انجام تحلیل آماری با استاتا

⏱ زمان مطالعه: 14 دقیقه

چرا نرم‌افزار استاتا برای تحلیل آماری پایان‌نامه و مقالات انتخاب می‌شود؟

پژوهشگران رشته‌های اقتصاد، مدیریت، علوم اجتماعی، اپیدمیولوژی و مالی هنگام اجرای فصل چهارم پایان‌نامه یا تدوین مقالات علمی نیازمند ابزاری هستند که میان دقت محاسباتی، سرعت پردازش داده‌های حجیم و سادگی کدنویسی توازن برقرار کند. نرم‌افزار استاتا (Stata) دقیقاً در همین نقطه تلاقی می‌نشیند. برخلاف نرم‌افزارهایی که تنها بر رابط کاربری گرافیکی تکیه دارند، ساختار دستوری و خط فرمان استاتا امکان تکرارپذیری کامل محاسبات را فراهم می‌آورد؛ ویژگی حساسی که داوران ژورنال‌های معتبر بین‌المللی بر آن تاکید دارند.

موتور پردازشی این نرم‌افزار طوری معماری شده که عملیات ماتریسی پیچیده، به‌ویژه در ساختارهای داده‌ای تابلویی (Panel Data) و سری‌های زمانی، را با کمترین میزان مصرف حافظه سیستم اجرا کند. علت گرایش اساتید راهنما به این نرم‌افزار، گزارش‌های متنی تمیز، آزمون‌های تشخیصی پیش‌فرض و پشتیبانی بی‌نقص از مدل‌های اقتصادسنجی پیشرفته است. اگر داده‌های تحقیق شامل مشاهدات چندساله از شرکت‌ها، کشورها یا افراد باشد، ابزارهای تخصصی این نرم‌افزار استانداردی تثبیت‌شده به حساب می‌آیند.

به عنوان یک مثال فرضی، فرض کنید محققی می‌خواهد اثر حاکمیت شرکتی را بر عملکرد ۱۲۰ شرکت پذیرفته‌شده در بورس طی دوره زمانی ده‌ساله بسنجد. مدیریت چنین حجمی از اطلاعات با ابزارهای مبتنی بر منوهای صرف بسیار زمان‌بر و مستعد خطای انسانی حین ورود مقادیر است، اما ورود چند خط دستور در فایل متنی برنامه (Do-file) امکان فراخوانی، مرتب‌سازی و پردازش تمام متغیرها را در چند ثانیه میسر می‌کند. خطای شایع در این مرحله، انتخاب نرم‌افزار بدون توجه به ساختار داده‌ها است؛ گاهی دانشجو برای مدلی که متغیرهای آن کاملاً ماهیت مقطعی ساده دارند، بی‌دلیل درگیر محیط کدمحور می‌شود، در حالی که تصمیم درست باید بر مبنای نوع فرضیه‌ها و ساختار متغیرها اتخاذ گردد.

مراحل آماده‌سازی و پالایش اولیه داده‌ها در Stata

تحلیل تجربی معتبر پیش از هر آزمون پیشرفته‌ای، وابسته به تمیز بودن ماتریس داده‌ها است. داده‌های خام جمع‌آوری‌شده از پرسشنامه‌ها، پایگاه‌های داده مالی یا سامانه‌های آماری معمولاً دارای مشکلات ساختاری نظیر مقادیر مفقوده (Missing Values)، داده‌های پرت (Outliers) یا نام‌گذاری‌های غیراستاندارد هستند. مرحله آماده‌سازی شامل شناسایی نوع داده‌ها (رشته‌ای، عددی یا تاریخی)، کدگذاری مجدد متغیرها و برطرف ساختن ناهمگونی‌های ساختاری است.

علت بروز اختلال در خروجی رگرسیون اغلب به ذخیره شدن اشتباه متغیرهای عددی به شکل رشته‌ای (String) بازمی‌گردد. در چنین شرایطی، دستوراتی نظیر destring یا encode متغیرها را برای عملیات ریاضی مهیا می‌سازند. کنترل مقادیر از دست رفته نیز از طریق شناسایی نقاط خالی و جایگزینی یا حذف آگاهانه آن‌ها بر اساس نظریه پژوهش انجام می‌شود تا تورش در برآوردگرها به حداقل برسد.

مطلب مرتبط: انجام تحلیل AHP پایان نامه

به عنوان نمونه فرضی، در بررسی متغیر درآمد سرانه، اگر پاسخی با مقدار منفی ۹۹ یا نقطه ثبت شده باشد، نرم‌افزار در صورت عدم تعریف صحیح، آن را مقداری بسیار بزرگ یا نامعتبر قلمداد می‌کند. بررسی یکپارچگی داده‌ها با اجرای دستوراتی مانند codebook و inspect پیش از شروع تخمین، پژوهشگر را از سلامت نمونه مطمئن می‌سازد. اشتباه معمول دانشجویان این است که داده‌های خام را درون فایل اصلی تغییر می‌دهند و اصل مشاهدات را مخدوش می‌کنند؛ رویکرد استاندارد، نگارش تمام دستورات اصلاحی درون Do-file و فراخوانی داده‌های اولیه بدون دستکاری مستقیم فایل مرجع است.

آمار توصیفی و بررسی رفتار متغیرها با خط فرمان

تحلیل توصیفی گام پایه‌ای در نگارش فصل چهارم پایان‌نامه است که رفتار، تمرکز، پراکندگی و شکل توزیع متغیرها را شفاف می‌سازد. در این بخش، شاخص‌های گرایش به مرکز نظیر میانگین و میانه، در کنار معیارهای پراکندگی همچون انحراف معیار، دامنه تغییرات و واریانس محاسبه می‌شوند. این اطلاعات زمینه لازم برای تفسیرهای علّی و رگرسیونی بعدی را فراهم می‌آورند.

بررسی کشیدگی (Kurtosis) و چولگی (Skewness) متغیرها شرط اول برای تشخیص پایبندی داده‌ها به توزیع نرمال است. در محیط نرم‌افزار، دستور summarize به تنهایی آماره‌های پایه را گزارش می‌دهد، اما افزودن گزینه detail توزیع صدک‌ها و شاخص‌های تقارن را به‌دقت به نمایش می‌گذارد. همچنین بررسی ضرایب همبستگی پیرسون یا اسپیرمن با دستوراتی مثل correlate یا pwcorr نخستین ارزیابی روابط درونی میان متغیرهای توضیحی را به دست می‌دهد.

برای آزمودن فرضیه نرمال بودن یک متغیر پیوسته، مانند بازده دارایی‌ها، از آزمون شاپیرو-ویلک (swilk) یا آزمون اسکیونس-کورتوسیس (sktest) استفاده می‌شود. خطای پرتکرار در این بخش، اکتفا کردن صرف به میانگین در حضور متغیرهای شدیداً چوله است. برای نمونه، در بررسی ثروت یا قیمت مسکن، وجود داده‌های پرت باعث جهش میانگین حسابی می‌شود؛ در چنین مواقعی گزارش میانه و انحراف چارکی ضرورت تحلیلی دارد تا تصویر واقعی‌تری از نمونه ارائه گردد.

مطلب مرتبط: سفارش مقاله مروری سیستماتیک

آزمون‌های مقایسه میانگین و تحلیل واریانس

هنگامی که هدف پژوهش مقایسه میانگین یک متغیر در دو یا چند جامعه آماری باشد، خانواده آزمون‌های تی (T-test) و تحلیل واریانس (ANOVA) به کار گرفته می‌شوند. این روش‌ها در پایان‌نامه‌های رفتاری، آزمایشگاهی و مطالعات ارزیابی اثربخشی سیاست‌ها کاربرد مداوم دارند. مکانیزم اصلی این آزمون‌ها سنجش نسبت تفاوت میانگین‌ها به خطای معیار برآورد است.

تصمیم‌گیری درباره نحوه اجرای آزمون بستگی به ساختار گروه‌ها دارد. اگر داده‌ها حاصل اندازه‌گیری یک گروه در دو مقطع زمانی قبل و بعد از اعمال یک سیاست باشند، از آزمون تی زوجی (Paired t-test) استفاده می‌شود، اما اگر تفاوت میان دو گروه مستقل مد نظر باشد، شکل مستقل آن پیاده‌سازی خواهد شد. چنانچه تعداد گروه‌ها از دو مورد فراتر رود، تحلیل واریانس یک‌طرفه یا چندطرفه از طریق دستور oneway یا anova تفاوت میان سطوح مختلف متغیر مستقل را معین می‌کند.

یک سناریوی فرضی را در نظر بگیرید: مقایسه میانگین بهره‌وری کارکنان در سه شیفت کاری مختلف. پژوهشگر ابتدا باید همگنی واریانس‌ها را میان گروه‌ها بررسی کند؛ در صورت ناهمگنی واریانس‌ها، آزمون تی سنتی یا آنوای معمولی تورش خواهد داشت و باید از آماره‌های اصلاح‌شده نظیر ولچ (Welch) بهره برد. اشتباه رایج بسیاری از دانشجویان، اجرای آزمون‌های تی متعدد به جای تحلیل واریانس برای مقایسه بیش از دو گروه است؛ این کار احتمال خطای نوع اول را به شکل تصاعدی بالا می‌برد.

تحلیل رگرسیون خطی و ارزیابی فروض کلاسیک OLS

رگرسیون حداقل مربعات معمولی (OLS) سنگ بنای مدل‌سازی آماری در تحلیل داده‌های پژوهشی است. هدف OLS تخمین خطی است که مجموع مربعات خطاهای باقی‌مانده را به حداقل برساند تا ضرایب متغیرهای مستقل، میزان تاثیرگذاری هر عامل بر متغیر وابسته را آشکار سازند. این تکنیک با دستور نام‌آشنای regress در استاتا پیاده‌سازی می‌شود و خروجی جامعی شامل مقادیر ضرایب، خطای معیار، آماره t و مقدار p-value ارائه می‌دهد.

مطلب مرتبط: سفارش ریوایز مقاله

اعتبار نتایج OLS مشروط به برقراری فروض قضیه گوس-مارکوف است: میانگین خطاها صفر باشد، ناهمسانی واریانس وجود نداشته باشد، پسماندها خودهمبسته نباشند و هم‌خطی شدیدی میان متغیرهای توضیحی وجود نداشته باشد. در صورت نقض این فروض، برآوردگرها دیگر بهترین برآوردگر خطی نااریب (BLUE) نخواهند بود و فاصله‌های اطمینان و آزمون‌های معناداری فرضیه‌ها غیرقابل استناد می‌شوند.

به عنوان مثال فرضی، اگر اثر مخارج تحقیق و توسعه بر سودآوری شرکت‌ها تخمین زده شود، خطای تخمین ممکن است با اندازه شرکت افزایش یابد که نشان‌دهنده ناهمسانی واریانس است. برای اطمینان از اعتبار خروجی، پژوهشگر ملزم به اجرای آزمون‌های تکمیلی است. یک خطای متداول در گزارش‌های دانشگاهی، توجه انحصاری به ضریب تعیین (R-squared) بالا و نادیده گرفتن فروض پسماندها است؛ مقادیر بالای ضریب تعیین لزوماً دلیلی بر صحت مدل نیست و ممکن است ناشی از هم‌خطی کاذب باشد.

تحلیل داده‌های تابلویی (Panel Data) و مدل‌های اثرات ثابت و تصادفی

داده‌های تابلویی زمانی پدید می‌آیند که چندین واحد مقطعی (مانند شرکت‌ها، صنایع یا کشورها) در طول زمان‌های متوالی بررسی شوند. نقطه قوت اصلی تحلیل آماری با استاتا در مدیریت همین ساختار داده‌ای نهفته است. مکانیزم پانل دیتا امکان کنترل اثرات مشاهده‌نشده فردی و زمانی را که بین واحدها متغیر اما در طول زمان ثابت هستند فراهم می‌سازد.

گام نخست در تحلیل پانل، معرفی ابعاد داده‌ها با دستور xtset است. پس از تعیین شناسه مقطع و متغیر زمان، انتخاب میان مدل اثرات پولد (Pooled OLS)، اثرات ثابت (Fixed Effects) و اثرات تصادفی (Random Effects) شکل می‌گیرد. آزمون F لیمر (چاو) تفاوت بین اثرات تابلویی و پولد را مشخص می‌کند و سپس آزمون معروف هاسمن (Hausman test) برای گزینش علمی میان اثرات ثابت و تصادفی مورد سنجش قرار می‌گیرد.

مطلب مرتبط: سفارش شبیه سازی با ارنا

نوع مدل	فرض اصلی	دستور پایه در استاتا	کاربرد پژوهشی
اثرات پولد (Pooled)	عدم وجود ناهمگونی فردی مقاطع	regress y x	وقتی تفاوت‌های مقطعی معنادار نباشند
اثرات ثابت (FE)	همبستگی اثرات نامشهود با متغیرهای توضیحی	xtreg y x, fe	کنترل متغیرهای نامشهود نامتغیر با زمان
اثرات تصادفی (RE)	استقلال اثرات نامشهود از متغیرهای مستقل	xtreg y x, re	امکان برآورد متغیرهای نامتغیر با زمان نظیر جنسیت

فرض کنید پژوهشگری در حال سنجش تاثیر ساختار مالکیت بر ریسک سیستماتیک در ۷۰ شرکت است. اگر آزمون هاسمن نشان دهد که اثرات انفرادی با متغیرهای مستقل همبسته‌اند (p-value کمتر از ۰.۰۵)، استفاده از مدل اثرات تصادفی به اریب سیستماتیک در ضرایب منجر می‌شود و مدل اثرات ثابت ترجیح داده خواهد شد. خطای شایع در اینجا، غفلت از بررسی مانایی متغیرها یا آزمون‌های وابستگی مقطعی در پانل‌های با دوره زمانی بلندمدت است.

مدل‌های رگرسیونی با متغیر وابسته محدود (Logit، Probit و Tobit)

در پروپوزال‌ها و پایان‌نامه‌های تجربی متعددی، متغیر وابسته ماهیت پیوسته ندارد، بلکه به صورت دوحالته (صفر و یک)، رتبه‌ای، چندوجهی یا سانسورشده تعریف می‌شود. به عنوان مثال، تصمیم یک شرکت برای ورود به بازارهای صادراتی (بله/خیر)، پذیرش یک فناوری نوین توسط کشاورزان یا ورشکستگی مالی بنگاه‌ها همگی متغیرهای دووجهی هستند. کاربرد رگرسیون خطی ساده در این موارد منجر به پیش‌بینی احتمال‌های خارج از بازه صفر تا یک و نقض فرض نرمال بودن خطاها می‌شود.

استفاده از مدل‌های احتمال غیرخطی مانند لاجیت (Logit) و پروبیت (Probit) راهکار دقیق آماری برای داده‌های باینری است. مدل لاجیت بر پایه توزیع احتمال لجستیک و پروبیت بر مبنای توزیع نرمال استاندارد کار می‌کند. هر دو مدل با روش حداکثر درست‌نمایی (Maximum Likelihood) برآورد می‌شوند. چنانچه متغیر وابسته در یک کرانه مشخص دارای تراکم مشاهدات باشد (برای مثال، مخارج خیریه که برای بخش بزرگی از نمونه صفر است)، مدل توبیت (Tobit) با دستور tobit به کار بسته می‌شود تا مانع از تورش ناشی از برش داده‌ها گردد.

تفسیر نتایج در این مدل‌ها پیچیده‌تر از OLS است؛ ضرایب خام حاصل از دستور logit تنها جهت اثر را نشان می‌دهند نه بزرگی آن را. برای تفسیر اقتصادی یا مدیریتی، باید اثرات نهایی (Marginal Effects) با استفاده از دستور margins محاسبه و گزارش شود. خطای متداول دانشجویان، تفسیر مستقیم ضرایب رگرسیون لاجیت همانند ضرایب شیب OLS است، در حالی که این ضرایب بر حسب نسبت بخت‌ها (Odds Ratio) یا لگاریتم آن بیان شده‌اند و نیازمند تبدیل اثر نهایی هستند.

مطلب مرتبط: انجام سمینار دکتری

آزمون‌های تشخیصی برای خودهمبستگی، ناهمسانی واریانس و هم‌خطی

برآورد مدل تنها نیمی از فرآیند تحلیل آماری است؛ نیمه مهم‌تر، اعتبارسنجی آن از طریق آزمون‌های پسا-تخمین است. نقض مفروضات کلاسیک اقتصادسنجی می‌تواند تمام استنباط‌های آماری را با ابطال مواجه کند. استاتا مجموعه‌ای جامع از ابزارهای بررسی صحت مدل را درون خود جای داده است که بلافاصله پس از تخمین مدل قابل فراخوانی هستند.

برای آزمون ناهمسانی واریانس از آزمون بروش-پاگان یا وایت با دستور hettest استفاده می‌شود. در صورت رد فرض همسانی، خطاهای معیار معمول کوچک‌تر از حد واقعی محاسبه شده و مقادیر t به اشتباه بزرگ گزارش می‌شوند. برای رفع این مشکل، تخمین رگرسیون با خطاهای معیار مقاوم به ناهمسانی (Robust Standard Errors) یا با اضافه کردن عبارت robust به انتهای دستور رگرسیون ضروری است. برای سنجش هم‌خطی میان متغیرهای مستقل، شاخص عامل تورم واریانس با دستور vif فراخوانی می‌شود که مقادیر بالاتر از ۱۰ یا در پاره‌ای رویکردها بالاتر از ۵ نشانه وجود هم‌خطی شدید تلقی می‌گردد.

همچنین در داده‌های سری زمانی و پانل، آزمون خودهمبستگی جملات خطا با دستوراتی نظیر dwatson یا xtserial اجرا می‌شود. در صورت وقوع همزمان ناهمسانی و خودهمبستگی در پنل، استفاده از خطاهای استاندارد دریسکول-کراای (Driscoll-Kraay) با دستور xtscc راهکار رفع انحراف استانداردها است. اشتباه رایج در نگارش مقالات، اتکا به ضرایب بدون اشاره به نتایج این آزمون‌های تشخیصی است که عموماً منجر به ارسال اصلاحیه اساسی از سوی داوران مجلات تخصصی می‌شود.

مقایسه تخصصی استاتا با SPSS و سایر ابزارهای آماری

گزینش میان بسته‌های نرم‌افزاری آماری باید متناسب با چارچوب نظری، حجم نمونه و ماهیت داده‌های پژوهش باشد. نرم‌افزار SPSS محیطی مبتنی بر منو و پنجره‌های تعاملی دارد که ورود و مدیریت داده‌های پرسشنامه‌ای را برای کاربران بدون دانش برنامه‌نویسی تسهیل می‌کند، اما در مواجهه با روش‌های پیشرفته اقتصادسنجی و مدل‌های ساختاریافته چندسطحی محدودیت دارد.

مطلب مرتبط: انجام رساله دکتری حقوق

استاتا ترکیبی از رابط کاربری تصویری و محیط کدنوسی دستوری است که توانمندی بی‌نظیری در تحلیل داده‌های پانلی، مدل‌های بقا، متغیرهای ابزاری (IV/2SLS) و سری‌های زمانی دارد. نرم‌افزارهای تخصصی معادلات ساختاری نظیر AMOS یا Smart PLS برای بررسی الگوهای عاملی و روابط متغیرهای مکنون طراحی شده‌اند، در حالی که استاتا رویکردی گسترده در مدل‌سازی معادلات همزمان و اثرات متقابل متغیرهای آشکار دارد. اگرچه زبان‌هایی مانند R و پایتون انعطاف‌پذیری فوق‌العاده‌ای ارائه می‌دهند، یادگیری و خطایابی آن‌ها زمان بسیار بیشتری نسبت به ساختار دستورات استاندارد و یکدست استاتا طلب می‌کند.

در پروژه‌های دانشگاهی که نیاز به شفافیت محاسباتی برای تایید استاد راهنما یا تیم نظارت دارد، امکان خروجی‌گیری مستقیم و استاندارد از جداول آماری با استفاده از پکیج‌هایی مانند outreg2 یا asdoc یکی از مزایای تعیین‌کننده استاتا به شمار می‌رود. اشتباه مرسوم دانشجویان، اصرار بر پیاده‌سازی مدل‌های پیچیده پنل دیتا در بسته‌هایی چون SPSS است که معمولاً به دلیل نبود توابع اختصاصی، فرآیند را پیچیده و خطاپذیر می‌سازد.

خطاهای متداول در اجرای کدهای استاتا و نحوه رفع آن‌ها

کار با خط فرمان استاتا با وجود سادگی، گاهی با پیام‌های خطای سردرگم‌کننده برای دانشجویان همراه است. رایج‌ترین این خطاها عبارت “variable not found” است که معمولاً به دلیل حساسیت محیط استاتا به حروف بزرگ و کوچک (Case Sensitivity) رخ می‌دهد. متغیر با نام GDP با متغیر gdp در حافظه نرم‌افزار دو شناسه کاملاً متفاوت محسوب می‌شوند.

کد خطای معروف r(198) یا r(111) بیانگر اشتباهات نحوی (Syntax Errors) یا تعریف نشدن متغیر در مجموعه داده فعال است. عامل دیگر ایجاد خطا، هم‌خطی کامل میان متغیرها است؛ در این وضعیت، نرم‌افزار به صورت خودکار یک یا چند متغیر توضیحی را با پیام “omitted because of collinearity” از معادله حذف می‌کند. علت این رویداد، تعریف متغیرهای مستقل با همبستگی ریاضی قطعی (مانند گنجاندن همزمان تمام متغیرهای مجازی فصلی همراه با جزء ثابت) است که به تله متغیر مجازی (Dummy Variable Trap) شهرت دارد.

مطلب مرتبط: انجام پایان نامه زبان انگلیسی

برای کنترل و عیب‌یابی منظم دستورات، بهره‌گیری از قابلیت Do-file Editor اجتناب‌ناپذیر است. نوشتن توضیحات با علامت‌های اسلش و ستاره (/* */) یا دو اسلش (//)، دسته‌بندی مراحل تحلیل و اجرای خط‌به‌خط دستورات به جای اجرای یکباره کل اسکریپت، امکان ریشه‌یابی خطاها را سرعت می‌بخشد. پیش از ارسال فایل تحلیل به اساتید یا مجلات، بررسی لاگ‌فایل (Log-file) ضبط‌شده جهت اطمینان از نبود خطاهای خاموش در محاسبات بهترین گام کنترلی است.

پرسش‌های متداول درباره تحلیل آماری با استاتا

آیا یادگیری کدهای استاتا برای دانشجویان رشته‌های غیرفنی دشوار است؟

خیر، زبان دستوری استاتا یکی از منطقی‌ترین و استانداردترین ساختارها را در میان نرم‌افزارهای آماری دارد. دستورات عموماً از یک قالب ثابت پیروی می‌کنند: نام دستور، نام متغیرهای وابسته و مستقل، و سپس گزینه‌ها (Options) پس از یک کاما. ضمن اینکه تقریباً تمامی دستورات از طریق منوهای گرافیکی نیز قابل اجرا هستند و نرم‌افزار کد متناظر را در پنجره خروجی نمایش می‌دهد که همین امر یادگیری تدریجی را تسریع می‌کند.

چگونه جداول خروجی استاتا را مستقیماً به محیط Word انتقال دهیم؟

کپی مستقیم متن خروجی اغلب به برهم‌خوردن چینش سطرها و ستون‌ها در نرم‌افزار ورد منجر می‌شود. بهترین راهکار استفاده از دستورات جانبی نصب‌شدنی نظیر asdoc، outreg2 یا esttab است. برای مثال با افزودن asdoc پیش از دستور رگرسیون، جدولی کاملاً مرتب و آماده مطابق فرمت‌های پذیرفته‌شده نگارشی در فایلی با پسوند doc ذخیره می‌شود.

تفاوت اصلی آزمون هاسمن و آزمون لیمر (F چاو) در تحلیل پانل چیست؟

آزمون F لیمر مشخص می‌کند که آیا داده‌ها دارای ماهیت داده‌های تابلویی واقعی هستند یا می‌توان آن‌ها را به شکل رگرسیون ادغام‌شده (Pooled OLS) تخمین زد؛ در واقع وجود یا عدم وجود تفاوت‌های انفرادی میان مقاطع را می‌سنجد. پس از تایید ساختار تابلویی، آزمون هاسمن تصمیم می‌گیرد که این تفاوت‌های مقطعی با متغیرهای مستقل همبسته‌اند (اثرات ثابت) یا همبستگی ندارند (اثرات تصادفی).

در صورت وجود ناهمسانی واریانس و خودهمبستگی همزمان چه باید کرد؟

در مدل‌های داده‌های تابلویی، نقض همزمان این دو فرض بسیار رایج است. در چنین وضعیتی استفاده از خطاهای استاندارد خطی معمولی اریب شدیدی در آزمون‌های معناداری ایجاد می‌کند. برآورد مدل با استفاده از ماتریس واریانس-کوواریانس دریسکول-کراای (دستور xtscc) یا به‌کارگیری روش حداقل مربعات تعمیم‌یافته (FGLS با دستور xtgls) می‌تواند ناهمسانی، خودهمبستگی درون‌گروهی و همبستگی همزمان مقاطع را تصحیح کند.