STATA数据管理

1、stata数据管理李博柏北京大学光华管理学院说明 程序文件： - data.do 生成所有人工数据 - dataman.do 运行本讲所有数据管理例子 - program.do “编程入门”程序文件 把三个文件拷贝到一个文件夹，打开stata，用“cd 文件夹路径”把数据文件夹确定为当前工作目录 在命令窗口键入: do data, do dataman即可运行所有例子学习要点 熟悉stata重要的数据管理命令 了解常见基本数据结构及其用途 了解数据管理中的常见问题 利用简单的编程解决复杂的数据管理问题基本数据结构介绍 横截数据（cross-sectional data） 合并横截数据（pool

2、ed cross-sectional data） 板块数据（panel， longitudinal， or cross-sectional time series data） 多层数据（multilevel or hierarchical data） 配对数据（matching or pairing data）数据合并合并类型数据结构命令纵向合并不同样本、相同变量append横向合并相同样本、不同变量merge交叉合并不同样本、不同变量joinby、cross数据合并 纵向合并：把多个样本简单累加（从cross-sectional 到pooled cross-sectional或） 横向合并：

3、把同一样本的不同变量累加 交叉合并：把不同样本和不同变量累加（适用于多层数据和配对数据）纵向合并要求 变量名要一致 变量类型要一致 样本序号不要重复（板块数据除外） 合并前要生成新变量来辨认不同样本使用append命令 先读入一个数据（内存内数据），然后 append using 文件名文件名 ，选项，选项 文件名为内存外数据文件（可省去.dta） keep(varlist): 保留内存外数据的变量 nolabel：不要拷贝内存外数值标签 nonotes：不要拷贝内存外数据标签横向合并：merge命令 先读入一个数据，然后 merge varlist using 文件文件1 , 选项选项 va

4、rlist为合并样本序号变量 文件1为内存外数据文件名，可以同时合并多个数据（因容易出错，故不建议使用）merge命令主要选项 _merge(newvar): 自动生成记录合并是否吻合的变量，默认为_merge, 取值为 - 1 不吻合 样本（仅内存内数据有） - 2 不吻合样本 （仅内存外数据有） - 3 吻合样本 update：如果两个数据有相同变量，内存内数据的缺失数据被内存外数据的相应数值覆盖 replace：如果有相同变量，使用内存外数据（必须同时选update才能有效）交叉合并 一一交叉：两个数据的每个个案做配对合并，形成（n1n2）个新样本；如婚姻配对、市场买卖、社会网络等数据有

5、时需要一一交叉合并（cross）。 组内交叉：两个数据内有分组，按分组做一一交叉合并；主要应用于多层数据结构中不同层次的数据合并（joinby）cross 命令 读入一个数据，然后cross using 文件名 注意事项：两个数据最好不能有相同变量名，如果有stata只能沿用内存内的数据joinby命令joinby varlist using 文件名文件名 , 选项选项 varlist是分组变量名 当两个数据还有其它相同变量时 -update 选项指定内存内数据的缺失数据被内存外数据的相应数值覆盖 - replace选项指定使用内存外数据（必须同时选update才能有效）数据重组重组类型使用范

6、围命令长宽结构转换板块数据处理reshape数据伸缩数据清理、历史事件数据处理expand、duplicate矩阵变换职业流动、社会网络等矩阵数据xpose、stack长宽数据转换 长数据格式：板块数据、历史事件数据等数据结构的两种不同的存储形式（其存储信息相同） 有些统计分析模型需要长格式，有些则需要宽格式，所以长宽格式转换处理板块数据的必备技能reshape 命令 宽转长：reshape long 干名，干名，i(varlist) j(varnamevalues) 长转宽：reshape wide 干名，干名，i(varlist) j(varnamevalues) 干名：宽格式因时而变的变

7、量名主干（在长格式为变量全名） i(varlist): 样本序号变量，为必须选项 j() : 宽因时而变得变量名后缀（在长格式为行变量的取值长宽格式转换注意事项 变量干名要一致 变量后缀要一致 变量后缀的位置要一致 样本序号要独特 同一样本数据行序号不独特 未被转换的变量在同一样本的取值不一样数据伸缩：expand命令expand 整数或变量名整数或变量名 if in expand 3 (每个样本复制三个数据行) expand -2 （整数小于2时，不做复制） expand x （按变量x的取值对每个样本进行复制） 数据伸缩：duplicates 命令 重复数据汇报：duplicates re

8、port varlist if in 重复数据举例：duplicates examples varlist if in 重复数据列表：duplicates list varlist if in 删除重复数据行：duplicates drop varlist if in，force 建立新变量来辨认重复数据行duplicates tag varlist if in , generate(newvar)矩阵变换：xposexpose，clear varname 把数据行变成数据列 clear选项: 新数据覆盖内存内的数据 varname选项：保留原数据中的变量名，记录在新生成的变量_varname

9、里 再运行xpose, clear 便可回复到原来的数据 矩阵变换：stack命令stack varlist if in, into(newvar) 选项选项stack varlist if in, group(组数组数) 选项选项 stack命令把变量varlist分组并进行纵向合并 into(newvar)是合并后的变量名,也可以group(组数)数据重新抽样sample # if in , count by(groupvars) sample 10 (随机抽样10%样本) sample 10, count （随机抽取10个样本） sample 10, by(sex) (男女各抽取10%样

10、本) sample 10, count by(educ sex) (按教育和性别的所有组合各抽取10个样本) set seed 5 （为了每次都能复制抽取的样（为了每次都能复制抽取的样本）本）描述数据抽取：collapse命令 collapse命令把数据分组，计算各组的描述统计，并生成一个样本为组数的新的数据。 collapse (mean) sex age income, by(county)(县为单位，性别、年龄、和收入的均值为变量县为单位，性别、年龄、和收入的均值为变量) collapse (mean) sex (median) age (sd) income, by(county)(县

11、为单位，性别均值、年龄中位数、收入标准县为单位，性别均值、年龄中位数、收入标准差为变量差为变量)collpase命令注意事项 其他统计值：count（有效样本），max（最大值），min（最小值），sum（总和），p#（#%值）. 当要计算一个变量的多个指标时，需要指定变量名，如collapse (mean) meaninc=income (sd) sdincome=income, by(county) 要注意缺失数值，采用cw选项描述数据抽取：contract命令 contract命令把数据分组，计算每一组的频率或百分比 contract county sex, freq(f) percen

12、t(p) zero（以县和性别交叉分组为单位，每组频率（以县和性别交叉分组为单位，每组频率和百分比为变量，包括和百分比为变量，包括0频率的组）频率的组）数据管理中的变量类型 在统计数据中，字串只能以存储为字符格式，而数字既可以存储为字符格式，也可以存储为数字格式 当同一变量有不同存储格式时，如果不注意，数据合并会产生大规模缺失 在数据合并时，一定检查变量类型，并用destring或tostring来转换变量类型（注意和decode、enecode的区别）destring和tostring命令 destring命令把数字从字符格式转换成数字格式destring income percent, r

13、eplace ignore($) percent force（把变量income和percent转换成数字格式，覆盖原变量，忽略“$”， 并把百分比转换成小数，如38%变成0.38 ；把不能转换的强行换成缺失） 如果不指定变量，destring会转换数据中所有可以转换的变量 tostring是正好相反，把数字格式的数字变成字符格式缺失数值编码 stata的缺失数值编码为 “.” 如果要记录不同类型的缺失，则用 “.a”、“.b”、“.c” 来表示 采用 mvdecode 把特定数值转换成缺失码 采用mvencode把缺失码转换成特定数值mvdecode和mvencode mvdecode _all, mv(-1=.a-2=.b-3=.c-4=.d)（把数据中所有变量中的-1至-4分别转换成缺失码.a至.c） mvencode _all, mv(.a=-1.b=-2.c=-3.d=-4)（把数据中所有变量中的.a至.c分别转换成-1至-4）作业 stock2008.xls是一个excel