我在这里要首先强调 oneclick 的原理。它的工作原理仅仅是排列组合控制变量，而不对样本数据造成任何改变，所以它不是万能的，只能在一定程度上帮我们减轻工作量。所以如果你使用了 oneclick 却没有得到显著的结果，不要灰心，试一试将变量缩尾、取对数、更换其他的回归方法，以及更换变量的衡量方式。
个人认为学术不端跟这个完全不沾边，人工选也是选，机器选也是选，后者效率更高。在机器学习中网格搜索的调参方法与 oneclick 是异曲同工的。
人工筛选控制变量并不比机器筛选来得更别具匠心！！！By 知乎用户
使用前请先安装更新命令，本版本不再依赖 tuples，并且兼容 Stata14.0 及以上版本，执行下列代码即可完成安装：
ssc install oneclick, replace由于 oneclick 使用过程中需要考虑是否添加 z 选项，所以在使用 oneclick 之前，我们需要先观察回归中用于判定显著性的统计量是否为 z-value。若是，则需要添加 z 选项，反之则不需要。
以 auto.dta 数据集为例，假设我们的被解释变量是 price，解释变量是 length。先用自己需要的回归观测该回归方法下的用于判定显著性的统计量，这里以 reg 为例。
*- 调用数据
sysuse auto.dta, clear
*- 使用回归
reg price length
*- 返回结果
Source | SS df MS Number of obs = 74
-------------+---------------------------------- F(1, 72) = 16.50
Model | 118425867 1 118425867 Prob > F = 0.0001
Residual | 516639529 72 7175549.01 R-squared = 0.1865
-------------+---------------------------------- Adj R-squared = 0.1752
Total | 635065396 73 8699525.97 Root MSE = 2678.7
------------------------------------------------------------------------------
price | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
length | 57.20224 14.08047 4.06 0.000 29.13332 85.27115
_cons | -4584.899 2664.437 -1.72 0.090 -9896.357 726.559
------------------------------------------------------------------------------根据下方表格，不难发现用于判断显著性的统计量是 t-value。
以 auto.dta 数据集为例，假设我们的被解释变量是 foreign，解释变量是 length。这个时候使用 logit 或者 probit，就会发现，用于判定显著性的统计量变为了 z-value。
*- logit 回归
logit foreign length
*- 返回结果
Iteration 0: log likelihood = -45.03321
Iteration 1: log likelihood = -32.059368
Iteration 2: log likelihood = -30.991928
Iteration 3: log likelihood = -30.97462
Iteration 4: log likelihood = -30.974595
Iteration 5: log likelihood = -30.974595
Logistic regression Number of obs = 74
LR chi2(1) = 28.12
Prob > chi2 = 0.0000
Log likelihood = -30.974595 Pseudo R2 = 0.3122
------------------------------------------------------------------------------
foreign | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
length | -.0797353 .0194854 -4.09 0.000 -.117926 -.0415447
_cons | 13.60634 3.457273 3.94 0.000 6.830209 20.38247
------------------------------------------------------------------------------
*- probit 回归
probit foreign length
*- 返回结果
Iteration 0: log likelihood = -45.03321
Iteration 1: log likelihood = -31.110985
Iteration 2: log likelihood = -30.64599
Iteration 3: log likelihood = -30.644666
Iteration 4: log likelihood = -30.644666
Probit regression Number of obs = 74
LR chi2(1) = 28.78
Prob > chi2 = 0.0000
Log likelihood = -30.644666 Pseudo R2 = 0.3195
------------------------------------------------------------------------------
foreign | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
length | -.0474833 .0107435 -4.42 0.000 -.0685403 -.0264264
_cons | 8.099108 1.917156 4.22 0.000 4.341551 11.85667
------------------------------------------------------------------------------综上，我们通过因变量与自变量之间进行回归的方式，可以确定我们是否需要在 oneclick 的选项中加入 z 选项。对于常见的回归，我总结一份表格如下。
| 回归方法 | 是否需要加入 z 选项 |
|---|---|
| reg | 不需要 |
| logit、ologit、probit、oprobit | 需要 |
| xtreg | 需要 |
| xtreg加re选项构成的随机效应 | 需要 |
| xtreg加fe选项构成的固定效应 | 不需要 |
| 其他任意固定效应模型：reghdfe、areg等 | 不需要 |
首先我们先观察 oneclick 的命令构成情况。
*- 基本语法
oneclick y controls, method(regression) pvalue(p-value) fixvar(x and other FE) [
options zvalue ]y位置用来放置你的被解释变量controls位置用来放置你的待选控制变量集合，可以是i.var形式，也可以是l.var或者f.var等m()位置用来放置你的回归方法，可以是reg、logit、probit等p()，在括号中输入你希望的显著性水平，一般是 0.1、0.05，以及0.01。fix()，在括号中输入你的主要解释变量以及需要每个回归中都出现的变量。比如在一些实证论文中，我们希望能够保留 size、roa 等其他常见变量，则可以写在解释变量后。注意： 第一个位置一定要放解释变量。o()，用来放置其他原属于回归方法的其他选项，比如xtreg y x, re中的re选项、reghdfe y x, absorb(A B)中的absorb(A B)选项z，根据第一步中的判定方法考虑是否需要添加以z-value判别显著性的方法
我一定一定一定要着重着重着重地强调这一点！！！
我从Bilibili、微信公众号等后台收到的提问内容发现，很多都是大伙儿粗心大意自己写错了，所以我得非常强调一定要自己看清楚代码，所以我这里提到了要用正确的姿势开始对变量的拷打。
再三确认回归方法，切忌张冠李戴
在使用 oneclick 前，一定要先问自己，自己需要怎样的回归。比如：
- 是否需要加
robust选项，是的话则需要在oneclick后面加入o(robust)。具体而言，如果你的回归形式是reg y x, vce(robust)，则对应的oneclick代码应该是oneclick y 待选控制变量集合, m(reg) fix(x) p(0.1) o(vce(robust))，而不是oneclick y 待选控制变量集合, m(reg) fix(x) p(0.1)。一这样才称得上是一一对应。 - 使用
xtreg时，则需要将你要使用的固定效应fe，或者随机效应re，以及其他选项同时添加到o()当中。 - 使用
reghdfe时，比如固定个体效应、时间效应的同时需要聚类到行业，可以直接将absorb(stkcd year) cluster(industry)直接放入o()中。
在 oneclick 运算后，屏幕上会呈现一个简单的运行过程与最后的结论摘要，并且会在当前工作路径下生成一份名为 subset.dta 的文件。
*- 调用数据
sysuse auto.dta, clear
(1978 Automobile Data)
*- 使用 oneclick
oneclick price mpg rep78, fix(weight) p(0.1) m(reg)
*- 返回结果
This will probably take you up to 1 minutes
The program is working:
----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
...
Time=.027S
A total of 3 significant groups: 3 positive, 0 negative从结论摘要中，可以发现，一共有3个显著的组合，为什么是3呢？因为我放入了两个待选择的控制变量：mpg 与 rep78，它们的真子集（非空子集）个数是 2^n-1 = 2^2-1 = 4-1 = 3。所以 oneclick 分别将这三种组合带入了运算，并查看了主要解释变量 weight 是否在 10% 的显著水平下显著。
在这3个显著的组合中，有3种正向显著的情况，都可以使得在 reg price weight 控制变量 回归中，weight 对 price 正向显著。
最后，查看当前工作路径下的 subset.dta 文件。当前工作路径指的是你当前 Stata 窗口左下角所显示的路径。该文件中有两个变量，一个变量叫 subset 用来展示满足显著性要求的控制变量组合，一个变量叫 positive 用来展示显著的方向，1表示正向显著，0表示负向显著。