Sesión 3 Introducción a Stata II

Transcripción

1 Sesión 3 Introducción a Stata II Juan D. Barón juandbaron@gmail.com Métodos Cuantitativos en Economía Regional y Urbana Universidad Autónoma de Occidente 27 de abril de 2011 Versión : 1.2 Copyright 2011: La reproducción total o parcial de este material está prohibida Material provisional y sujeto a cambios

2 1. Trabajando con datos

3 Cuando se usa el comando use archivo, Stata (i) verifica si el archivo está en el directorio, (ii) pregunta si tiene permiso para leerlo y (iii) copia el archivo completo a la memoria (si es posible) tm / / / / / / / / / / / / 10.1 Copyright Statistics/Data Analysis StataCorp 4905 Lakeway Drive Special Edition College Station, Texas USA 800-STATA-PC stata@stata.com (fax) Single-user Stata for Windows perpetual license: Serial number: Licensed to: BANCO DE LA REPUBLICA BANCO DE LA REPUBLICA Notes: 1. (/m# option or -set memory-) MB allocated to data 2. (/v# option or -set maxvar-) 5000 maximum variables Por defecto, Stata solo lee bases de datos de 10 megas o menos Si la base de datos es más grande use el comando:. set memory 910m El comando compress reduce el tamaño de la base de datos que se está usando:. compress 3

4 1.1 Los datos en la memoria Una vez se carga una base de datos en formato Stata (comando use) podemos ver el contenido de ésta con el comando describe. use auto, clear (1978 Automobile Data). describe Contains data from C:\Archivos de programa\stata10\ado\base/a/auto.dta obs: Automobile Data vars: Apr :45 size: 3,478 (99.7% of memory free) (_dta has notes) storage display value variable name type format label variable label make str18 %-18s Make and Model price int %8.0gc Price mpg int %8.0g Mileage (mpg) rep78 int %8.0g Repair Record 1978 headroom float %6.1f Headroom (in.) trunk int %8.0g Trunk space (cu. ft.) weight int %8.0gc Weight (lbs.) length int %8.0g Length (in.) turn int %8.0g Turn Circle (ft.) displacement int %8.0g Displacement (cu. in.) gear_ratio float %6.2f Gear Ratio foreign byte %8.0g origin Car type Sorted by: foreign 4

5 if exp y in range non tienen sentido en la sintaxis del comando describe. Pero las listas de variables si:. describe price storage display value variable name type format label variable label price int %8.0gc Price. describe price displacement storage display value variable name type format label variable label price int %8.0gc Price displacement int %8.0g Displacement (cu. in.) 5

6 . describe m* storage display value variable name type format label variable label make str18 %-18s Make and Model mpg int %8.0g Mileage (mpg). describe mpg-trunk storage display value variable name type format label variable label mpg int %8.0g Mileage (mpg) rep78 int %8.0g Repair Record 1978 headroom float %6.1f Headroom (in.) trunk int %8.0g Trunk space (cu. ft.) 6

7 Una de las mejores formas de obtener descripciones de las variables es a través del comando codebook. describe make storage display value variable name type format label variable label make str18 %-18s Make and Model. codebook make make Make and Model type: string (str18), but longest is str17 unique values: 74 missing "": 0/74 examples: "Cad. Deville" "Dodge Magnum" "Merc. XR-7" "Pont. Catalina" warning: variable has embedded blanks 7

8 Codebook para una variable numérica. codebook mpg mpg Mileage (mpg) type: numeric (int) range: [12,41] units: 1 unique values: 21 missing.: 0/74 mean: std. dev: percentiles: 10% 25% 50% 75% 90%

9 Tipos de variables De texto (strings) Numéricas (numeric) Tipo de datos De texto (string) Tipo de variable str1 str2 strn str244 Significado Texto de máximo 1 caracter Texto de máximo 2 caracteres Texto de máximo n caracteres Texto de máximo 244 caracteres byte Entero entre -127 y 100 int Entero entre y Numérica long Entero entre -2,147,483,647 y 2,147,483,620 float double Real con aprox. 8 digitos de precisión Real con aprox. 17 digitos de precisión 9

10 Use el comando describe para ver el tipo de variable Contains data from C:\Archivos de programa\stata10\ado\base/a/auto.dta obs: Automobile Data vars: Apr :45 size: 3,478 (99.9% of memory free) (_dta has notes) storage display value variable name type format label variable label make str18 %-18s Make and Model price int %8.0gc Price mpg int %8.0g Mileage (mpg) rep78 int %8.0g Repair Record 1978 headroom float %6.1f Headroom (in.) trunk int %8.0g Trunk space (cu. ft.) weight int %8.0gc Weight (lbs.) length int %8.0g Length (in.) turn int %8.0g Turn Circle (ft.) displacement int %8.0g Displacement (cu. in.) gear_ratio float %6.2f Gear Ratio foreign byte %8.0g origin Car type Sorted by: foreign Note: dataset has changed since last saved 10

11 Variable Categórica Contienen valores como 1, 2, 3. Cada valor tiene un significado Cualquier conjunto de números serviría En la representación no necesariamente se tienen que usar números Una variable de texto que contiene hombre o mujer es una variable categórica La variable make en la base de datos auto.dta es una variable categórica (ver 2 diapositivas atrás) Sin embargo, es muchísimo mejor si las variables categóricas están codificadas numéricamente 11

12 Ejemplo de variable categórica codificada numéricamente: codebook muestra tabulación y no estadísticas descriptivas (Stata se da cuenta que la variable toma pocos valores) codedebook realmente no sabe que esta es una variable categórica. codebook rep rep78 Repair Record type: numeric (int) range: [1,5] units: 1 unique values: 5 missing.: 5/74 tabulation: Freq. Value

13 Variable categórica codificada numéricamente (con value labels): La variable foreign toma valores 1 y 0. Toma 0 si es doméstico 1 si es importado (y Stata lo sabe) codebook y describe lucen diferentes para esta variable (label: origin). codebook foreign foreign Car type type: numeric (byte) label: origin range: [0,1] units: 1 unique values: 2 missing.: 0/74 tabulation: Freq. Numeric Label 52 0 Domestic 22 1 Foreign. describe gear_ratio foreign storage display value variable name type format label variable label gear_ratio float %6.2f Gear Ratio foreign byte %8.0g origin Car type 13

14 1.2 Value labels (etiquetas de valores) Importantes para organizar información fácilmente Asignación de número a texto En el caso de la variable foreign, el value label origin es una nota que le dice a Stata: Cuando vea 0; no muestre 0 ; muestre Domestic Cuando vea 1; no muestre 1 ; muestre Foreign Cuando listamos algunas observaciones no vemos 0 o 1, sino vemos Domestic o Foreign :. sort foreign make. list make mpg foreign in 1/ make mpg foreign AMC Concord 22 Domestic 2. AMC Pacer 17 Domestic 3. AMC Spirit 22 Domestic 4. Buick Century 20 Domestic 5. Buick Electra 15 Domestic

15 Para crear una etiqueta de valores se siguen dos pasos sencillos: 1. Crear la asignación (llamado el value label):. label define origin 0 "Domestic" 1 "Foreign" 2. Asociar el value label con la variable:. label values foreign origin Crear y asignar el value label a una variable, no cambia el hecho de que la variable sigue siendo numérica. summarize foreign Variable Obs Mean Std. Dev. Min Max foreign

16 La variable es numérica, pero cuando se pueden usar los value labels se usarán (recuerde cuando listamos la variable foreign). Cuando tabulamos la variable (comando tabulate) sucede algo similar:. tabulate foreign Car type Freq. Percent Cum Domestic Foreign Total Podemos decirle a Stata que esconda las etiquetas en tabulate y list:. tabulate foreign, nolabel Car type Freq. Percent Cum Total

17 Otros comandos relacionados (siguiendo el ejemplo de foreign): Borrar la asociación de una variable (no asignar nada):. label values foreign Para ver los value labels y la asignación:. label list origin Para listar las características de los carros Foreign, NO podemos usar el texto de la asignación, debemos usar el número:. sort foreign make. list make mpg if foreign==1 17

18 1.3 Otros tipos de de etiquetas Etiquetas de base de datos: Etiquetas de variables:. label data 1978 Automobile Data. label var make Make and Model. describe Contains data from C:\Archivos de programa\stata10\ado\base/a/auto.dta obs: Automobile Data vars: Apr :45 size: 3,478 (99.9% of memory free) (_dta has notes) storage display value variable name type format label variable label make str18 %-18s Make and Model price int %8.0gc Price mpg int %8.0g Mileage (mpg) rep78 int %8.0g Repair Record 1978 headroom float %6.1f Headroom (in.) trunk int %8.0g Trunk space (cu. ft.) weight int %8.0gc Weight (lbs.) length int %8.0g Length (in.) turn int %8.0g Turn Circle (ft.) displacement int %8.0g Displacement (cu. in.) gear_ratio float %6.2f Gear Ratio foreign byte %8.0g origin Car type Sorted by: foreign 18

19 2. Reportes básicos de información

20 Los comandos recomendados para reportes básicos de datos son: describe (se introdujo atrás) codebook (se introdujo atrás) list browse (alternativa a list) count inspect (alternativa a codebook, preferible codebook) summarize (se introdujo atrás) table tabulate (se introdujo atrás) 20

21 Comando count. count if exp in range Cuenta observaciones que cumplen con ciertas características No permite variables! Ejemplos: Cuántos carros domésticos hay en la base de datos?. count if foreign == 1 52 Cuántos carros tienen un desempeño de más de 22 millas por galón (mpg) y además son importados?. count if mpg>22 & foreign ==

22 La sintaxis de Stata es mucho más poderosa de lo que se ha mostrado. Una versión más completa de la sintaxis de los comandos de Stata es:. by variables: comando variables2 if exp in range by en frente de un comando ejecuta el comando independientemente para cada grupo by tiene una restricción y es que la variable debe estar ordenada. Por ello en muchos casos es mejor usar bysort en lugar de by Ejemplo: Cuántos carros rinden 20 millas o más por galón discriminando por doméstico o importado?. by foreign: count if mpg>= > foreign = Domestic > foreign = Foreign 17 22

23 Lo mismo se podría lograr con el comando tabulate:. tabulate foreign if mpg>=20 Car type Freq. Percent Cum Domestic Foreign Total

24 3. Manipulación de datos

25 Los comandos recomendados para manipulación de datos son: (no los veremos todos a la vez, pero los veremos todos) generate y replace egen rename drop keep sort encode decode order reshape Nos detenemos en los siguientes en estas diapositivas: generate y replace (usados con by) egen encode 25

26 El comando generate permite crear variables nuevas y el comando replace permite cambiar valores de las ya existentes. generate nuevavar = exp. replace nuevavar = exp Ejemplos:. generate lbperin = length/weight. generate lbperin = weight/length. generate nalcaro = 0. replace nalcaro = 1 if foreign == 0 & price >= replace nalcaro = 99 in 1/10 26

27 Se pueden combinar funciones en Stata con la generación de variables (matemáticas o de texto):. generate manuf = word(make, 1). codebook make manuf La función word(n,s) toma como argumentos un texto y un entero indicando cual palabra se quiere obtener Para ver qué hace la función exactamente, use el comando display (display es una forma fácil y rápida de ver resultados de prueba):. display word("este es un ejemplo", 4) ejemplo La función aplicada a una variable ejecuta lo que hace la función para todas las obs de esa variable. Para ver más funciones en Stata:. help functions 27

28 4. De variables de texto (strings) a numéricas

29 Stata maneja variables de texto y numéricas bastante bien En muchas ocasiones preferimos usar variables numéricas (queremos usar comandos que generen estadísticas) Las variables de texto contienen uno de dos tipos de información Identificadores únicos para cada obs (ej. make) Categorías no únicas (ej. manuf) Si tiene un identificador déjelo como texto Si tiene categorías convierta esa variable en una variable numérica, y aplique value labels para que se vea idéntica a la variable de texto (ventaja: podemos usarlo en análisis estadísticos) Nota Este tema es fundamental para el manejo y procesamiento de encuestas. Se usa frecuentemente 29

30 Qué queremos hacer exactamente? Tenemos una variable de texto (manuf) y queremos crear una variable numérica con etiquetas de valores (value labels). Esa nueva variable la llamamos manuf2 En general habrá varias observaciones que fueron manufacturados por la misma empresa manuf manuf2 value label AMC 1 1 -> AMC Audi 2 2 -> Audi BMW 3 3 -> BMW Volvo > Volvo 30

31 Existen al menos tres formas de hacerlo en Stata: 1. Usando el comando encode. encode manuf, gen(manuf2) 2. Usando el comando egen combiando con la función group(). egen manuf2: group(manuf), label 3. Manualmente, usando operaciones elementales en los datos Se mostrarán las tres formas pero empezaremos por la tercera Muchas veces se debe hacer algo similar ya que no existe el comando que maneje todas las situaciones: hay que saber como hacerlo! 31

32 Manualmente: Primero, cargando la información y generando la variable manuf (se había hecho en diapositivas anteriores). sysuse auto, clear (1978 Automobile Data). generate manuf = word(make, 1). sort manuf. l manuf in 1/ manuf AMC 2. AMC 3. AMC 4. Audi 5. Audi BMW 7. Buick 8. Buick

33 La parte generate manuf2 = 1 if _n==1 crea una variable numérica manuf2, igual a 1 o nada. Pondrá 1s en manuf2, donde _n==1, y nada (. ) en el resto _n: notación de la observación actual. _n es 1 para la primera obs, _n es 2 para la segunda, _n es 3 para la tercera,. Dado que se usa by (se ejecuta el comando para cada grupo independientemente), _n es 1 para la obs 4 también. La obs 4 es la primera obs del grupo Audi (definido por manuf). by manuf: generate manuf2 = 1 if _n==1 (51 missing values generated). list manuf manuf2 in 1/ manuf manuf AMC 1 2. AMC. 3. AMC. 4. Audi 1 5. Audi. 6. BMW 1 7. Buick 1 8. Buick

34 Gráficamente by manuf: generate manuf2 = 1 if _n==1 creó manuf2 conteniendo 1 en la primera observación de cada grupo Valor por defecto de _n manuf Los datos manuf2 by manuf: _n 1 AMC AMC. 2 3 AMC. 3 4 Audi Audi. 2 6 BMW Buick Buick. 2 34

35 El último paso es usar la función sum() sum(manuf2) : Produce la suma acumulada de la variable manuf2 (empezando por la primera obs) y tratando los. como 0. replace manuf2 = sum(manuf2) (73 real changes made). list manuf manuf2 in 1/ manuf manuf AMC 1 2. AMC 1 3. AMC 1 4. Audi 2 5. Audi 2 6. BMW 3 7. Buick 4 8. Buick manuf manuf2 sum(manuf2) AMC 1 1 AMC. 1 AMC. 1 Audi 1 2 Audi. 2 BMW 1 3 Buick 1 4 Buick. 4 Se obtiene lo que se buscaba: 1 corresponde a AMC, 2 a Audi, 3 a BMW, 4 a Buick,... Hay formas más fáciles para este caso, pero se quería mostrar cómo funciona Stata 35

36 Una forma más fácil: Usando el comando egen (otras funciones del comando egen:. help egen). sysuse auto, clear (1978 Automobile Data). generate manuf = word(make, 1). egen manuf2=group(manuf), label. tab manuf2 group(manuf ) Freq. Percent Cum AMC Audi BMW Buick <Parte del output omitido> Total des manuf2 storage display value variable name type format label variable label manuf2 float %9.0g manuf2 group(manuf) 36

37 Forma más eficiente: usando el comando encode. sysuse auto, clear (1978 Automobile Data). generate manuf = word(make, 1). encode manuf, gen(manuf2). codebook manuf manuf2 (unlabeled) type: numeric (long) label: manuf2 range: [1,23] units: 1 unique values: 23 missing.: 0/74 examples: 5 Cad. 8 Dodge 14 Merc. 18 Pont. Para ver las etiquetas de valores, recuerde usar:. labelbook list manuf2 37

38 4. Subíndices de observación _n y _N

39 _n se introdujo en la recodificación de variables de texto a numéricas _n: Notación para el subdíndice de obs (número de obs actual) _N: Número total de observaciones (útil cuando se combina con by) Ejemplo: Suponga que analizamos el comportamiento de hermanos Tenemos un identificador de familia Queremos una nueva variable que contenga el número de hermanos para cada individuo familia edad

40 Primero, ordenamos por familia (para que queden contiguos). sort familia familia edad familia edad

41 Ahora, creamos la nueva variable con by (porque es para cada familia). sort familia. by familia: generate hrms = _N familia edad hrms

42 Para generar el orden de nacimiento en cada familia, usaríamos. sort familia edad. by familia: generate orden = _N - _n familia edad hrms orden

43 Resumen De estas diapositivas usted debe tener un entendimiento general de cómo Stata maneja la información. Ahora usted sabe que: Stata carga toda la base de datos en la memoria Etiquetas se pueden aplicar a los datos Los comandos de reporte (describe, codebook, list, etc.) revelan información sobre la base de datos Los comando de manipulación de datos (generate, replace, egen, etc.) ayudan a preparar los datos para el análisis De diversas formas, Stata permite crear variables numéricas (categóricas) a partir de variables de texto Stata tiene subíndices explícitos (_n y _N) 43