查看: 18173|回复: 16|关注: 0
统计分析软件SAS、Stata与SPSS的比较
<h1 style="color:#6 麦片财富积分
入门, 积分 206, 距离下一级还需 294 积分
关注者： 18
很多人曾问及SAS，Stata 和SPSS之间的不同，它们之中哪个是最好的。可以想到，每个软件都有自己独特的风格，有自己的优缺点。本文对此做了概述，但并不是一个综合的比较。人们时常会对自己所使用的统计软件有特别的偏好，希望大多数人都能认同这是对这些软件真实而公允的一个对比分析。 　　
& && && & SAS 　　
& && && &一般用法。SAS由于其功能强大而且可以编程，很受高级用户的欢迎。也正是基于此，它是最难掌握的软件之一。使用SAS时，你需要编写SAS程序来处理数据，进行分析。如果在一个程序中出现一个错误，找到并改正这个错误将是困难的。　　
& && &&&数据管理。在数据管理方面，SAS是非常强大的，能让你用任何可能的方式来处理你的数据。它包含SQL（结构化查询语言）过程，可以在SAS数据集中使用SQL查询。但是要学习并掌握SAS软件的数据管理需要很长的时间，在Stata或SPSS中，完成许多复杂数据管理工作所使用的命令要简单的多。然而，SAS可以同时处理多个数据文件，使这项工作变得容易。它可以处理的变量能够达到32,768个，以及你的硬盘空间所允许的最大数量的记录条数。
　　统计分析。SAS能够进行大多数统计分析（回归分析，logistic回归，生存分析，方差分析，因子分析，多变量分析）。SAS的最优之处可能在于它的方差分析，混合模型分析和多变量分析，而它的劣势主要是有序和多元logistic回归（因为这些命令很难），以及稳健方法（它难以完成稳健回归和其他稳健方法）。尽管支持调查数据的分析，但与Stata比较仍然是相当有限的。
　　绘图功能。在所有的统计软件中，SAS有最强大的绘图工具，由SAS/Graph模块提供。然而，SAS/Graph模块的学习也是非常专业而复杂，图形的制作主要使用程序语言。SAS 8虽然可以通过点击鼠标来交互式的绘图，但不象SPSS那样简单。
　　总结。SAS适合高级用户使用。它的学习过程是艰苦的，最初的阶段会使人灰心丧气。然而它还是以强大的数据管理和同时处理大批数据文件的功能，得到高级用户的青睐。 　　
& && &&& Stata
　　一般用法。Stata以其简单易懂和功能强大受到初学者和高级用户的普遍欢迎。使用时可以每次只输入一个命令（适合初学者），也可以通过一个Stata程序一次输入多个命令（适合高级用户）。这样的话，即使发生错误，也较容易找出并加以修改。
　　数据管理。尽管Stata的数据管理能力没有SAS那么强大，它仍然有很多功能较强且简单的数据管理命令，能够让复杂的操作变得容易。Stata主要用于每次对一个数据文件进行操作，难以同时处理多个文件。随着Stata/SE的推出，现在一个Stata数据文件中的变量可以达到32,768，但是当一个数据文件超越计算机内存所允许的范围时，你可能无法分析它。
　　统计分析。Stata也能够进行大多数统计分析（回归分析，logistic回归，生存分析，方差分析，因子分析，以及一些多变量分析）。Stata最大的优势可能在于回归分析（它包含易于使用的回归分析特征工具），logistic回归（附加有解释logistic回归结果的程序，易用于有序和多元logistic回归）。Stata也有一系列很好的稳健方法，包括稳健回归，稳健标准误的回归，以及其他包含稳健标准误估计的命令。此外，在调查数据分析领域，Stata有着明显优势，能提供回归分析，logistic回归，泊松回归，概率回归等的调查数据分析。它的不足之处在于方差分析和传统的多变量方法（多变量方差分析，判别分析等）。
　　绘图功能。正如SPSS，Stata能提供一些命令或鼠标点击的交互界面来绘图。与SPSS不同的是它没有图形编辑器。在三种软件中，它的绘图命令的句法是最简单的，功能却最强大。图形质量也很好，可以达到出版的要求。另外，这些图形很好的发挥了补充统计分析的功能，例如，许多命令可以简化回归判别过程中散点图的制作。
　　总结。Stata较好地实现了使用简便和功能强大两者的结合。尽管其简单易学，它在数据管理和许多前沿统计方法中的功能还是非常强大的。用户可以很容易的下载到别人已有的程序，也可以自己去编写，并使之与Stata紧密结合。
　　一般用法。SPSS非常容易使用，故最为初学者所接受。它有一个可以点击的交互界面，能够使用下拉菜单来选择所需要执行的命令。它也有一个通过拷贝和粘贴的方法来学习其“句法”语言，但是这些句法通常非常复杂而且不是很直观。
　　数据管理。SPSS有一个类似于Excel的界面友好的数据编辑器，可以用来输入和定义数据（缺失值，数值标签等等）。它不是功能很强的数据管理工具（尽管SPS 11版增加了一些增大数据文件的命令，其效果有限）。SPSS也主要用于对一个文件进行操作，难以胜任同时处理多个文件。它的数据文件有4096个变量，记录的数量则是由你的磁盘空间来限定。
　　统计分析。SPSS也能够进行大多数统计分析（回归分析，logistic回归，生存分析，方差分析，因子分析，多变量分析）。它的优势在于方差分析（SPSS能完成多种特殊效应的检验）和多变量分析（多元方差分析，因子分析，判别分析等），SPSS11.5版还新增了混合模型分析的功能。其缺点是没有稳健方法（无法完成稳健回归或得到稳健标准误），缺乏调查数据分析（SPSS12版增加了完成部分过程的模块）。
　　绘图功能。SPSS绘图的交互界面非常简单，一旦你绘出图形，你可以根据需要通过点击来修改。这种图形质量极佳，还能粘贴到其他文件中（Word 文档或Powerpoint等）。SPSS也有用于绘图的编程语句，但是无法产生交互界面作图的一些效果。这种语句比Stata语句难，但比SAS语句简单（功能稍逊）。
　　总结。SPSS致力于简便易行（其口号是“真正统计，确实简单”），并且取得了成功。但是如果你是高级用户，随着时间推移你会对它丧失兴趣。SPSS是制图方面的强手，由于缺少稳健和调查的方法，处理前沿的统计过程是其弱项。
　　总体评价　　每个软件都有其独到之处，也难免有其软肋所在。总的来说，SAS，Stata和SPSS是能够用于多种统计分析的一组工具。通过Stat/Transfer可以在数秒或数分钟内实现不同数据文件的转换。因此，可以根据你所处理问题的性质来选择不同的软件。举例来说，如果你想通过混合模型来进行分析，你可以选择SAS；进行logistic回归则选择Stata；若是要进行方差分析，最佳的选择当然是SPSS。假如你经常从事统计分析，强烈建议您把上述软件收集到你的工具包以便于数据处理。
[ 本帖最后由 xxyyxz 于
19:16 编辑 ]
<h1 style="color:#6 麦片财富积分
关注者： 18
STATA 的功能列表
数据管理 (Data management)&&
资料转换、分组处理、附加档案、 ODBC 、行 - 列转换、数据标记、字符串函数…等&&
基本统计 (Basic statistics)&&
直交表、相关性、 t- 检定、变异数相等性检定、比例检定、信赖区间…等&&
线性模式 (Linear models)&&
稳健 Huber/White/sandwich 变异估计 , 三阶最小平方法、类非相关回归、齐次多项式回归、 GLS&&
广义型线性模式 (Generalized linear models)&&
十连结函数、使用者 - 定义连结、 ML 及 IRLS 估计、&&
九变异数估计、七残差…等&&
二元、计数及有限应变量&&
(Binary, count, and limited dependent variables)&&
罗吉斯特、 probit 、卜松回归、 tobit 、 truncated 回归、条件罗吉斯特、多项式逻辑、巢状逻辑、负二项、 zero-inflated 模型、 Heckman 选择模式、边际影响&&
Panel 数据 / 交叉 - 组合时间序列&&
(Panel data/cross-sectional time-series)&&
随机及固定影响之回归、 GEE 、随机及固定 - 影响之&&
卜松及负二项分配、随机 - 影响、工具变量回归、&&
AR(1) 干扰回归&&
无母数方法 (Nonparametric methods)&&
多变量方法 (Multivariate methods)&&
因素分析、多变量回归、 anonical 相关系数&&
模型检定及事后估计量支持分析&&
(Model testing and post-estimation support)&&
Wald 检定、 LR 检定、 线性及非线性组合、非线性限制检定、边际影响、修正平均数 Hausman 检定&&
群集分析 (Cluster analysis)&&
加权平均 , 质量中心及中位数联结、 kmeans 、 kmedians 、 dendrograms 、停止规则、使用者扩充&&
图形 (Graphics)&&
直线图、散布图、条状图、圆饼图、 hi-lo 图、&&
回归诊断图…&&
调查方法 (Survey methods)&&
抽样权重、丛集抽样、分层、线性变异数估计量、拟 - 概似最大估计量、回归、工具变量…&&
生存分析 (Survival analysis)&&
Kaplan – Meier 、 Nelson – Aalen, 、 Cox 回归 ( 弱性 ) 、参数模式 ( 弱性 ) 、危险比例测试、时间共变项、&&
左 - 右检查、韦柏分配、指数分配…&&
流行病学工具 (Tools for epidemiologists)&&
比例标准化、病例控制、已配适病例控制、 Mantel – Haenszel, 药理学、 ROC 分析、 ICD-9-CM&&
时间序列 (Time series)&&
ARIMA 、 ARCH/GARCH 、 VAR 、 Newey – West 、 correlograms 、 periodograms 、白色 - 噪音测试 ,&&
最小整数根检定、时间序列运算、平滑化&&
最大概似法 (Maximum likelihood)&&
转换及常态检定 (Transforms and normality tests)&&
Box – Cox 、次方转换 Shapiro – Wilk 、 Shapiro – Francia 检定&&
其它统计方法 (Other statistical methods)&&
样本数量及次方、非线性回归、逐步式回归 、统计及数学函数&&
包含样本范例 (Sample session)&&
再抽样及模拟方法 (Resampling and simulation methods)&&
bootstrapping 、 jackknife 、蒙地卡罗模拟、排列检定&&
网络功能&&
安装新指令、网络升级、网站档案分享、 Stata 最新消息
<h1 style="color:#6 麦片财富积分
关注者： 18
SPSS 13.0 最优秀的统计分析软件之一
SPSS的全称是：Statistical Program for Social Sciences，即社会科学统计程序。该软件是公认的最优秀的统计分析软件包之一。SPSS原是为大型计算机开发的，其版本为SPSSx.Spss是著名的综合性统计软件，SPSS软件面向行业应用人员，软件设计突出统计方法的成熟、实用、易用性、界面易操作性及与文字处理软件等的交互性上
SPSS 13版新增功能介绍
1．增强的数据管理功能
在10版以后，SPSS的每个新增版本都会对数据管理功能作一些改进，以使用户的使用更为方便。13版中的改进可能主要有以下几个方面：
1）超长变量名：在12版中，变量名已经最多可以为64个字符长度，13版中可能还要大大放宽这一限制，以达到对当今各种复杂数据仓库更好的兼容性。
2）改进的Autorecode过程：该过程将可以使用自动编码模版，从而用户可以按自定义的顺序，而不是默认的ASCII码顺序进行变量值的重编码。另外，Autorecode过程将可以同时对多个变量进行重编码，以提高分析效率。
3）改进的日期/时间函数：本次的改进将集中在使得两个日期/时间差值的计算，以及对日期变量值的增减更为容易上。
2．更完善的结果报告功能
从10版起，对数据和结果的图表呈现功能一直是SPSS改进的重点。在12版中，SPSS推出了全新的常规图功能，报表功能也达到了比较完善的地步。13版将针对使用中出现的一些问题，以及用户的需求对图表功能作进一步的改善。
1）统计图：在经过一年的使用后，新的常规图操作界面已基本完善，本次的改进除使得操作更为便捷外，还突出了两个重点。首先在常规图中引入更多的交互图功能，如图组（Paneled charts），带误差线的分类图形如误差线条图和线图，三维效果的简单、堆积和分段饼图等。其次是引入几种新的图形，目前已知的有人口金字塔和点密度图两种。
2）统计表：几乎全部过程的输出都将会弃用文本，改为更美观的枢轴表。而且枢轴表的表现和易用性会得到进一步的提高，并加入了一些新的功能，如可以对统计量进行排序、在表格中合并/省略若干小类的输出等。此外，枢轴表将可以被直接导出到PowerPoint中，这些无疑都方便了用户的使用。
3．为Complex Samples模块增加统计建模功能：
Complex Samples是12版中新增的模块，用于实现复杂抽样的设计方案，以及对相应的数据进行描述。但当时并未提供统计建模功能。在13版中，这将会有很大的改观。一般线形模型将会被完整地引入复杂抽样模块中，以实现对复杂抽样研究中各种连续性变量的建模预测功能，例如对市场调研中的客户满意度数据进行建模。对于分类数据，Logistic回归则将会被系统的引入。这样，对于一个任意复杂的抽样研究，如多阶段分层整群抽样，或者更复杂的PPS抽样，研究者都可以在该模块中轻松的实现从抽样设计、统计描述到复杂统计建模以发现影响因素的整个分析过程，方差分析模型、线形回归模型、Logistic回归模型等复杂的统计模型都可以加以使用，而操作方式将会和完全随机抽样数据的分析操作没有什么差别。可以预见，该模块的推出将会大大促进国内对复杂抽样时统计推断模型的正确应用。
4．新增的Classification Tree模块：
这个模块实际上就是将以前单独发行的SPSS AnswerTree软件整合进了SPSS平台。笔者几年前在自己的网站上介绍SPSS 11的新功能时，曾经很尖锐地指出SPSS目前的产品线过于分散，应当把各种功能较单一的小软件，如AnswerTree、Sample Power等整合到SPSS等几个平台上去。看来SPSS公司也意识到了这一点，而AnswerTree就是在此背景下第一个被彻底整合的产品。
Classification Tree模块基于数据挖掘中发展起来的树结构模型对分类变量或连续变量进行预测，可以方便、快速的对样本进行细分，而不需要用户有太多的统计专业知识。目前在市场细分和数据挖掘中有较广泛的应用。现在已知该模块提供了CHAID、Exhaustive CHAID和C&RT三种算法，在AnswerTree中提供的QUEST算法尚不能肯定是否会被纳入。
为了方便新老用户的使用，Tree模块在操作方式上不再使用AnswerTree中的向导方式，而是SPSS近两年开始采用的交互式选项卡对话框。但是，整个选项卡界面的内容实际上是和原先的向导基本一致的，另外，模型的结果输出仍然是AnswerTree中标准的树形图，这使得AnswerTree的老用户基本上不需要专门的学习就能够懂得如何使用该模块。
由于树结构模型的方法体系和传统的统计方法完全不同，贸然引入可能会引起读者统计方法体系的混乱。为此，本次编写的高级教程并未介绍该模块，而将在高级教程的下一个版本，以及关于市场细分问题的教材中对其加以详细介绍。
5．更好的SPSS系列产品兼容性
随着自身产品线的不断完善，SPSS公司的产品体系已经日益完整，而不同产品间的互补和兼容性也在不断加以改进。在13版中，SPSS软件已经可以和其他一些最新的产品很好的整合在一起，形成更为完整的解决方案。例如，SPSS、SPSS Data Entry和新发布的SPSS Text Analysis for Surveys一起就形成了对调查研究的完整解决方案。而新增的SPSS Classification Trees模块将使得SPSS软件本身就能够针对市场细分工作提供更为完整的方法体系。
<h1 style="color:#6 麦片财富积分
关注者： 18
自己顶顶吧
<h1 style="color:# 麦片财富积分
顶一下,在学SPSS
<h1 style="color:# 麦片财富积分
正在学习中
<h1 style="color:# 麦片财富积分
<h1 style="color:# 麦片财富积分
<h1 style="color:# 麦片财富积分
ding& && && && && && && && && && && &资料很好啊
<h1 style="color:# 麦片财富积分
不错啊，我喜欢用spss
站长推荐 /2
Powered by面板数据剖析中标准误的估量修正——凭据Pete
面板数据剖析中标准误的估量修正——凭据Pete
面板数据（panel data）剖析是实证金融领域研究者经常用到的方法。在许多面板数据中，残差（residual）往往会和时间序列或企业相关，从而导致了普通最小二乘估量（OLS）中标准误（
面板数据（panel data）剖析是实证金融领域研究者经常用到的方法。在许多面板数据中，残差（residual）往往会和时间序列或企业相关，从而导致了普通最小二乘估量（OLS）中标准误（standard errors）的偏误。，美国西北大学金融学教授Dr. Mitchell Peterson于2009年在Review of Finance Studies发表了Estimating Standard Errors in Finance Panel Data Sets: Comparing Approaches的文章，在学术界颇有影响。其在文章中比较了不同标准误的算法对于处置面板数据回归剖析中差别类其它估量偏误的效果，并对种种类型的偏误提出了指导性的建议。笔者在学习之余，基于个人的理解，试图精简、通俗地归纳Peterson文章的要义，供学界同仁参考、探讨与指教。但出于版权考虑，此处不附Peterson的原文。
众所周知，在进行标准二乘线性无偏估量的时间，我们假设残差项是独立同分布的（independent and identically distributed, i.i.d.）。而一旦此假设在实际数据中被打破，则估量就会出现偏误（ bias ）。Peterson指出，在已往的许多实证金融文献中，许多研究者实际上并没有正确地选择合适的方法，凭据残差项与时间或者企业的相关性来修正标准误，或者它们只是盲目地跟随在他们之前其他文献中的方法来修正偏误，而事实上这可能完全是互相误导。错误的标准误会导致在判断变量显著性的时间给出不行靠甚至错误的结论，从而使得研究的可信度大打折扣。Peterson在文章当中对差别的面板数据结构所应接纳的标准误估量方法做出了考察和比较。
在下文中，我将延续Peterson的文章思绪，针对差别面板数据的结构进行总结与归纳。为编辑方便以及提高文章可读性，我省略了数理推导，而改用文字直接论述逻辑及结论。
1. 只具有“企业牢固效应”（firm fixed effect）的面板数据
首先我们明确什么叫企业牢固效应。面板数据通常是二维的，具有时间和对象两种要素。对象可以是个人、企业、国家等等。为了简化文义，我们将对象改称为企业，由于这也是金融实证数据中最为常见的对象。企业牢固效应指的是，在面板数据的时间维度上，每一个个体企业都具有一个特有的特征能影响被解释变量，而且这个特征会在整个时间维度上陪同着这个企业，而且独立于其他企业，换言之，不受其他企业影响。好比某个企业的治理能力是陪同着这个企业的一个特征，它不受其他企业影响，而且在有限的时间维度内可以假设不变。
Peterson指出，在这种情况下，OLS的标准误会被低估，由于每一个分外观察值所能提供的真实信息量要小于OLS模型所假设具有的信息量。在这种情况下，研究者应接纳群集标准误（clustered standard errors），而且凭据企业来群集。简单地讲，企业群集标准误把统一个企业的变量在差别的时间点可能存在的相关性考虑进去了，从而提供一个修正了的标准误。Peterson的论证指出，企业群集标准误在处置具有企业牢固效应的面板数据中的有效性是突出且可靠的。
除此之外，接纳其他方法来估量标准误可能会有潜在的问题形成。好比，OLS估量的标准误会是有偏的，至于偏误多少，则取决于残差和变量存在多大的相关性。又如，用Fama-MacBeth两阶段回归的方法也会形成偏误（标准误被低估），而且由于F-M方法的计算手段的关系，F-M会比OLS具有更大的偏误。F-M的方法是被设计用于考虑横截面相关的（在统一时点上差别观察对象之间的相关性），而非序列相关（统一观察对象在差别时点上的相关性），因此用在这里不合适。再如，用Newey-West的方法也会造成标准误的低估。Newey-West的方法在于只考虑在统一群集内滞后期的残差之间的相关性，而最大的滞后期是比面板数据所提供的时间维度小1。Peterson的实验发现，随着滞后期的上升，Newey-West的偏误会逐渐减小，但由于最大滞后期的限制，其永远无法消除估量上的偏误。
2. 只具有“时间效应”（time effect）的面板数据
同样的，先明确什么是时间效应。简而言之，指的是在统一时点上的差别企业的变量之间存在着相关性。这可能由好比宏观经济情况等某种外部因素所导致的，而这种因素会影响统一时点上的所有企业，但在跨时期中会出现独立变化。
Peterson发现，劈面板数据存在时间效应时，普通最小二乘估量依然会低估标准误。而凭据时间来群集的群集标准误则可以提供相瞄准确的估量，但这只局限于那时间维度（即面板数据可提供的时点数）很大的时间。好比，当数据中只有很少的几个年份的时间，群集标准误也显得不够准确。
Peterson指出，在这种仅有时间效应的情况下，最理想的方法应当是接纳Fama-MacBeth两阶段回归法来估量标准误。简而言之，先对每一个企业的时间序列进行回归，获得beta系数后，再将beta系数作为已知变量再进行横截面数据的回归。这种方法的要义在于，通过第一步来获得每个企业受各个变量影响而导致的超额收益，而其中另有一部分没有观察到的影响因素则受时间变化而变化，因此在第二步的回归中，对统一时点上的所有企业做横截面数据回归，从而找出这些因素的影响，而这就是时间效应之所在。
3. 同时具有“企业效应”和“时间效应”的面板数据
凭据前文所述，如若研究者有足够的掌握选取某一种方法（群集标准误或者F-M法）来估量标准误，她必须要保证面板数据只存在企业效应或者时间效应，而非同时存在两种效应。但往往这是一种太过于理想化的假设。
Peterson指出，一种最通常的方法是：对某一个维度使用虚拟变量（dummy variable），然后使用另一维度的群集标准误。通常在研究中比较常见的是，对时间取虚拟变量，然后做企业的群集标准误，由于通常的面板数据都具有许多个企业，但未必有足够多的时间点用来做时间群集标准误。
再者，也可以在两个维度上做群集，只要每个维度的数量足够多。在这种方法上，Thompson（2006）提出了一种简捷的算法，即：
V_{firmtime}=V_{firm}+V_{time}-V_{white}
二维标准误 = 企业群集标准误 + 时间群集标准误
稳健标准误
其中稳健标准误即为怀特标准误（White standard errors），也是在处置异方差时最常用的稳健标准误。
以上是面板数据中最基本的几种效应的处置方法，但在实证中，有些情况会比较复杂。好比Peterson提到，有些时间企业效应是暂时性的，即随着时间的推延，某些影响因素会徐徐消退。广义线性估量（GLS）可以比较有效地估量随机效应模型，但是如若残差间的相关性随着时间变化而消退，那么GLS的估量可能也是有偏的。对此，Peterson提出使用调整了的F-M方法来进行处置，但前提是残差间相关性的消退应比较迅速，而且面板数据的时间维度要足够富足。
此外在实证研究中，研究者还可以对使用差别群集所形成的标准误的估量进行简单的比较，从而判断出数据中主要的效应是在哪个维度上，然后再接纳合适的方法对其进行修正处置。
参考文献：
Peterson在其个人网站上提供了在Stata及SAS中获得文中提到的种种标准误估量的代码：Programming Advice
36大数据知识图谱：
面板数据，即Panel Data，也叫“平行数据”，是指在时间序列上取多个截面，在这些截面上同时选取样本观察值所构成的样本数据。
其有时间序列和截面两个维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排在一条线上有着明显的差别，整个表格像是一个面板,所以把panel data译作“面板数据”。但是,如若从其内在含义上讲,把panel data译为“时间序列—截面数据” 更能展现这类数据的本质上的特点。也有译作“平行数据”或“TS-CS数据（Time Series
Cross Section）”。
此稿完成于：4/2/2014 美国中部时间，作者：徐惟能
描微信下面二维码，随时了解大数据最新动向，添加36大数据官方微信公共帐号dashuju36:
(责任编辑：admin)
转载请注明链接：
------分隔线----------------------------
网页标题：
以下是网友对的评论:温馨提示！由于新浪微博认证机制调整，您的新浪微博帐号绑定已过期，请重新绑定！&&|&&
方向比努力更重要,
能力比知识更重要,
健康比成绩更重要,
生活比文凭更重要,
情商比智商更重要。
LOFTER精选
网易考拉推荐
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
阅读(986)|
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
历史上的今天
loftPermalink:'',
id:'fks_080071',
blogTitle:'三大统计软件：SAS、Stata与SPSS比较',
blogAbstract:'Strategically using General Purpose Statistics Packages:
A Look at Stata, SAS and SPSS
中文版（自英文版本翻译）：
&&&&&& 很多人曾问及SAS，Stata 和SPSS之间的不同，它们之中哪个是最好的。可以想到，每个软件都有自己独特的风格，有自己的优缺点。本文对此做了概述，但并不是一个综合的比较。人们时常会对自己所使用的统计软件有特别的偏好，希望大多数人都能认同这是对这些软件真实而公允的一个对比分析。',
blogTag:'',
blogUrl:'blog/static/',
isPublished:1,
istop:false,
modifyTime:4,
publishTime:6,
permalink:'blog/static/',
commentCount:1,
mainCommentCount:1,
recommendCount:0,
bsrk:-100,
publisherId:0,
recomBlogHome:false,
currentRecomBlog:false,
attachmentsFileIds:[],
groupInfo:{},
friendstatus:'none',
followstatus:'unFollow',
pubSucc:'',
visitorProvince:'',
visitorCity:'',
visitorNewUser:false,
postAddInfo:{},
mset:'000',
remindgoodnightblog:false,
isBlackVisitor:false,
isShowYodaoAd:false,
hostIntro:'方向比努力更重要,\r\n能力比知识更重要,\r\n健康比成绩更重要,\r\n生活比文凭更重要,\r\n情商比智商更重要。\r\n',
hmcon:'0',
selfRecomBlogCount:'0',
lofter_single:''
{list a as x}
{if x.moveFrom=='wap'}
{elseif x.moveFrom=='iphone'}
{elseif x.moveFrom=='android'}
{elseif x.moveFrom=='mobile'}
${a.selfIntro|escape}{if great260}${suplement}{/if}
{list a as x}
推荐过这篇日志的人：
{list a as x}
{if !!b&&b.length>0}
他们还推荐了：
{list b as y}
转载记录：
{list d as x}
{list a as x}
{list a as x}
{list a as x}
{list a as x}
{if x_index>4}{break}{/if}
${fn2(x.publishTime,'yyyy-MM-dd HH:mm:ss')}
{list a as x}
{if !!(blogDetail.preBlogPermalink)}
{if !!(blogDetail.nextBlogPermalink)}
{list a as x}
{if defined('newslist')&&newslist.length>0}
{list newslist as x}
{if x_index>7}{break}{/if}
{list a as x}
{var first_option =}
{list x.voteDetailList as voteToOption}
{if voteToOption==1}
{if first_option==false},{/if}&&“${b[voteToOption_index]}”&&
{if (x.role!="-1") },“我是${c[x.role]}”&&{/if}
&&&&&&&&${fn1(x.voteTime)}
{if x.userName==''}{/if}
网易公司版权所有&&
{list x.l as y}
{if defined('wl')}
{list wl as x}{/list}