就是解释一下storage type   还有 display format 还有variable label 是什么意思，这里的结果显示了什么？
还有ols tsls aux1 aux2 是什么意思，这里又显示了什么结果？
其中的F 和Prob>F 又是代表什么

global是加载一个全局宏，把educ（受教育年限）exper（工作经历）exper2（工作经历的平方）tenure（培训）tenure2（培训的平方）作为xvars储存起来；
storage type：数据存储类型，一般分成字符串，浮点等等几种，这个例子里面就是浮点数据；
display format：数据格式，数值型数据一般形式为"%w.d"，字符型数据一般为“%#s”。“%”为提示符。数值型的数据格式有三种，e（科学技术格式）；f（固定格式）；g（一般格式）。案例中变量都是数值型数据，所以%9.0g表示的就是：变量的整个显示宽度为9个字符，小数点后保留0位的一般显示格式。
value label：变量取值
variable label：变量标签，也就是说，这个变量代表了什么意思。比如第一个lnwage，表示对数化的小时工资；其他解释类推。
下面就是做回归模型。
第一个模型是一般最小二乘，ols，然后，estimate store 是保存模型结果，“ols”是模型名称，并非真正代表OLS最小二乘法，下面几个模型的命名也是这个道理。因变量是小时工资，自变量是体重指数，另，$xvars表示宏（global加载的变量）全部其他变量作为自变量。模型解释楼主应该明白。
第二个模型是工具变量回归，中间加上了ivreg，以及2sls，两阶段最小二乘，括号里的就是工具变量。这里的工具变量是父亲和母亲的体重指数。然后，自变量再加上宏定义的那个xvars。
因变量也是小时工资。保存模型，命名为tsls，这个命名看自己习惯，没有固定要求，但不能以数字开头。predict u_tsls ，resid 就是保留残差。
整个模型就是探讨工具变量之下的小时工资的影响。然后预测残差。

第三个模型，因变量是体重指数，自变量是xvars，父母的体重指数。做ols，然后预测残差。模型意图就是探讨除了工资之外哪些因素影响了体重指数。

下面，testparm，测试Samba的设置是否正确无误。testparm(test parameter)。在这里就是探讨父母的体重指数是否为零，做一个F检验，虚无假设是二者各自等于零。Prob>F = 0.0000 ，是说检验结果显著，二者都不为零，也就是说作为工具变量至少是“不弱”的。

第四个模型，reg u_tsls $xvars lnbmi_dad lnbmi_mom，对于第二个模型（加入工具变量的完整模型）所产生的采茶进行回归分析，这又叫做残差回归，分析各个因素对完整模型残差的影响，有无遗漏变量。然后再保留模型结果。

最后的estimate table 就是输出这四个模型的结果。
ols中显著地因素有哪些，然后tsls有哪些，aux1有哪些。
值得注意的就是aux2全部变量不显著，说明残差回归中所有因素都与误差项“e”没有显著地关系，而且确定系数R2也非常小，也就是排除了遗漏变量的问题。
其他解释，如显著度什么的，这些比较简单了，而且要根据自己的假设对于分析结果进行解释。

表最后的模型是对于对数化的小时工资做的回归，OLS，没有工具变量，然后，加上对于体重指数的影响因素这个模型的残差，也就是看体重影响因素之外的哪些遗漏因素对于工资的影响。
最后的testparm同样是检验模型三有无显著影响，F检验发现在0.05的水平之下是显著的，这样，模型三的残差是有影响的。应该纳入回归方程。

最后：这个模型没有进一步的分析材料，没法断言它的结果。但楼主这位朋友做的分析挺不错的，还是要赞一个的。

学习了，谢谢！