English

多变量与心理测量方法

先查看各命令展开的示例，再按需展开其他选项及 R 实现。改写代码前，请阅读适用条件及差异说明。

alpha

不自动反向计分地估计原始Cronbach alpha

Stata

alpha q1 q2 q3, asis

R 包：psych

psych::alpha(data[c("q1","q2","q3")],check.keys=FALSE)

与 Stata 有差异 asis关闭Stata题项方向自动调整；R中显式指定check.keys=FALSE。

Stata 参考 · R 参考

根据量表题项生成均值得分

Stata

alpha q1 q2 q3, generate(score) asis

R 包：base

score <- rowMeans(data[c("q1","q2","q3")])

与 Stata 有差异 asis关闭Stata题项方向自动调整；R中显式指定check.keys=FALSE。

Stata 参考 · R 参考

检查删除各题项后的信度

Stata

alpha q1 q2 q3, item asis

R 包：psych

psych::alpha(data[c("q1","q2","q3")],check.keys=FALSE)$alpha.drop

与 Stata 有差异 asis关闭Stata题项方向自动调整；R中显式指定check.keys=FALSE。

Stata 参考 · R 参考

估计标准化Cronbach alpha

Stata

alpha q1 q2 q3, std asis

R 包：psych

psych::alpha(data[c("q1","q2","q3")],check.keys=FALSE)$total$std.alpha

与 Stata 有差异 asis关闭Stata题项方向自动调整；R中显式指定check.keys=FALSE。

Stata 参考 · R 参考

ca

对列联表进行简单对应分析

Stata

ca g h

R 包：MASS

MASS::corresp(unclass(table(data$g,data$h)),nf=2)

与 Stata 有差异 MASS返回标准坐标；Stata的ca默认normalize(symmetric)，故坐标尺度不同。奇异值和惯量可比，但坐标轴符号可能反向。列联表保留类别名称。

Stata 参考 · R 参考

camat

对给定计数矩阵进行对应分析

Stata

camat C, dimensions(2)

R 包：MASS

MASS::corresp(C,nf=2)

与 Stata 有差异 MASS返回标准对应坐标；Stata默认采用对称归一化。奇异值可比，但坐标缩放和轴符号可能不同。

Stata 参考 · R 参考

candisc

估计典型线性判别方向

Stata

candisc x y z w, group(g)

R 包：MASS

MASS::lda(g ~ x+y+z+w,data=data,prior=rep(1/3,3))

与 Stata 有差异 MASS的lda以等类别先验提供判别方向。这是判别分析流程，不是Stata的candisc全部典型检验及归一化输出。

Stata 参考 · R 参考

canon

估计两组变量间的典型相关

Stata

canon (x y) (z w)

R 包：stats

stats::cancor(data[c("x","y")],data[c("z","w")])

与 Stata 有差异 返回两个变量组的典型相关及系数矩阵。典型变量符号和系数归一化任意；Stata还报告显著性检验。

Stata 参考 · R 参考

cluster

对标准化变量进行平均连接层次聚类

Stata

cluster averagelinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="average")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

另有 8 个示例及替代实现

对标准化变量进行质心连接层次聚类

Stata

cluster centroidlinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="centroid")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

对标准化变量进行完全连接层次聚类

Stata

cluster completelinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="complete")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

把层次聚类树切分为三组

Stata

cluster generate group = groups(3)

R 包：stats

stats::cutree(fit,k=3)

与 Stata 有差异 将已有hclust树切为三组。结果为整数成员向量，聚类标签任意，而Stata生成具名数据变量。

Stata 参考 · R 参考

把标准化观测划分为三个k均值聚类

Stata

cluster kmeans x y z w, k(3)

R 包：stats

stats::kmeans(scale(as.matrix(data[c("x","y","z","w")])),centers=3,nstart=10)

与 Stata 有差异 算法、起点与随机序列不同，聚类编号和局部最优解可能不同。

Stata 参考 · R 参考

对标准化变量进行中位连接层次聚类

Stata

cluster medianlinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="median")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

对标准化变量进行单连接层次聚类

Stata

cluster singlelinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="single")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

对标准化变量进行Ward层次聚类

Stata

cluster wardslinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="ward.D2")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

对标准化变量进行加权平均连接层次聚类

Stata

cluster waveragelinkage x y z w

R 包：stats

stats::hclust(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),method="mcquitty")

与 Stata 有差异 对应的Stata调用前需先标准化变量；Ward距离及平方约定需特别核对。

Stata 参考 · R 参考

clustermat

对预先计算的相异性矩阵聚类

Stata

clustermat completelinkage D

R 包：stats

stats::hclust(stats::as.dist(D),method="complete")

与 Stata 有差异 对给定不相似矩阵采用完全连接法。距离定义和并列处理影响树；R返回hclust对象，而非Stata具名聚类解。

Stata 参考 · R 参考

discrim

使用五个最近邻进行分类

Stata

discrim knn x y z w, group(g) k(5)

R 包：class

class::knn(train=as.matrix(data[c("x","y","z","w")]),test=as.matrix(data[c("x","y","z","w")]),cl=data$g,k=5)

与 Stata 有差异 按名称选择预测变量并对训练样本分类。class::knn采用不加权多数投票并随机处理并列；Stata默认采用等类别先验，类别不平衡时判别可能不同。预测准确率应在留出数据上评估。

Stata 参考 · R 参考

拟合线性判别分析

Stata

discrim lda x y z w, group(g)

R 包：MASS

MASS::lda(g ~ x+y+z+w,data=data,prior=rep(1/3,3))

与 Stata 有差异 比较结果前需明确类别先验概率与协方差估计约定。

Stata 参考 · R 参考

使用留一法线性判别分析分类

Stata

discrim lda x y z w, group(g) lootable

R 包：MASS

MASS::lda(g ~ x+y+z+w,data=data,CV=TRUE,prior=rep(1/3,3))

Stata的lootable请求留一法分类；MASS的CV=TRUE完成对应预测流程。

Stata 参考 · R 参考

在线性判别分析中使用相等先验概率

Stata

discrim lda x y z w, group(g) priors(equal)

R 包：MASS

MASS::lda(g ~ x+y+z+w,data=data,prior=rep(1/3,3))

与 Stata 有差异 所示代码显式使用等类别先验。MASS的系数归一化及类别顺序可能不同于Stata；须统一先验和协方差估计后比较后验分类。

Stata 参考 · R 参考

拟合二次判别分析

Stata

discrim qda x y z w, group(g)

R 包：MASS

{ analysis <- droplevels(stats::model.frame(g ~ x + y + z + w, data = data, na.action = stats::na.omit)); groups <- length(unique(analysis$g)); MASS::qda(g ~ x + y + z + w, data = analysis, prior = rep(1 / groups, groups)) }

与 Stata 有差异 先对响应及预测变量筛选完整观测并去除未使用的类别，再按剩余类别计算等先验，匹配Stata的discrim qda默认priors(equal)。否则MASS采用样本类别比例。比较后验概率前须统一协方差归一化和类别标签。

Stata 参考 · R 参考

estat

报告验证性因子模型拟合指标

Stata

estat gof, stats(all)

R 包：lavaan

lavaan::fitMeasures(fit,c("chisq","df","cfi","tli","rmsea","srmr"))

与 Stata 有差异 选择六个lavaan SEM拟合指标。须统一模型识别、似然缩放、缺失数据估计及基线模型定义；不包含Stata stats(all)的全部统计量。

Stata 参考 · R 参考

另有 4 个示例及替代实现

使用KMO指标评估因子分析适用性

Stata

estat kmo

R 包：psych

psych::KMO(stats::cor(X))

与 Stata 有差异 从给定相关矩阵计算KMO。R以列表返回总体和各变量测度；须与Stata factor使用相同相关矩阵及缺失处理样本。

Stata 参考 · R 参考

检查结构方程模型修正指数

Stata

estat mindices

R 包：lavaan

lavaan::modindices(fit)

与 Stata 有差异 返回lavaan对可释放参数的修正指数。须统一模型约束、信息矩阵和缺失数据似然；候选参数集合可能不同于Stata。

Stata 参考 · R 参考

检查结构方程模型残差相关

Stata

estat residuals

R 包：lavaan

lavaan::lavResiduals(fit,type="raw")

与 Stata 有差异 使用观测减模型隐含协方差的原始残差，对应Stata默认原始残差。lavaan还返回按自身尺度标准化的汇总，不能视作相同Stata输出列。

Stata 参考 · R 参考

计算量表题项的复相关平方

Stata

estat smc

R 包：stats

1-1/diag(solve(stats::cor(X)))

与 Stata 有差异 按一减相关逆矩阵对角元素倒数计算平方复相关。要求相关矩阵非奇异，并返回向量而非Stata显示表。

Stata 参考 · R 参考

factor

拟合单因子最大似然因子模型

Stata

factor q1 q2 q3 q4 q5 q6, factors(1) ml

R 包：stats

stats::factanal(as.matrix(data[c("q1","q2","q3","q4","q5","q6")]),factors=1,rotation="none")

与 Stata 有差异 匹配所示ML或主成分提取方法及因子数。载荷符号和旋转不唯一；psych的主成分得分与缩放不必复现Stata的factor后估计。

Stata 参考 · R 参考

另有 3 个示例及替代实现

拟合迭代主轴因子模型

Stata

factor q1 q2 q3 q4 q5 q6, factors(2) ipf

R 包：psych

psych::fa(as.matrix(data[c("q1","q2","q3","q4","q5","q6")]),nfactors=2,fm="pa",rotate="none")

与 Stata 有差异 主轴算法与收敛容差可能不同，不应假定载荷完全相同。

Stata 参考 · R 参考

拟合双因子最大似然因子模型

Stata

factor q1 q2 q3 q4 q5 q6, factors(2) ml

R 包：stats

stats::factanal(as.matrix(data[c("q1","q2","q3","q4","q5","q6")]),factors=2,rotation="none")

与 Stata 有差异 匹配所示ML或主成分提取方法及因子数。载荷符号和旋转不唯一；psych的主成分得分与缩放不必复现Stata的factor后估计。

Stata 参考 · R 参考

拟合主成分因子解

Stata

factor q1 q2 q3 q4 q5 q6, factors(2) pcf

R 包：psych

psych::principal(as.matrix(data[c("q1","q2","q3","q4","q5","q6")]),nfactors=2,rotate="none")

与 Stata 有差异 匹配所示ML或主成分提取方法及因子数。载荷符号和旋转不唯一；psych的主成分得分与缩放不必复现Stata的factor后估计。

Stata 参考 · R 参考

factormat

根据相关矩阵拟合最大似然因子模型

Stata

correlate q1 q2 q3 q4 q5 q6
matrix R = r(C)
factormat R, n(300) factors(2) ml

R 包：stats

stats::factanal(covmat=R,n.obs=300,factors=2,rotation="none")

与 Stata 有差异 固定流程。R为固定相关矩阵对象；样本量用于计算基于似然的拟合统计量。

Stata 参考 · R 参考

hotelling

使用Hotelling T平方检验均值向量为零

Stata

hotelling x y

R 包：stats

{ n <- nrow(data); k <- 2; m <- colMeans(data[c("x","y")]); T2 <- n*drop(t(m)%*%solve(stats::cov(data[c("x","y")]),m)); F <- (n-k)/(k*(n-1))*T2; c(T2=T2,F=F,p.value=stats::pf(F,k,n-k,lower.tail=FALSE)) }

与 Stata 有差异 对这两个变量计算单样本Hotelling T平方及其F变换。假定样本完整且协方差可逆；Stata还显示均值汇总。

Stata 参考 · R 参考

kap

估计两名评分者的非加权Cohen kappa

Stata

kap rater1 rater2

R 包：psych

psych::cohen.kappa(table(data$rater1,data$rater2))$kappa

与 Stata 有差异 从列联表返回未加权Cohen kappa。不含Stata的一致率汇总、标准误和置信区间；须统一缺失及类别处理。

Stata 参考 · R 参考

manova

使用Pillai检验多变量组间差异

Stata

manova y z = g

R 包：stats

summary(stats::manova(cbind(y,z)~g,data=data),test="Pillai")

与 Stata 有差异 Stata显示四种MANOVA统计量；此R示例选择其中指定的一种。

Stata 参考 · R 参考

拟合多变量协方差分析

Stata

manova y z = g c.x

R 包：stats

stats::manova(cbind(y,z)~g+x,data=data)

与 Stata 有差异 拟合所示多变量线性模型。R的summary默认Pillai，Stata显示多个多变量准则；须选择相同准则、假设和因子对比。

Stata 参考 · R 参考

另有 3 个示例及替代实现

使用Wilks检验多变量组间差异

Stata

manova y z = g

R 包：stats

summary(stats::manova(cbind(y,z)~g,data=data),test="Wilks")

与 Stata 有差异 Stata显示四种MANOVA统计量；此R示例选择其中指定的一种。

Stata 参考 · R 参考

使用Hotelling-Lawley检验多变量组间差异

Stata

manova y z = g

R 包：stats

summary(stats::manova(cbind(y,z)~g,data=data),test="Hotelling-Lawley")

与 Stata 有差异 Stata显示四种MANOVA统计量；此R示例选择其中指定的一种。

Stata 参考 · R 参考

使用Roy检验多变量组间差异

Stata

manova y z = g

R 包：stats

summary(stats::manova(cbind(y,z)~g,data=data),test="Roy")

与 Stata 有差异 Stata显示四种MANOVA统计量；此R示例选择其中指定的一种。

Stata 参考 · R 参考

mca

通过指示矩阵MCA分析多个分类变量

Stata

mca g h j, method(indicator)

R 包：MASS

MASS::mca(data, nf=2)

与 Stata 有差异 MASS采用指示矩阵MCA；惯量归一化不同于调整MCA和联合MCA。

Stata 参考 · R 参考

mds

拟合经典度量多维尺度分析

Stata

mds x y z w, id(id) dimension(2) noplot

R 包：stats

stats::cmdscale(stats::dist(as.matrix(data[c("x","y","z","w")])),k=2,eig=TRUE)

与 Stata 有差异 对欧氏距离采用经典度量缩放。Stata的mds默认方法及应力准则可能不同；须统一距离、方法、旋转和反射后比较坐标。

Stata 参考 · R 参考

拟合非度量多维尺度分析

Stata

mds x y z w, id(id) method(nonmetric) std noplot

R 包：MASS

MASS::isoMDS(stats::dist(scale(as.matrix(data[c("x","y","z","w")]))),k=2,trace=FALSE)

与 Stata 有差异 非度量优化、应力定义与初始配置可能不同。

Stata 参考 · R 参考

mdsmat

对给定相异性矩阵进行尺度分析

Stata

mdsmat D, dimension(2) noplot

R 包：stats

stats::cmdscale(stats::as.dist(D),k=2)

与 Stata 有差异 对给定不相似矩阵采用经典度量缩放。须统一Stata的度量方法及特征值处理；坐标旋转和反射任意。

Stata 参考 · R 参考

mvreg

拟合多响应多元线性回归

Stata

mvreg y z = x w

R 包：stats

stats::lm(cbind(y,z) ~ x+w,data=data)

与 Stata 有差异 在共同完整样本上返回多变量lm拟合。Stata的mvreg显示各方程及跨方程汇总；R中须显式提取相应汇总。

Stata 参考 · R 参考

mvtest

计算Mardia多变量偏度与峰度检验

Stata

mvtest normality x y z w, stats(skewness kurtosis)

R 包：psych

psych::mardia(X,plot=FALSE)

与 Stata 有差异 小样本校正可能不同；此例选择Mardia分量，而非Stata默认Doornik-Hansen检验。

Stata 参考 · R 参考

pca

拟合相关矩阵主成分分析

Stata

pca x y z w

R 包：stats

stats::prcomp(as.matrix(data[c("x","y","z","w")]),center=TRUE,scale.=TRUE)

与 Stata 有差异 显式选择相关矩阵或协方差矩阵PCA。成分符号任意；prcomp返回基于奇异值的对象及得分，其缩放不同于Stata显示。

Stata 参考 · R 参考

另有 2 个示例及替代实现

保留两个主成分

Stata

pca x y z w, components(2)

R 包：stats

stats::prcomp(as.matrix(data[c("x","y","z","w")]),scale.=TRUE,rank.=2)

与 Stata 有差异 显式选择相关矩阵或协方差矩阵PCA。成分符号任意；prcomp返回基于奇异值的对象及得分，其缩放不同于Stata显示。

Stata 参考 · R 参考

拟合协方差矩阵主成分分析

Stata

pca x y z w, covariance

R 包：stats

stats::prcomp(as.matrix(data[c("x","y","z","w")]),center=TRUE,scale.=FALSE)

与 Stata 有差异 显式选择相关矩阵或协方差矩阵PCA。成分符号任意；prcomp返回基于奇异值的对象及得分，其缩放不同于Stata显示。

Stata 参考 · R 参考

pcamat

直接根据相关矩阵执行主成分分析

Stata

correlate x y z w
matrix R = r(C)
pcamat R, n(50)

R 包：stats

stats::princomp(covmat=R)

与 Stata 有差异 固定流程。

Stata 参考 · R 参考

predict

预测所有判别类别的后验概率

Stata

predict p1 p2 p3, pr

R 包：MASS

data[c("p1","p2","p3")] <- stats::predict(fit)$posterior

与 Stata 有差异 使用已有判别模型及其类别顺序。返回标签或后验概率列须对应拟合类别；R因子顺序不必等于Stata类别编码顺序。

Stata 参考 · R 参考

另有 4 个示例及替代实现

计算前两个主成分得分

Stata

predict pc1 pc2, score

R 包：stats

data[c("pc1","pc2")] <- stats::predict(fit)[,1:2,drop=FALSE]

与 Stata 有差异 从已有PCA模型返回得分。R得分缩放及任意成分符号可能不同于Stata的predict, score；比较数值前须统一标准化。

Stata 参考 · R 参考

预测判别分析类别归属

Stata

predict predicted, classification

R 包：MASS

data$predicted <- stats::predict(fit)$class

与 Stata 有差异 使用已有判别模型及其类别顺序。返回标签或后验概率列须对应拟合类别；R因子顺序不必等于Stata类别编码顺序。

Stata 参考 · R 参考

计算Bartlett方法的因子得分

Stata

predict score1 score2, bartlett

R 包：stats

data[c("score1","score2")] <- stats::factanal(as.matrix(data[c("q1","q2","q3","q4","q5","q6")]),factors=2,rotation="none",scores="Bartlett")$scores

与 Stata 有差异 使用题项q1-q6的固定测量模型；可以更改输出得分列名。

Stata 参考 · R 参考

计算回归方法的因子得分

Stata

predict score1 score2, regression

R 包：stats

data[c("score1","score2")] <- stats::factanal(as.matrix(data[c("q1","q2","q3","q4","q5","q6")]),factors=2,rotation="none",scores="regression")$scores

与 Stata 有差异 使用题项q1-q6的固定测量模型；可以更改输出得分列名。

Stata 参考 · R 参考

rotate

使用斜交oblimin载荷旋转准则

Stata

rotate, oblique oblimin

R 包：GPArotation

GPArotation::oblimin(unclass(fit$loadings))

与 Stata 有差异 仅旋转给定载荷矩阵。载荷符号、轴序和归一化可能不同于Stata；相关因子解还须比较因子相关矩阵。

Stata 参考 · R 参考

使用正交quartimax载荷旋转准则

Stata

rotate, orthogonal quartimax

R 包：GPArotation

GPArotation::quartimax(unclass(fit$loadings))

与 Stata 有差异 仅旋转给定载荷矩阵。载荷符号、轴序和归一化可能不同于Stata；相关因子解还须比较因子相关矩阵。

Stata 参考 · R 参考

使用promax旋转因子载荷

Stata

rotate, promax

R 包：stats

stats::promax(fit$loadings,m=3)

与 Stata 有差异 载荷的符号和排列顺序并不唯一；旋转归一化约定可能不同。

Stata 参考 · R 参考

使用varimax旋转因子载荷

Stata

rotate, varimax

R 包：stats

stats::varimax(fit$loadings,normalize=FALSE)

与 Stata 有差异 载荷的符号和排列顺序并不唯一；旋转归一化约定可能不同。

Stata 参考 · R 参考

rotatemat

旋转外部给定的载荷矩阵

Stata

rotatemat L, varimax

R 包：stats

stats::varimax(L)

与 Stata 有差异 对给定矩阵采用varimax。须统一归一化和列序；等价旋转解可能反转列符号。

Stata 参考 · R 参考

sem

拟合三因子验证性测量模型

Stata

sem (visual -> x1 x2 x3) (textual -> x4 x5 x6) (speed -> x7 x8 x9), latent(visual textual speed)

R 包：lavaan

lavaan::cfa("visual =~ x1+x2+x3; textual =~ x4+x5+x6; speed =~ x7+x8+x9",data=data)

与 Stata 有差异 比较估计时需统一潜变量定标约束与均值结构。

Stata 参考 · R 参考

另有 1 个示例及替代实现

报告标准化结构方程模型参数

Stata

sem, standardized

R 包：lavaan

lavaan::standardizedSolution(fit)

与 Stata 有差异 固定流程。

Stata 参考 · R 参考

tetrachoric

使用最大似然估计四分相关

Stata

tetrachoric a b

R 包：polycor

polycor::polychor(data$a,data$b,ML=TRUE,std.err=TRUE)

与 Stata 有差异 每个二元变量都必须观察到两个水平；推断假设潜在二元正态分布。

Stata 参考 · R 参考