基础方法 | 数据管理：Stata与R语言的应用

Posted 2021-04-18 来点方法

今天主要来带大家重温一下数据管理，并提供了Stata和R语言的操作。

 

数据管理的重要性

• 一些初学者可能意识不到数据管理的重要性，认为数据到手，软件打开，就也可以死出模型，这种想法是大错特错的
• 没有任何一份数据是能拿到手就做模型分析的，必须经过数据清理
• 通常情况下无论多复杂的模型，他的命令也只会有一行，定量研究的工作基本全是在前期数据的清理。
• 例如：所有的数据库中都不会有年龄变量，都需要根据出生年生成

 

数据管理如何做？Stata&R 语言应用

1. 缺失值的处理（处理为系统可识别）

一般而言数据中的缺失值以负数或者一个极端不可能值替代，例如99999 等，但是软件并不认为负数或极端数是缺失值，需要处理成软件可识别的缺失值，如果不处理软件会带入计算

Stata ：replace happy==. if happy==-8

R 语言：cgss$happy[cgss$happy == -8] <- NA

( 其中happy 为变量名)

2. 奇异值的识别：箱线图

一般在连续变量中奇异值存在的可能性比较大，例如收入。为什么要识别奇异值？

从统计上来说，奇异值的存在严重影响模型估计，最简单的理解是，有极大值存在，均值就会受到非常大的影响。

Stata ：gr box income

R 语言：boxplot(cgss$income)

( 其中income 为变量名)

3. 变量分布的识别

在回归分析中有一个重要的假定，就是变量要服从正态分布，我们可以通过直方图的形式来观察变量是否服从正太分布

Stata ：hist income

R 语言：hist(cgss$income)

( 其中income 为变量名)

4. 变量的生成

例如，一般的数据中都不会直接有年龄这一变量，均是报告的出生年份，所以年龄变量需要生成

 Stata ：gen age=2015-birth

R 语言：cgss$age<-2015-cgss$birth

( 其中birth 为变量名)

5. 样本的筛选

例如：我们研究只关心 60 岁以下的人群怎么办？或者专门研究老年人，该怎么办？

Stata ：keep if age>=60 # 只保留年龄在60 岁以上的样本

R 语言：cgss<-filter(cgss,cgss$age>=60)

6. 变量的重新编码

例如：性别变量在数据中的编码，男性=1 ，女性=2

但是一般情况下，我们会把女性编码0 ，男性编码为1 ，这样软件就会自动识别这是一个虚拟变量并把0 作为参照组，否则他会当做连续变量计算

Stata ：recode gender (1=1 " 男性")(2=0 " 女性"),gen(newgender)

R 语言：cgss$newgender<-as.factor(recode(as.numeric(cgss$gender),'2'=0,))

 

以上为大家总结了R 语言和Stata 中关于数据管理常用的命令，通过比较来看，二者在命令上有着一定的相似之处，总体而言Stata 更加简洁一些。