我盯着屏幕上的数字，“十九万八千……这不太对吧？巴勒莫的单月游客数量什么时候上过十九万？”

“数据有问题？”刘洋的声音拔高了一点。

“我查一下，”我说，打开原始数据文件，翻到游客数量那一列，“这里，你看，十月，十九万八千。但是巴勒莫的旅游旺季是夏季，十月应该已经降下来了，怎么可能比八月还高？”

“是不是爬虫爬错了？”张凯问。

“有可能，”刘洋说，“我看看源网站……等一下，这个网站的数据标注有问题，它把‘全年累计’和‘月度数据’混在一起了。这个十九万八应该是全年的累计，不是十月的单月。”

“所以我们的数据里有脏数据，”我深吸一口气，“得重新清洗。”

“又要重新清洗？”刘洋的声音里带着一种“我已经不想再看到这个项目”的疲惫。

“没事没事，”我说，“把那些明显不对的极端值删掉就行。我来弄，很快的。”

我打开stata的do-file编辑器，开始写清洗数据的命令。dropiftourist_number>50000——把单月游客数量超过五万的都删掉，因为巴勒莫的单月游客数量就没超过五万过。

写完，运行。

stata的屏幕上跳出一行字：150observationsdeleted。

一百五十条数据被删掉了。

“好了，”我说，“数据清洗完了，我再跑一下描述性统计。”

这次的结果看起来正常多了。均值、标准差、都在合理范围内，游客数量的最大值是四万八，八月的，符合旅游旺季的规律。

“可以了，”我说，“数据没问题了，我开始跑回归。”

“等等，”周姐说，“你上次说的那个异方差性问题，你打算怎么处理？”

“用稳健标准误，”我说，“white异方差一致估计量，简单粗暴。”

“你确定？”周姐的语气里带着一丝怀疑，“上次教授不是说，稳健标准误只是治标不治本吗？”

“我知道，”我说，“但我们现在没有时间去做加权最小二乘法了。先用稳健标准误顶着，等结果出来了再说。”

我一边说一边在键盘上敲命令，regressconsumptiontourist_numberincomeseason,robust——消费对游客数量、收入、季节的回归，加上稳健标准误。

回车。

stata的屏幕开始

本章未完，请点击下一页继续阅读->>>