对于标准差的问题，我同意你的观点，但是，目前的问题是标准差的差距过大，我希望差距可以减小一些。

对于随机分布的问题，你通过gen var3，再sort的方法，我理解了，确实可以保证随机。但是，有一点我没完全明白，我改写的代码中，加入了判断diff是正还是负的判断，如果diff大于0，则加1，如果diff小于0，则减1。你是怎么保证diff都是正值的呢？

另外，我是要生成新变量1000次，用你的代码，多测试几次，会出现如下错误：
. replace var2=var2+1 in 1/`diff'
'0' invalid observation number
r(198);
我改写的代码中由于加入了判断diff是否大于0的情况避免了这个问题。
所以你能不能显示一下嵌套了1000次循环的完整的代码。代码的执行效率受写循环的方法影响很大。我在上面代码中的循环速度还是可以的。但是，如果是10000个观察值，模拟1000次，再把所有文件合并成一个包含10001个变量的文件，我的代码是没办法在10秒内完成的，因为merge那步比较费时间。所以你说的10秒内完成，如果是10000个观察值，模拟1000次，再合并，那速度真的太快了。但是如果不包括所有以上步骤，那就不算快。

通过生成随机数，再按随机数排序保证随机加减1的方法，我改写我上面帖子中的代码如下：
*Simulation Distribution*
forvalues i=1/1000 {
use "test.dta", clear
gen order=_n
sum var
local sum=r(sum)
gen var`i'=rpoisson(r(mean))
sum var`i'
local diff=`sum'-r(sum)
gen random=rnormal() if var`i'!=0
replace random=-1 if var`i'==0
sort random
if `diff'>0 {
replace var`i'=var`i'+1 in f/`diff'
}
if `diff'<0 {
replace var`i'=var`i'-1 in `diff'/l
}
save "var`i'.dta", replace
}
*Merge*
use test.dta, clear
gen order=_n
forvalues i=1/1000 {
merge 1:1 order using "var`i'.dta", nogen
}
keep var*
save "simulation.dta", replace
*Erase*
forvalues i=1/1000 {
erase "var`i'.dta
}
这个程序如果用在10000个观察值的变量下，我用timer测试了时间，用时大概140秒。当然，机器配置不同，有的会快些，有的会慢些。

我只是提供了一个思路而已。这个和最后能做production use的代码不是一个概念。你指出的那个问题确实是对的。diff的那个地方检查一下符号也是很trivial的事情。

生成1000次什么的可以通过在1000 x _N的数据里生成一次来实现。不用一个一个的merge 1000次。

祝好运~

非常感谢你的思路。

至于你说在一个文件里一次生成1000次的问题能具体一点么？10000个观察值，1000个新变量，如果只是按我开头问题中呈现的方法，那还可以。但是如果考虑到你提供的思路，那中间的处理过程实际上要增加许多变量，不单个生成文件再merge的话，Stata处理起来恐怕更费时间。

高手过招！学习了！

set obs 100
gen g=mod(_n,10)
sort g
by g: gen t=_n
gen x=rnormal()
reshape wide x, i(t) j(g)

非常感谢，但是reshape实在不是提高效率的方法，这恐怕是Stata处理起来比较慢的函数之一。10个观察值，11个变量的long-wide转换用不了多长时间，但是10000个观察值，1000个变量的long-wide转换，reshape就得几十分钟吧。这还仅仅是reshape，再加上前面的simulation的代码。这种方法的效率远不如merge 1000次啊。

那你就merge咯。实际做了才知道哪个快。实在太慢的话改用eviews或者matlab吧。

我觉得哪个统计软件并不是决定速度的决定性因素，核心还是怎么写代码。我以前用Stata做一个条件比较复杂的计数，循环程序跑了45小时，后来改用基本函数但是比较占内存，但是耗时只用了10分钟。所以关键是算法。

@夏目贵志你好 请问如何根据均值 标准误随机生成一个变量