ANÁLISIS DE DATOS CON STATA (Manejo de base de datos) Fortino Vela Peón fvela@correo.xoc.uam.mx Agosto, 2011
Introducción Las bases de datos económicos pueden ser de diversos tipos: 1. Corte transversal(cross section). 2. Series de Tiempo(time series) 3. Combinación de cortes transversales (pooling cross section) 4. Datos panel(panel data) Las características particulares de cada tipo de datos deben ser consideradas a fin sacar provecho del análisis que se realizara de estos datos.
Corte transversal Una base de datos de corte transversal consiste en una muestra de individuos, hogares, empresas, ciudades, estados, países u otras unidades, tomada en algún punto dado en el tiempo (Wooldrige, 2010: 5). Una de sus características más importantes radica que, en muchas ocasiones, se obtienen de un proceso de muestreo aleatorio. Constituye el tipo de datos con el que se inicia el estudio del análisis econométrico. F. VELA
Fuente: Tomado de Wooldridge, 2010: 7. F. VELA
Series de tiempo Una base de datos de series de tiempo consiste de las observaciones de una o varias variables a lo largo del tiempo (Wooldrige, 2010: 8). Una de sus características más importantes radica que, rara vez, puede suponerse que las observaciones sean independientes del tiempo. Constituye el tipo de datos más común en la economía y su estudio es más complejo. F. VELA
Fuente: Tomado de Wooldridge, 2010: 9. F. VELA
Combinación de cortes transversales Al resultado de combinar diferentes cortes transversales se le da el nombre de una base de datos pooling. Permite ampliar el tamaño de la muestra. Constituye el tipo de datos que permite analizar los efectos de los cambios en políticas públicas al observar las diferencias que presentan las variables en el tiempo. F. VELA
Datos panel Un conjunto de datos de panel (o longitudinal) consiste en una serie de tiempo por cada unidad de una base de datos de corte transversal (Wooldrige, 2010: 10). F. VELA Su característica que los distingue de las combinaciones de cortes transversales, es que durante un intervalo de tiempo se siguen a las mismas unidades de observación de un corte transversal.
Fuente: Tomado de Wooldridge, 2010: 9. F. VELA
Las bases de datos Las bases de datos se han constituido en una de las herramientas más ampliamente difundidas en la actual sociedad de la información en todos los campos del conocimiento. Dada la variedad de tópicos en diferentes niveles de análisis- que se captan en una base de datos está puede estar conformada por un conjunto de archivos en los que se distribuye la información obtenida de acuerdo con los temas considerados.
Combinando bases de datos 1/ Existen cuatro comandos (métodos) para combinar bases de datos: 1. Añadiendo(appending). 2. Combinando(merging) 3. Juntando(joining) 4. Cruzando(crossing) La versión 11 introduce una nueva sintaxis para el comando merge. 1/ Para estas notas es necesario obtener los archivos de datos dmus1 y dmus2 de net from http://www.stata-press.com/data/dmus, en la forma net get dmus1 y net get dmus2. De igual manera, se requiere obtener de net from http://www.statapress.com/data/kk2, los archivos net get data y net get kksoep.
Los comandos más utilizados son append y merge. Para nuestros fines, inicialmente podemos considerar a una base de datos (archivo) como un arreglo rectangular entre observaciones (renglones) y variables (columnas). append añade observaciones (renglones) a una base de datos. merge se agregan variables (columnas) a una base de datos.
Bases de datos en diferentes situaciones Caso 1: añadir observaciones archivo 1 archivo 2 id var1 id var1 Caso 3: seguir observaciones y combinar variables archivo 5 archivo 6 id var1 id var2 1 6 1 1 2 7 2 9 3 8 3 10 4 9 4 5 5 10 5 3 Caso 2: combinar variables archivo 3 archivo 4 id var1 id var2 1 1 Caso 4: agregar obs. y añadir var. diferentes niveles archivo 7 archivo 8 (individuos) (hogares) id var1 id var2 1 1 2 2 1 2 3 3 1 3 4 4 2 4 5 5 2 5
Merge: one-to-one-match merging El procedimiento match-merge combina dos bases de datos (archivos) empleando una o más variables clave para integrar a las observaciones entre las dos bases (Mitchell, 2010:189). La(s) variable(s) clave identifica(n) a cada observación en cada base de datos. Las ilustraciones siguientes emplean bases de datos pequeñas pero el funcionamiento es similar con bases de datos de mayor tamaño.
Considere moms1.dta y dads1.dta. use moms1 list use dads1 list use moms1 merge 1:1 famid using dads1 list variable clave Nota: Recuerde obtener los archivos de datos dmus1 y dmus2 de: net from http://www.stata-press.com/data/dmus net get dmus1 net get dmus2
+----------------------------+ famid mage mrace mhs ---------------------------- 1. 1 33 2 1 2. 2 28 1 1 3. 3 24 2 1 4. 4 21 1 0 +----------------------------+ use moms1 list +----------------------------+ famid dage drace dhs ---------------------------- 1. 1 21 1 0 2. 2 25 1 1 3. 3 31 2 1 4. 4 25 2 1 +----------------------------+ use dads1 list Result # of obs. ----------------------------------------- not matched 0 matched 4 (_merge==3) ----------------------------------------- merge 1:1 famid using dads1 +---------------------------------------------------------------+ famid mage mrace mhs dage drace dhs _merge --------------------------------------------------------------- 1. 1 33 2 1 21 1 0 matched (3) 2. 2 28 1 1 25 1 1 matched (3) 3. 3 24 2 1 31 2 1 matched (3) 4. 4 21 1 0 25 2 1 matched (3) +---------------------------------------------------------------+ list
El listado denominado Result confirma que, al utilizar el comando merge, cada observación de moms1.dta fue integrado a dads1.dta. Result # of obs. ----------------------------------------- not matched 0 matched 4 (_merge==3) ----------------------------------------- Con list podemos apreciar que la variable clave famid (identificador del hogar) ha permitido combinar a las variables de los dos archivos: dmoms1.dta y dads1.dta. +---------------------------------------------------------------+ famid mage mrace mhs dage drace dhs _merge --------------------------------------------------------------- 1. 1 33 2 1 21 1 0 matched (3) 2. 2 28 1 1 25 1 1 matched (3) 3. 3 24 2 1 31 2 1 matched (3) 4. 4 21 1 0 25 2 1 matched (3) +---------------------------------------------------------------+
En el lenguaje del comando merge de Stata, moms1.dta es la master dataset, dads1.dta es la using dataset y famid es la key variable. Qué si algunas observaciones no empatan en los archivos? Veamos un segundo ejemplo.
Considere moms2.dta y dads2.dta. use moms2 list use dads2 list use moms2 merge 1:1 famid using dads2 list +---------------------------------------+ famid mage mrace mhs fr_moms2 --------------------------------------- 1. 1 33 2 1 1 2. 3 24 2 1 1 3. 4 21 1 0 1 4. 5 39 2 0 1 +---------------------------------------+ +---------------------------------------+ famid dage drace dhs fr_dads2 --------------------------------------- 1. 1 21 1 0 1 2. 2 25 1 1 1 3. 4 25 2 1 1 +---------------------------------------+
Result # of obs. ----------------------------------------- not matched 3 from master 2 (_merge==1) from using 1 (_merge==2) matched 2 (_merge==3) ----------------------------------------- +-----------------------------------------------------------------------------------------+ famid mage mrace mhs fr_moms2 dage drace dhs fr_dads2 _merge ----------------------------------------------------------------------------------------- 1. 1 33 2 1 1 21 1 0 1 matched (3) 2. 3 24 2 1 1.... master only (1) 3. 4 21 1 0 1 25 2 1 1 matched (3) 4. 5 39 2 0 1.... master only (1) 5. 2.... 25 1 1 1 using only (2) +-----------------------------------------------------------------------------------------+ El comando merge resume la forma en que se realizo el empate de las observaciones. Se puede observar que las familias 3 y 5 tienen datos para moms2.dta pero no para dads2.dta.
Merging: one-to-many match merging El procedimiento 1:1 merge combino uno a uno las observaciones de dos bases de datos (archivos) empleando una variable clave. En contraste cuando se combinan madres e hijos es claro que una madre puede tener más de un hijo lo que da origen al procedimiento denominado one-to-many (uno a muchos). moms1.dta es 1 base de datos mientras que kids1.dta es una base de datos m.
Considere moms1.dta y kids1.dta. use moms1 list use kids1 list +----------------------------+ famid mage mrace mhs ---------------------------- 1. 1 33 2 1 2. 2 28 1 1 3. 3 24 2 1 4. 4 21 1 0 +----------------------------+ +-----------------------------+ famid kidid kage kfem ----------------------------- 1. 3 1 4 1 2. 3 2 7 0 3. 2 1 8 0 4. 2 2 3 1 5. 4 1 1 0 ----------------------------- 6. 4 2 3 0 7. 4 3 7 0 8. 1 1 3 1 +-----------------------------+
La variable clave es famid. Se puede observar que la madre de la familia 1 solo tiene un hijo pero la de la familia 4 tiene 3 hijos. +-----------------------------+ famid kidid kage kfem ----------------------------- 1. 3 1 4 1 2. 3 2 7 0 3. 2 1 8 0 4. 2 2 3 1 5. 4 1 1 0 ----------------------------- 6. 4 2 3 0 7. 4 3 7 0 8. 1 1 3 1 +-----------------------------+ Se busca combinar las dos bases de datos (las variables de manera que corresponda a la misma familia)
Siguiendo con la sintaxis se tiene use moms1 merge 1:m famid using kids1 Result # of obs. ----------------------------------------- not matched 0 matched 8 (_merge==3) ----------------------------------------- Se señala que todas las observaciones fueron empatadas (match). Es posible ordenar la base de datos resultante considerando las variables famid y kidid.
Siguiendo con la sintaxis sort famid kidid list, sepby(famid) +----------------------------------------------------------------+ famid mage mrace mhs kidid kage kfem _merge ---------------------------------------------------------------- 1. 1 33 2 1 1 3 1 matched (3) ---------------------------------------------------------------- 2. 2 28 1 1 1 8 0 matched (3) 3. 2 28 1 1 2 3 1 matched (3) ---------------------------------------------------------------- 4. 3 24 2 1 1 4 1 matched (3) 5. 3 24 2 1 2 7 0 matched (3) ---------------------------------------------------------------- 6. 4 21 1 0 1 1 0 matched (3) 7. 4 21 1 0 2 3 0 matched (3) 8. 4 21 1 0 3 7 0 matched (3) +----------------------------------------------------------------+ De esta manera, por ejemplo, se puede apreciar que la madre de la familia 4 tiene tres hijos donde su información se despliega en tres ocasiones.
Qué sucede si los archivos no empatan perfectamente? Veamos este caso: use moms2 list use kids2 list +---------------------------------------+ famid mage mrace mhs fr_moms2 --------------------------------------- 1. 1 33 2 1 1 2. 3 24 2 1 1 3. 4 21 1 0 1 4. 5 39 2 0 1 +---------------------------------------+ +-----------------------------+ famid kidid kage kfem ----------------------------- 1. 2 2 3 1 2. 2 1 8 0 3. 3 2 7 0 4. 3 1 4 1 5. 4 2 3 0 ----------------------------- 6. 4 3 7 0 7. 4 1 1 0 +-----------------------------+
Siguiendo con la sintaxis use moms2 merge 1:m famid using kids2 list Result # of obs. ----------------------------------------- not matched 4 from master 2 (_merge==1) from using 2 (_merge==2) matched 5 (_merge==3) ----------------------------------------- Los resultados señalan que 5 observaciones fueron empatadas y 4 no lo fueron. Entre las no empatadas 2 provienen del master dataset y las otras 2 del using dataset.
La base de datos combinada se puede ordenar de acuerdo a famid y kidid. sort famid kidid list, sepby(famid) F. VELA +-------------------------------------------------------------------------------+ famid mage mrace mhs fr_moms2 kidid kage kfem _merge ------------------------------------------------------------------------------- 1. 1 33 2 1 1... master only (1) ------------------------------------------------------------------------------- 2. 2.... 1 8 0 using only (2) 3. 2.... 2 3 1 using only (2) ------------------------------------------------------------------------------- 4. 3 24 2 1 1 1 4 1 matched (3) 5. 3 24 2 1 1 2 7 0 matched (3) ------------------------------------------------------------------------------- 6. 4 21 1 0 1 1 1 0 matched (3) 7. 4 21 1 0 1 2 3 0 matched (3) 8. 4 21 1 0 1 3 7 0 matched (3) ------------------------------------------------------------------------------- 9. 5 39 2 0 1... master only (1) +-------------------------------------------------------------------------------+
Merging: many-to-one match merging El procedimiento ilustrado anteriormente para el comando merge fue 1:m (one-to-many), pero Stata permite también combinar m:1 (manyto-one), en el cual el master dataset puede tener múltiples observaciones que empatar al using dataset en el cual la(s) variable(s) clave(s) identifican de manera única a cada observación. En concreto, para el ejemplo anterior, más que combinar a las madres con los hijos, es posible combinar a los hijos con las madres. F. VELA
La sintaxis sería entonces use kids1 merge m:1 famid using moms1 Result # of obs. ----------------------------------------- not matched 0 matched 8 (_merge==3) ----------------------------------------- Como se muestra a continuación, las variables del archivo kids1.dta aparecen antes que las del archivo moms1.dta debido a que kids1.dta hace el papel de master dataset y moms1.dta el de using dataset.
Ordenando nuevamente por famid y kidid se tiene sort famid kidid list, sepby(famid) F. VELA +----------------------------------------------------------------+ famid kidid kage kfem mage mrace mhs _merge ---------------------------------------------------------------- 1. 1 1 3 1 33 2 1 matched (3) ---------------------------------------------------------------- 2. 2 1 8 0 28 1 1 matched (3) 3. 2 2 3 1 28 1 1 matched (3) ---------------------------------------------------------------- 4. 3 1 4 1 24 2 1 matched (3) 5. 3 2 7 0 24 2 1 matched (3) ---------------------------------------------------------------- 6. 4 1 1 0 21 1 0 matched (3) 7. 4 2 3 0 21 1 0 matched (3) 8. 4 3 7 0 21 1 0 matched (3) +----------------------------------------------------------------+
Hacia donde vamos? F. VELA
ENOE Para algunas instituciones generadoras de información, una base de datos es un conjunto de tablas con información de diferente tipo, las cuales se relacionan entre sí mediante campos de identificación que les son comunes y que sirven para poder vincularlas (INEGI, 2007:1). Una tabla almacena datos de un tema en particular, en registros (filas) y campos (columnas).
La conformación de la base de datos de la Encuesta Nacional de Ocupación y Empleo (ENOE) lo hace de la siguiente manera: 1. Tabla de vivienda VIV 2. Tabla de hogares HOG 3. Tabla de Sociodemográfico SDEM 4. Tabla de cuestionario de ocupación y empleo I COE1 5. Tabla de cuestionario de ocupación y empleo II COE2
El nombre de las tablas de datos se hace añadiendo a las iniciales la letra T y un número a tres dígitos, el cual indica el trimestre y año de la información en cuestión. Así, por ejemplo, los nombres asignados para las cinco tablas que conforman la base de datos de la ENOE para el primer trimestre de 2005 son: 1. VIVT105.DBF 2. HOGT105.DBF 3. SDEMT105.DBF 4. COE1T105.DBF 5. COE2T105.DBF
Cada tabla de ENOE contiene un número determinado de registros (entiéndase como registro, a cada renglón que existe en la tabla). La siguiente imagen representa la relación que existe entre las tablas y sus registros
Se interpreta; para cada vivienda existe uno o más hogares, para cada hogar existe uno o más residentes con sus características sociodemográficas, para cada residente con edad de 12 años cumplidos o más existe un cuestionario de ocupación y empleo. http://www.inegi.org.mx/sistemas/microdatos 2/encuestas.aspx?c=14439&s=est
Terminología de una base de datos Tabla Es la estructura básica de almacenamiento de una base de datos, consiste en una o más columnas y cero o más filas. Fila Es la combinación de los valores de las columnas en una tabla; una fila es comúnmente llamada registro. Columna Representa un tipo de datos en una tabla. Esta es descrita con un nombre y contiene información de un tamaño y tipo específico. También conocida como variable.
Campo El campo puede contener información. Si no hay información en el campo, se dice que tiene un valor nulo (NULL). Llave primaria (campo llave) Identificador de la tabla que permite, mantener una relación de pertenencia de información, además de ser indispensable para poder relacionar dos o más tablas si fuera necesario, cuando la unidad de análisis sean solo los hogares y/o las viviendas.