Introducción a Stata Clase 2: Estadísticas Descriptivas y Gráficos

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Introducción a Stata Clase 2: Estadísticas Descriptivas y Gráficos"

María del Rosario Ayala Luna
hace 7 años
Vistas:

1 Introducción a Stata Clase 2: Estadísticas Descriptivas y Gráficos R. E. De Hoyos * University of Cambridge 3 de marzo de Introducción En esta sesión del curso presentamos las distintas herramientas que se pueden utilizar como un primer paso para analizar los datos. Las dos formas más usuales de empezar un análisis estadístico son las tablas con estadísticas descriptivas y el análisis gráfico. 2. Tablas con Estadísticas Descriptivas codebook es un comando muy útil para empezar a analizar la base de datos. Si no se especifica una variable codebook presenta estadísticas descriptivas sobre cada una de las variables en la base de datos, alternativamente se puede obtener información sobre sólo alguna(s) variable(s) en particular escribiendo el nombre de la(s) variable(s) despues de codebook. Un comando alternativo * red29@cam.ac.uk 1

2 que presenta estadísticos similares a codebook pero de forma resumida es summarize. Aqui se presenta un ejemplo del comando summarize: sysuse auto summarize price mpg Cuadro 1: summarize Variable Obs Mean Std. Dev. Min Max price mpg El cuadro 1 presenta información sobre el número de observaciones, la media, desviación estandar y el rango de las variables. Muchas veces necesitamos crear una tabla con determinados estadísticos descriptivos, para hecer esto se puede hacer uso de los comandos tabstat o table. Estos comandos tienen mucha flexibilidad no sólo en los estadísticos que se pueden incluir pero también en el formato en que estos se presentan como se puede ver en el siguiente ejemplo: sysuse auto tabstat price mpg trunk weight, statistics(mean n sum sk median) Cuadro 2: tamstat Variable price mpg trunk weight mean N sum skewness p

3 El comando inspect es una forma sencilla de obtener informacion sobre la distribución de una variable. Presenta pequeñas gráficas con puntos de frecuencias relativas y algunos estadísticos sobre el numero de observaciones distintas de cero, etc. tabulate, por otro lado, realiza tablas con frecuencias y presenta varios estadísticos de correlacíon entre dos variables previamente seleccionadas: sysuse auto tabulate rep78 foreign Cuadro 3: tabulate Repair record Car type 1978 domestic foreign Total Total Comandos: codebook, summarize, inspect, tabstat, table, tabulate 2.1. Estadísticos de Momentos Toda distribución puede ser inferida por sus momentos. Los momentos más utilizados son el primero (la media) y el segundo (la varianza). En la sección anterior vimos cómo podemos obtenerlos. Para probar estadísticamente la diferencia entre dos medias provenientes de distribuciones independientes, es necesario utilizar información acerca del segundo momento. Esto se puede llevar al cabo utilizando el comando ci para formar intervalos de confianza 3

4 de las medias y ver si se intersectan o no. La no intersección quiere decir que no hay evidencia suficiente para rechazar la Ho: igualdad de medias. Los momentos tercero y cuarto de la distribución también nos dan información valiosa. La skewness o tercer momento nos dice si la distribución es simétrica con respecto a la media. Valores de este estadístico iguales a cero indican una distribución simétrica mientras que valores mayores (menores) a cero indican que la cola de la distribución esta sesgada hacia la derecha (izquierda). La kurtosis o cuarto momento, mide la densidad que se concentra en las colas; una distribución normal (del tipo Gauss) tiene una kurtosis igual a tres. Valores que difieren de la normal se dice que tienen colas con algunos picos (no nos referimos a picos en sentido estricto número infinito de derivadas sino solo a vecindarios en donde la distribución no es tan suave como la normal.) Para obtener información hacerca de los momentos de la distribución podemos usar el comando summarize con la opción detail. Pruebas para normalidad de una distribución en base al tercer y cuarto momento se pueder realizar utilizando el comando sktest. Comandos: ci, summarize, sktest 3. Gráficos La mejor manera de resumir la información contenida en los datos es haciendo un análisis gráfico de los mimsos. Stata tiene un gran número de gráficas siendo scatter, twoway, histogram y kdensity entre los comandos más utlizados. Las graficas twoway pueden presentarse de diferentes maneras, una de las más comunes es en forma de puntos. 1 El comando scatter se utiliza en el siguiente ejemplo para observar cómo se ha comportado la expectiativa de 1 Los siguientes ejemplos se pueden aplicar a gráficas de lineas, áreas o barras. 4

5 vida al nacer (le) a travez del tiempo (year). La base de datos (uslifeexp2) que usamos para realizar la gráfica 1 es una de las que provee el sistema (integradas en Stata) y es llamada utilizando el programa sysuse. En el segundo renglón del ejemplo especificamos que queremos una gráfica del tipo scatter que relacione las variables le y year. sysuse uslifeexp2, clear scatter le year Figura 1: Gráfica en forma de Puntos life expectancy Year O bien estos puntos se pueden unir utilizando la opción connect: scatter le year, connect(l) Figura 2: Gráfica en forma de Puntos Unidos life expectancy Year 5

6 La mayoría de las opciones gráficas permite un análisis por grupos utilizando el comando by: scatter lexp gnppc, by(region) Figura 3: Gráfica por Grupos Life expectancy at birth Eur & C.Asia N.A S.A GNP per capita Graphs by Region Histogramas de frecuencias y distribuciones de densidad kernel pueden ser graficados utilizando los comandos histogram y kdensity respectivamente. También es posible combinar ambas funciones en un sólo gráfico como se muestra en el siguiente ejemplo: histogram volume, freq kdensity xaxis(1 2) ylabel(0(10)60, grid) xlabel(12321 "mean" s.d."14907 "+1 s.d." s.d."17493) Figura 4: Histograma y Kernel Volume (thousands)/x 5,000 10,000 15,000 20,000 25,000 Frequency s.d. 1 s.d. mean +1 s.d. 17,493 Volume (thousands) 6

7 Note como dentro de las opciones de histogram se incluye el formato freq indicando que la altura de las barras del histograma miden el número de observaciones en cada rango (las frecuencias). La opción kdensity le dice a Stata que queremos una función de densidad del tipo kernel superimpuesta al histograma. Las otras dos opciones, ylabel y xlabel son sólo los títulos de los ejes. El intervalo que define el area de las barras de histogram puede ser ajustado utilizando las opciones bar y width. Si se reduce el area de las barras de un histograma hasta formar una gráfica con lineas en lugar de barras, el resultadeo es una distribución de densidad en lugar de frecuencias. La forma en que pasamos de un gráfico de frecuencias a uno de densidad varia según la técnica utilizada, siendo el método kernel uno de los más comunes. La ventaja de utilizar densidades kernel es que no se impone ninguna estructura, ya que la linea que produce lo hace utilizando estadísiticos no paramétricos. Las opciones gráficas de Stata le permiten añadir marcos, títulos a los ejes, cambiar de colores las distintas varibles graficadas, elegir la escala de los ejes, etc. (vea help twoway options.) Comandos: graph, twoway, scatter, histogram, kernel 4. Resumen En esta sesión exploramos varias opciones para comenzar una inspección de la base de datos. Lo más común es empezar un análisis produciendo tablas con estadísticos descriptivos y de corralación simple entre dos variables; los comandos summarize, tabstat y tabulate son los ideales para estas tareas. Por otro lado, vimos cómo producir gráficos de puntos y lineas relacionando dos variables, asi mismo, aprendimos a graficar frecuencias relativas y densidades usando histogram y kernel repectivamente. 7

Documentos relacionados

MANEJO DE DATOS CON STATA

MANEJO DE DATOS CON STATA Interfaz Revisar Variables Resultados Comandos Interfaz Para visualizar la ruta de todos los archivos creados por Stata, escriba la palabra sysdir en la barra de comandos Cargar una base de datos use C:/Mis