stata中变量的生成与处理..课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第四章,变量的生成与处理,导论,Stata,对数据的处理是以变量为前提的,若没有需要分析的变量，则,Stata,将一无用处,熟悉变量的内容和分布、生成新变量、改变旧变量等是处理数据的第一步,4.1.,新变量的生成、规则及注意事项,Stata,的变量类型,Stata,软件生成三类变量：,numeric,（数值型）变量，,string,（字符型）变量（相当于定性变量）和,date,（日期）变量。虽然日期变量以数值型变量的技术记录、存储，但二者的用途却不同,数值型变量包括定距和定比变量。可以是整数、小数、负数和正数。数值型变量可以有多种存储方式（,Storage Types,）,用,str,类型保存的定性等分类变量也可区分为多种形式，从,str1-str244,Stata,的日期变量,日期（,date,）变量是数值型变量的一个特例。它们通常以字符的形式输入,(,如,: 01JAN1992 or 01/01/92),，但必须以数值型数据存储才能有用,Stata,有几个命令可以工作于日期和时间依赖（,time-dependent,）数据,Stata,将所有的日期保存为从,1960,年,1,月,1,日以来的天数或月份、季节等。此前的日期是负值，此后的是正值。,SAS,使用同样的日期方式，但其起始时间是,1582,年的,10,月,14,日。,Excel,使用,1900,年,1,月,1,日为默认起始日。如果读入,Excel,数据，则以字符型变量输入日期，并重新格式日期,生成变量的路径,Data Create or change variables,生成变量的窗口,Data Create or change variables Create new variable,基本命令,Stata,有四个基本的生成和修改变量的命令：,gen,、,egen,、,replace,和,recode,. gen,和,egen,分别是,generate,和,extended generate,的缩写，它们用于生成新变量,. replace,和,recode,用来改变现存变量的属性或数值,. replace,需要与,gen,一起使用；二者的区别在于，,gen,用于生成新变量，,replace,用于重新定义已经存在的变量,. recode,也可以与,gen,一起使用,基本语法,.,gen,变量名,=,表达式,1, ,. replace,变量名,=,表达式,2,if,条件, ,：生成新变量或替代现存变量取值的基本命令,：新变量或其取值将被替换的变量的名称,：在,gen,命令的取值不同于在,replace,命令的取值,：替换原有变量的取值必须满足,if,指定的条件,*yr of schooling recoded,（这是一个注释；*代表注释）,gen,edu=0,replace,edu=1,if,yrsch,=,11,replace edu=2 if yrsch=12,replace edu=3 if yrsch=13,replace edu=4 if yrsch=14,replace edu=5 if yrsch=15,replace edu=6 if yrsch=16,replace edu=7 if yrsch=21,replace edu=8 if yrsch=22,replace edu=9 if yrsch=23,replace edu=10 if yrsch=24,|,yrsch=27,replace edu=11 if yrsch=25 | yrsch=28,replace edu=12 if yrsch=26 | yrsch=29,replace edu=13 if yrsch=31,replace edu=14 if yrsch=32,replace edu=15 if yrsch=33,replace edu=16 if yrsch=34,replace edu=17 if yrsch=35,replace edu=18 if yrsch=36,replace edu=. if yrsch=. | yrsch=-9,tab1,yrsch edu,*,查看变量的生成是否成功,变量生成的规则（,I,）,生成新变量、重新定义旧变量时需遵循的一些基本规则：,变量的名称可长达,32,个字符，必须以字母、汉字或字符（,，,_,，,#,，,$,等）开头（不能使用空白字符或,!,、,?,等特殊字符）。变量最后一个字符不能是句号,变量的名称必须唯一，不能有两个相同的变量名,Stata,区分大小写，对大写、小写敏感：,V,ariable,不能写成,v,ariable,，反之亦然,使用描述性的变量名字：“变量,a”,这个名称没有任何意义。调查问题是变量名称的很好选择,变量生成的注意事项,尽量避免使用同一变量名称。换言之，不要使用新变量取代旧变量。保持原始变量有助于检验我们的命令是否正确,充分了解原始变量的分布以及每个数值代表的含义,遵循不重不漏（,exhaustive and mutually exclusive,）原则（详见“生成分组变量”一节）,在变量生成后，将原始变量和新变量的取值进行对比，检查是否有误,注意原始变量的缺失值,4.2,利用系统变量或下划线变量（,_n,和,_N,）生成新变量,Stata,有几个下划线变量（,_variables,，读为“,underscore variables”,），因包含下划线而得名。这类变量并不出现在,Stata,的,Variables,（变量）窗口中，故又称系统变量。其中，经常使用的有,_n,和,_N,。系统变量,_n,和,_N,对于数据的管理和处理十分有用，尤其是与特殊选项,by,同时使用时,系统变量,_n,_n,是指,当前,的观察值，即独一无二的观测序号，从,1,到,_N(_N=,总样本）,_n,是,Stata,系统内部独特的辨识器，标志从第一个观察值开始直到最后一个观察值（,_N,）的序列,_n=1,为第一个观测，,_n=2,为第二个观测，,，,_n=_N,是最后一个观测,该系统变量适于（,1,）指示观察值；（,2,）生成系列数值；（,3,）生成其他变量,使用系统变量,_n,指示观察值,系统变量,_n,表示每个观察值的位置（,numbering observations,）。其原则是：,当前观察值：,_n,总观察值（最后一个观察值,_n,）：,_N,第一个观察值：,1,最后一个观察值：,_N,滞后一个,(lag),观察值：,_n-1,前移一个,(lead),观察值：,_n+1,第,27,个观察值：,27,假如现有以下数据：,+-+,| province personid homesize age girl siblings |,（省份） （个人,ID,）（家庭规模,),（年龄）（女孩）（姊妹数量）,|-|,1. | 21 2106018504 50 5 girl 1 |,2. | 35 3505154103 100 18 boy 0 |,3. | 32 3205093703 246 8 boy 0 |,4. | 37 3708156203 60 9 boy 0 |,5. | 45 4452082404 20 6 girl 3 |,6. | 35 3501117305 25 13 girl 2 |,7. | 45 4526057606 90 10 girl 3 |,8. | 32 3209163903 25 2 boy 0 |,9. | 37 3702093304 68 7 boy 1 |,10. | 37 3704057503 80 20 boy 3 |,+-+,现在想看看每个孩子在省内的排序,使用系统变量,_n,生成新变量,步骤,1,：对,province,（即“关键变量”）进行排序,. sort,province,步骤,2,：生成感兴趣的变量,.,by,province:,gen,order,=,_n, ,：按,province,的分类进行排序和计算,：生成新变量的基本命令,：新变量的名称,：新变量的取值等于同一,province,内观察值的序次,步骤,3,：使用频数分布查看生成的结果是否正确,. tab,order,使用系统变量,_N,生成新变量,系统变量,_N,代表样本总数。最后一个样本,_n,即是,_N,使用前面的数据，看看每个省共有几个孩子在样本中,步骤,1,：对,province,进行排序,步骤,2,：生成感兴趣的变量。其命令是：,. by province: gen ceb=,_N,步骤,3,：查看结果正确与否,. tab,ceb,生成滞后（,lag,）变量或移前变量（,lead,）,在分析某些类型数据（包括常用的家庭成员数据和纵向数据）的过程中，常常需要根据研究问题将一个样本的取值转移到上一个（或下一个）观察值中。,. gen,a,=,b,_n-1,. gen,a,=,b,_n+1, ,：需要生成的新变量的名称,：现有变量的名称,：将现有变量的取值下移一行（,_n-1,）或前移一行（,_n+1,）的基本命令,. gen a = age_n-1,(1 missing value generated),. gen b = age_n+1,(1 missing value generated),. list,+-+,| province personid homesize age girl siblings order a b |,|-|,1. | 21 2106018504 50 5 girl 1 1,.,2 |,2. | 32 3209163903 25 2 boy 0 1 5 8 |,3. | 32 3205093703 246 8 boy 0 2 2 18 |,4. | 35 3505154103 100 18 boy 0 1 8 13 |,5. | 35 3501117305 25 13 girl 2 2 18 9 |,10. | 45 4526057606 90 10 girl 3 2 6,.,|,+-+,4.3,生成数值型变量,使用,recode, , gen,命令生成新变量,.,recode,原变量,（,原变量取值,=,新变量取值,）, ,*,= ,其他取值,gen,新变量, ,：给变量重新赋值的命令,：现有变量的名称,：现有变量的取值,：新变量的取值；和是一个整体,：*符号表示所有其他没有列出的数值，包括缺失值；,recode,与,gen,之间有逗号（,）隔开,：生成新变量的命令,：新变量的名称,以本章数据中的,变量“,yrsch”,为例。前面使用,genreplace,的方法在“,yrsch”,的基础上生成变量“,edu”,；现在使用另一种简便的方法生成“,edu”,由于变量,edu,已经存在，首先需要删除该变量：,. drop,edu,. recode,yrsch 0=0 11=1 12=2 13=3 14=4 15=5 16=6 21=7 22=8 23=9 24 27=10 25 28=11 26 29=12 31=13 32=14 *=.,gen,(edu),该命令在原变量,yrsch,的基础上生成一个新变量（,edu),新变量对原变量的取值重新编码。原变量照旧保存着,若无,gen,（,edu,）部分，则仅取代原有变量的取值,使用数学表达式生成新变量,任何有效的数学表达式在生成变量时都适用。既可以是加、减、乘、除的单独表达式，也可以是混合表达式：,. gen,a = b + c + d,加法：将变量,b,，,c,，,d,的数值累加起来，生成新变量,a,. gen,a = b - c,减法：将变量,b,的数值减去变量,c,的数值，得到变量,a,. gen,a2 = a,*,a,乘法：该命令生成新变量,a2,；,a*a,是,a x a,的表达方式,. gen,double a = b/c,除法：用变量,b,的数值 除以变量,c,的数值，得到新变量,a,。该变量定义为,double,类型,. gen,a = b/(c,2),新变量,a,的取值等于变量,b,的取值除以变量,c,取值的平方,4.4,生成分类变量,*age group,. gen agegrp,=0,. replace,agegrp=1 if age,=,0,&,age,=5 & age=10 & age=15,.,replace agegrp=. if age = .,. egen,agegrp =,cut,(age),at,(0,5,10, 15,20),4.5,生成虚拟变量,（,dummy, dichotomous variable,）,方法,1,.,gen,新变量名,=,b,限制条件, ,：生成新变量的基本命令,：新变量名,：旧变量名,：当,b,满足某种条件时，生成新变量,比如：,. gen xiaoxue = edu7,或,. gen xiaoxue =edu=6,或,. gen byte xiaoxue = edu7,或,. gen byte xiaoxue =edu,6,方法,2,. gen,变量名,1,if,取值为,1,的限制条件,. replace,（,变量名,0,if,取值为,0,的限制条件,比如：,. gen xiaoxue = 1 if edu=7,若,edu,大于或等于,7,，则,xiaoxue,等于,0,. replace xiaoxue = . if edu = .,若,edu,等于,.,，则,xiaoxue,等于,.,（缺失）,方法,3,虚拟变量往往是根据某（几）个已知变量的取值生成的,. tab,已知变量名, gen,新变量名,基于某个已知变量，生成一组虚拟变量,虚拟变量的数目因已知变量的分类而异,若现存变量有两个取值，则生成两个虚拟变量,若现存变量有三个取值，则生成三个虚拟变量,若现存变量有,n,个取值，则生成,n,个虚拟变量,新生成的虚拟变量有相同的前缀，也就是,新变量名,，但尾缀相异，由已知变量名的取值决定,