从整体看，i.var是分类变量，c.var是连续变量。list VAR1#VAR2的意思是：VAR1和VAR2的交互。list VAR1##VAR2的意思是：先列出VAR1和VAR2的分类变量，再列出二者的交互。它等同于:list var1 var2 var1#var2。c的解读是错误的，c.year才是一个整体。
i.表示哑变量 是注释
这种表示取决于变量Y中可由控制变量X解释的变化百分比。 决定系数不等于相关系数的平方。这个和相关系数之间的区别是如果你去掉|,R|等于0和1, 由于R2<R,可以防止对相关系数所表示的相关做夸张的解释。 决定系数:在Y的平方和中,X引起的平方和所占的比例为R2 相关程度由决定系数的程度决定。 R2越接近1,相关方程...
exp代表表达式，ci代表输出结果中单元格置信区间。
估计的标准误，z统计量，p值，以及该估计系数的95%置信区间。另，STATA显示的结果不长这个样子。
reg只提供回归分析，在出的结果里每个变量后面都有P值，P=0代表显著，P=0.01以下是1%显著水平显著，0.05是5%，0.1是10%，如要要T值可以ttest A之类的。reg y x1 x2 xn test x1=x2=xn=0 关键看三个地方，一个是判定系数R方，本图中，为0.9464，拟合优度很高。第二看回归系数，本例...
看你具体的程序，如果是 list A#B的意思是：A和B的交互。list A##B的意思是：先列出A和B的分类变量，再列出二者的交互。它等同于:list A B A#B。
本文中用的版本是Stata14.2。网上目前存在的教程多半是用mvmeta包来做网状Meta，但mvmeta相对繁琐，需要打不少的代码去转换数据格式，Network包本质上是mvmeta，不过对用户更加友好，只需要执行简单的代码就可以数据处理。本文将介绍用Stata的Network包实现分类变量的网状Meta分析 ...
1.估计方法采用的是最小二乘的方法 2。robust选项表明标准误经过怀特异方差修正，从而使结果更稳健。3。F 值越大，p值越低，也就是说所有系数的联合显著性越高，换句话说就是所有变量的系数都为零的可能性越低。