中进行 设置，找到对应的统计分析方法，然后进行这一个相应的呃操作。但也可以在这在命令窗口直接输入命令 历史窗口呢，它显示的是自本次启动 status 六点一零以来执行过的所有的命令。 命令产生的渠道包括两类，一类呢是用户直接在 come 的窗口输入的命令，无论命令是否正确，错误的，未被执行的命令他会被加上红色。另一类呢，是用户通过窗口菜单操作，这个是的是自动换算得出的命令， 也就说我们呢可以直接在这说，他会在这进行展示，也可以呢，通过菜单进行操作，他也会在这个历史窗户显示相应的命令。这个 呃这一个软件特性呢，就给我们带来了一种便利，也就是说，如果我们知道菜单操作，那大约知道这个菜单是怎么操作，但是不会写命令怎么办？ 我们呢就可以先用菜单把它操作一遍，然后实际上自动的就会在这显示出相应的命令出来，那我们就可以把命令进行保存，或者说把它记下来，下一次再输输入命令就可以达到啊，跟这个菜单操作一样的效果， 相当于呢，跟着 skate 学习了一遍，如何这个编辑相应的命令， 然后这个变量窗口呢，它显示的是当前 stat 数据文件当中所有的变量啊，然后这个如果说是这个变量，这个单击它的时候啊，这个变量呢就会在 command 窗口出现啊， command 窗口呢，就是输入命令他的这一这么一个界面， result 呢，其实就是这个，这个倒是没有写哈，它这个呢，上面这一块它就叫结果窗口，无论成功还是失败， stat 这个 stat 都会显示执行了结果，如果失败了的话呢，它会以红色的信息显示，并且会告诉你的原因。 这个呢是属性窗口啊，每个窗口的大小呢，可以自由的调节。 然后呢这个地方呢，可以啊，可以把它关掉啊，大家如果觉得没有用的话，就可以把它关掉，也可以进行恢复啊，这个都没有问题啊， 比如说我们把变量窗户关闭了，后来觉得变量窗户有很有用啊，我们可以再把它找回来啊，对于属性窗户也是一样的道理。 当然呢，这个快捷键也是有用的啊，比如说我不用鼠标操作，我用键盘上的 ctrl 加一，也是能够达到同样的一种效果 啊。关于这个第二节呢，如何设定偏好的界面语言？在刚才呢，其实我也已经结合着呃我们这个 states 的界面进行了一个讲解。呃，读者呢，也可以按照这个教材上规范的 这样一种做法，自己进行一个灵活性的设置啊。啊，我们学习这个这软件呢，最重要的是要除了学会的同时更重要的是要应用，所以说呢，就鼓励大家在用的过程当中呢，自主的进行摸索啊，多摸索， 只要把数据保存好，数据不丢失啊，大家都是可以尽可能的根据自己的理解多操作几十次啊，在摸索当中呢，会自然而然的学会各种命令，各种这个菜单操作的一些具体的呈现，从而呢能够更好的学习，死罪他啊，这个学习， 呃，这个跟这个多尝试他是密不可分的，多尝试呢，肯定这个学习效果可能就会好一些。