sesión 2 introducción a stata

Sesión 3

Introducción a Stata II

Juan D. Barónjuandbaron@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

1. Trabajando con datos

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 1984-2009

Statistics/Data Analysis StataCorp

4905 Lakeway Drive

Special Edition College Station, Texas 77845 USA

800-STATA-PC http://www.stata.com

979-696-4600 stata@stata.com

979-696-4601 (fax)

Single-user Stata for Windows perpetual license:

Serial number: 81910049383

Licensed to: BANCO DE LA REPUBLICA

BANCO DE LA REPUBLICA

Notes:

1. (/m# option or -set memory-) 10.00 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

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: 74 1978 Automobile Data

vars: 12 13 Apr 2007 17:45

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

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

. 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

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

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: 21.2973

std. dev: 5.7855

percentiles: 10% 25% 50% 75% 90%

14 18 20 25 29

8

Tipos de variables

De texto (strings)

Numéricas (numeric)

Tipo de

datos

Tipo de

variableSignificado

De texto

(string)

str1 Texto de máximo 1 caracter

str2 Texto de máximo 2 caracteres

strn Texto de máximo n caracteres

str244 Texto de máximo 244 caracteres

Numérica

byte Entero entre -127 y 100

int Entero entre -32.767 y 32.740

long Entero entre -2,147,483,647 y 2,147,483,620

float Real con aprox. 8 digitos de precisión

double Real con aprox. 17 digitos de precisión

9

Use el comando describe para ver el tipo de variable

Contains data from C:\Archivos de programa\Stata10\ado\base/a/auto.dta

obs: 74 1978 Automobile Data

vars: 12 13 Apr 2007 17:45

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

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

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 rep78

-------------------------------------------------------------------------

rep78 Repair Record 1978

-------------------------------------------------------------------------

type: numeric (int)

range: [1,5] units: 1

unique values: 5 missing .: 5/74

tabulation: Freq. Value

2 1

8 2

30 3

18 4

11 5

5 .

12

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

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 1/5

+--------------------------------+

| make mpg foreign |

|--------------------------------|

1. | AMC Concord 22 Domestic |

2. | AMC Pacer 17 Domestic |

3. | AMC Spirit 22 Domestic |

4. | Buick Century 20 Domestic |

5. | Buick Electra 15 Domestic |

+--------------------------------+

14

• 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 | 74 .2972973 .4601885 0 1

15

• 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 | 52 70.27 70.27

Foreign | 22 29.73 100.00

------------+-----------------------------------

Total | 74 100.00

• Podemos decirle a Stata que esconda las etiquetas en tabulate y list:

. tabulate foreign, nolabel

Car type | Freq. Percent Cum.

------------+-----------------------------------

0 | 52 70.27 70.27

1 | 22 29.73 100.00

------------+-----------------------------------

Total | 74 100.00

16

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

1.3 Otros tipos de de etiquetas

Etiquetas de base de datos: . label data “1978 Automobile Data”

Etiquetas de variables: . label var make “Make and Model”

. describe

Contains data from C:\Archivos de programa\Stata10\ado\base/a/auto.dta

obs: 74 1978 Automobile Data

vars: 12 13 Apr 2007 17:45

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

2. Reportes básicos de información

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

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 == 1

15

21

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>=20

----------------------------------------------------------

-> foreign = Domestic

22

----------------------------------------------------------

-> foreign = Foreign

17

22

Lo mismo se podría lograr con el comando tabulate:

. tabulate foreign if mpg>=20

Car type | Freq. Percent Cum.

------------+-----------------------------------

Domestic | 22 56.41 56.41

Foreign | 17 43.59 100.00

------------+-----------------------------------

Total | 39 100.00

23

3. Manipulación de datos

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

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 >= 6000

. replace nalcaro = 99 in 1/10

26

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

4. De variables de texto (strings)

a numéricas

• 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

¿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 23 23 -> Volvo

30

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

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 1/8

+-------+

| manuf |

|-------|

1. | AMC |

2. | AMC |

3. | AMC |

4. | Audi |

5. | Audi |

|-------|

6. | BMW |

7. | Buick |

8. | Buick |

+-------+ 32

• 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 1/8

+----------------+

| manuf manuf2 |

|----------------|

1. | AMC 1 |

2. | AMC . |

3. | AMC . |

4. | Audi 1 |

5. | Audi . |

6. | BMW 1 |

7. | Buick 1 |

8. | Buick . |

+----------------+ 33

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

Los datos by manuf:

_nmanuf manuf2

1 AMC 1 1

2 AMC . 2

3 AMC . 3

4 Audi 1 1

5 Audi . 2

6 BMW 1 1

7 Buick 1 1

8 Buick . 2

34

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 1/8

+----------------+

| manuf manuf2 |

|----------------|

1. | AMC 1 |

2. | AMC 1 |

3. | AMC 1 |

4. | Audi 2 |

5. | Audi 2 |

6. | BMW 3 |

7. | Buick 4 |

8. | 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

manuf manuf2 sum(manuf2)

AMC 1 1

AMC . 1

AMC . 1

Audi 1 2

Audi . 2

BMW 1 3

Buick 1 4

Buick . 4

35

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 | 3 4.05 4.05

Audi | 2 2.70 6.76BMW | 1 1.35 8.11

Buick | 7 9.46 17.57<Parte del output omitido>------------+-----------------------------------

Total | 74 100.00

. des manuf2

storage display value

variable name type format label variable label

----------------------------------------------------------------------

manuf2 float %9.0g manuf2 group(manuf)

36

Forma más eficiente: usando el comando encode

. sysuse auto, clear

(1978 Automobile Data)

. generate manuf = word(make, 1)

. encode manuf, gen(manuf2)

. codebook manuf2

---------------------------------------------------------------------------------

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

4. Subíndices de observación

_n y _N

• _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)

+-------------+

| familia edad|

|-------------|

1. | 2 3 |

2. | 0 5 |

3. | 3 0 |

4. | 0 2 |

5. | 0 6 |

|-------------|

6. | 2 1 |

7. | 1 6 |

8. | 0 1 |

9. | 1 4 |

10. | 2 0 |

+-------------+

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

39

Primero, ordenamos por familia (para que queden contiguos)

. sort familia

+--------------+

| familia edad |

|--------------|

1. | 0 1 |

2. | 0 2 |

3. | 0 5 |

4. | 0 6 |

5. | 1 4 |

|--------------|

6. | 1 6 |

7. | 2 0 |

8. | 2 1 |

9. | 2 3 |

10. | 3 0 |

+--------------+

+-------------+

| familia edad|

|-------------|

1. | 2 3 |

2. | 0 5 |

3. | 3 0 |

4. | 0 2 |

5. | 0 6 |

|-------------|

6. | 2 1 |

7. | 1 6 |

8. | 0 1 |

9. | 1 4 |

10. | 2 0 |

+-------------+

40

Ahora, creamos la nueva variable con by (porque es para cada familia)

. sort familia

. by familia: generate hrms = _N

+----------------------+

| familia edad hrms |

|----------------------|

1. | 0 1 4 |

2. | 0 2 4 |

3. | 0 5 4 |

4. | 0 6 4 |

5. | 1 4 2 |

|----------------------|

6. | 1 6 2 |

7. | 2 0 3 |

8. | 2 1 3 |

9. | 2 3 3 |

10. | 3 0 1 |

+----------------------+

41

Para generar el orden de nacimiento en cada familia, usaríamos

. sort familia edad

. by familia: generate orden = _N - _n +1

+------------------------------+

| familia edad hrms orden |

|------------------------------|

1. | 0 1 4 4 |

2. | 0 2 4 3 |

3. | 0 5 4 2 |

4. | 0 6 4 1 |

5. | 1 4 2 2 |

|------------------------------|

6. | 1 6 2 1 |

7. | 2 0 3 3 |

8. | 2 1 3 2 |

9. | 2 3 3 1 |

10. | 3 0 1 1 |

+------------------------------+

42

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