Introducción a Stata - Segunda Parte

Transcripción

1 Introducción a Stata - Segunda Parte Maribel Jiménez Marzo Desarrollo Económico Licenciatura en Economía Universidad Nacional de Salta Maribel Jiménez Intro. Stata Marzo / 27

2 Esta clase en una filmina 1 Introducción a Stata: memoria 2 Gestión de base de datos 3 Gestión avanzada de data sets reshape xpose collapse 4 Dimensiones de un data set 5 Operadores de series de tiempo en Stata Maribel Jiménez Intro. Stata Marzo / 27

3 Introducción a Stata: memoria STATA trabaja generalmente de una manera particular con los data set. Todo el data set es almacenado en la memoria RAM de la PC: Ventajas: la ejecución de comandos es muy rápida, dado que no se accede al disco rígido. Desventajas: el tamaño de los data sets que pueden procesarse se encuentra limitado por la cantidad de memoria RAM de la PC. memory El comando para conocer el estado del uso de la memoria es: Maribel Jiménez Intro. Stata Marzo / 27

4 Introducción a Stata: memoria Novedades a partir de Stata 12 en la administración de la memoria Antes: Stata comenzaba un sesión con una determinada cantidad de memoria asignada, si no era suficiente para procesar un determinado data set había que ampliarla usando el comando: set memory 500m Ahora: Stata 12 (y versiones posteriores) administra automáticamente la memoria por lo que no es necesario ampliarla Qué pasa si usamos el comando anterior en Stata 12? La cantidad de memoria que se puede asignar está limitada por la cantidad de RAM de la PC. Maribel Jiménez Intro. Stata Marzo / 27

5 Introducción a Stata: memoria Funciones adicionales de manejo de memoria Stata dispone de una combinación de comandos muy útiles que permiten alterar los datos de un data set y luego volver a la situación original. Ejemplo: cd c:\desarrollo use datosc1.dta preserve replace espvida2012= 0 drop fecund2012 restore El comando preserve hace que Stata guarde en memoria una foto de la situación del data set. El comando restore permite restaurar la situación del momento cuando se hizo preserve. Esto implica que se revierten las modificaciones producidas por los comandos replace y drop (en el ejemplo).

6 Gestión de base de datos El contenedor de datos en Stata se denomina data set Un data set es una especie de tabla de doble entrada donde las columnas se denominan VARIABLES y las filas OBSERVACIONES. En cada celda se pueden guardar datos de diferentes tipos. El tipo de dato es el mismo para las observaciones de una misma variable. Con el código N se puede obtener el total de observaciones de un data set. Ejemplo: display N

7 Gestión de base de datos: tipos de datos Los tipos de datos que puede almacenar Stata son tres: 1 Palabras : Se pueden almacenar palabras con hasta un máximo de 244 caracteres. 2 Fechas: Son números con un formato especial de visualización. 3 Datos numéricos: Maribel Jiménez Intro. Stata Marzo / 27

8 Gestión de base de datos: tipos de datos describe Para conocer el tipo de datos de todas las variables que componen el data set se utiliza: Si se quiere saber el tipo de dato de una variable específica se utiliza: describe idh2012 Para crear una variable numérica especificando el tipo de dato que queremos, se utiliza: generate byte prueba= 0 generate float prueba2 = 0 Maribel Jiménez Intro. Stata Marzo / 27

9 Gestión de base de datos: tipos de datos Stata tiene la habilidad de cambiar el tipo de dato de la variable numérica de acuerdo a los datos que se ingresan. Probemos con: replace prueba = 1500 Esta operación, si se ejecuta correctamente, hace cambiar automáticamente el tipo de dato numérico desde byte a int. Lo mismo ocurre si hacemos replace prueba= De esta manera la variable se transforma en float. Maribel Jiménez Intro. Stata Marzo / 27

10 Gestión de base de datos: tipos de datos Variables string Para crear una variable que contenga palabras se utiliza el siguiente comando: generate str8 pais = El ĺımite máximo es de 244 caracteres para la versión Special Edition. Para la versión Intercooled es de 80 caracteres. En este caso, la variable de tipo string ampla la cantidad de caracteres de acuerdo a los datos que almacena. replace pais = Argentina Maribel Jiménez Intro. Stata Marzo / 27

11 Gestión de base de datos: tipos de datos Contenido posibles de un string: Datos identificatorios: algunas variables de tipo string contienen identificadores para las observaciones. Esta información no puede ser utilizada directamente en el análisis estadístico. Datos de categorías:por ejemplo un texto que indica el nombre del país. En este caso la información sí podría usarse para cálculos estadísticos. Para esto debe transformarse en numérica de la siguiente manera: encode paises, gen(npaises) Este comando crea la variable npaises que es de tipo numérica (long), pero que contiene una etiqueta para cada valor numérico distinto de acuerdo a la palabra presente en la variable pais. Maribel Jiménez Intro. Stata Marzo / 27

12 Gestión de base de datos: tipos de datos Contenido posibles de un string (cont.): Datos numéricos en un string: por alguna razón, un string podría estar almacenando número. Si queremos crear una variable numérica a partir de esa información, debemos hacer: generate numvar = real(stringvar) El paso inverso también es posible de la siguiente manera: generate stringvar = string(numvar) Maribel Jiménez Intro. Stata Marzo / 27

13 Gestión de base de datos: importación de datos Una manera sencilla (entre varias) de importar datos desde cualquier origen es la siguiente: Abrir el archivo mediante Excel (normalmente cualquier fuente de datos podrá ser abierta por Excel). Guardar el archivo como texto delimitado por tabulaciones (.txt). Atención: Excel indica una serie de advertencias respecto a las planillas con múltiples hojas, dado que sólo la hoja activa se almacenará. Importar desde Stata utilizando el siguiente comando: insheet using nombre de la base.txt, clear Maribel Jiménez Intro. Stata Marzo / 27

14 Gestión de base de datos: unión de bases de datos Stata permite unir data sets de dos maneras distintas: Con el comando merge se agregan nuevas variables a un data set existente. Con el comando append se agregan nuevas observaciones a un data set existente. Maribel Jiménez Intro. Stata Marzo / 27

15 Gestión de base de datos: unión de bases de datos El comando merge se usa de la siguiente manera: merge varlist using nombre de la base.dta Donde varlist es la variable o conjunto de variable que permite buscar la concordancia de filas para agregar las nuevas variables. Un requisito es que los data sets (el que est en uso, y el que se agrega) estén ordenados por la varlist indicada en el merge. Novedades en Stata 12 para el comando merge. El comando append se usa de la siguiente manera: append using nombre de la base.dta Maribel Jiménez Intro. Stata Marzo / 27

16 Gestión de base de datos: exportación de bases de datos El data set que está en memoria en Stata puede ser exportado a un archivo de texto, el cual puede ser abierto por Excel. El comando para realizar esta tarea es el siguiente: outsheet using archivo, replace Maribel Jiménez Intro. Stata Marzo / 27

17 Gestión avanzada de data sets Existen funcionalidades más avanzadas que permiten reestructurar la organizaci on de un data set: xpose:permite transponer un data set. reshape: permite reorganizar datos que están construidos en forma de una columna en múltiples columnas (y viceversa). collapse: permite crear un data set agregado con estadísticas. Maribel Jiménez Intro. Stata Marzo / 27

18 Gestión avanzada de data sets Ejemplo con datos del TP 1 Descargar de la página web del curso, el archivo con la base de datos que utilizaremos en el Trabajo Práctico 1: pwt71.txt Importar el archivo con el data set y guardarlo en formato STATA con los comandos: insheet using pwt71.txt, clear save pwt71.dta, replace Recordar: para importar un archivo.txt, guardar previamente la base de excel como archivo de texto delimitado por tabulaciones Maribel Jiménez Intro. Stata Marzo / 27

19 Gestión avanzada de data sets: reshape Una manera sofisticada de reestructurar un data set es posible a través del comando reshape. Este comando permite alternar entre dos básicas configuraciones llamadas wide y long. Con el siguiente comando pasamos del formato long al formato wide : reshape wide varlist, i(varlist) j(varlist) También podemos hacer el procedimiento inverso y volver a la estructura original del data set: reshape long varlist, i(varlist) j(varlist) Maribel Jiménez Intro. Stata Marzo / 27

20 Gestión avanzada de data sets: reshape Ejemplo con el data set pwt71.dta : keep isocode pop rgdpl rgdpl2 kc kg ki openk year reshape wide pop rgdpl rgdpl2 kc kg ki openk, i(isocode) j(year) sort isocode Observación: Para volver al formato long (wide) después de usar el comando reshape long (wide) no es necesario declarar la varlist. Maribel Jiménez Intro. Stata Marzo / 27

21 Gestión avanzada de data sets: xpose Usamos los datos pwt7.1.dta en formato wide. Creamos una variable numérica para identificar cada país.

22 Gestión avanzada de data sets: xpose Usamos los datos pwt7.1.dta en formato wide. Creamos una variable numérica para identificar cada país. encode isocode, gen(country1) keep country1 rgdpl2* order country1 rgdpl2* Aplicamos el comando xpose y obtenemos el data set transpuesto de la siguiente manera: xpose, clear varname La variable v1 tiene el número identificador del país en la primera fila (lo mismo v2 a v190). Podríamos calcular la correlación entre los niveles de PBI en diferentes países de la siguiente manera: correlate v1-v10

23 Gestión avanzada de data sets: collapse Partiendo del data set en formato long aplicamos el siguiente comando: insheet using pwt71.txt, clear encode isocode, gen(country1) collapse (mean) rgdpl2, by(country1) Esto permite obtener un data set con 190 observaciones (los países) que contienen el valor medio de la variable rgdpl2 (valor medio de los 60 valores que disponemos: de 1950 a 2010) Existen una serie de estadísticos posibles de aplicar para agrupar los datos, como por ejemplo: mean, sd, sum, count, max, min, median, p1, p2, etc. Maribel Jiménez Intro. Stata Marzo / 27

24 Dimensiones de un data set Un data set en Stata puede ser de tres tipos según las dimensiones que tenga: Datos de corte transversal: en este caso la unidad de información es un objeto (un individuo, un país, una provincia, una empresa, etc) Series de tiempo: en este caso la unidad de información es un momento en el tiempo. Por ejemplo un año en particular, o un mes, un día, etc Datos de panel: esta alternativa combina las dimensiones anteriores. Es decir, en este caso la unidad de información es un objeto en un momento del tiempo en particular. Por ejemplo un país en un año determinado. Maribel Jiménez Intro. Stata Marzo / 27

25 Definición de la unidad de información en Stata En Stata se usa el comando tsset para definir las dimensiones del data set que estamos trabajando. Para indicar a Stata que el data set en uso es de tipo serie de tiempo: tsset year, yearly En este caso la variable temporal es year y la periodicidad es yearly. Existen diferentes opciones de periodicidad como: daily, weekly, monthly, quarterly, halfyearly, yearly.

26 Definición de la unidad de información en Stata Abrimos nuevamente la base de datos pwt71.dta : use pwt71.dta, clear encode isocode, gen(country) Para indicar a Stata que el data set es un panel de datos se utiliza: tsset year country, yearly En este caso la dimensión temporal está en la variable year y los objetos se definen con la variable country. Si no se especifica el comando tsset, Stata asume que el data set es de tipo corte transversal.

27 Operadores de series de tiempo en Stata Cuando un data set se establece con dimensión temporal, como serie de tiempo o panel de datos, es posible utilizar los operadores de serie de tiempo. Los operadores disponibles son los siguientes: generate l1rgdpl2 = L.rgdpl2 Crea la variable rgdpl2 rezagada un período. Es decir rgdpl2 t 1 generate l2rgdpl2 = L2.rgdpl2 o generate l2rgdpl2 = LL.rgdpl2 Crea la variable rgdpl2 rezagada dos períodos. Es decir rgdpl2 t 2

28 Operadores de series de tiempo en Stata generate f1rgdpl2 = F.rgdpl2 Crea la variable rgdpl2 adelantada un período, es decir, rgdpl2 t+1 generate f2rgdpl2 = F2.rgdpl2 o generate f2rgdpl2 = FF.rgdpl2 Crea la variable rgdpl2 adelantada dos períodos, es decir, rgdpl2 t+2 generate d1rgdpl2 = D.rgdpl2 Crea una variable con la diferencia pbi t pbi t 1 generate d2rgdpl2 = D2.rgdpl2 Crea una variable con la diferencia de diferencias (pbi t pbi t 1 ) (pbi t 1 pbi t 2 )