了解原始数据

在进行实证研究之前，我们有必要熟悉自己的原始数据。

1. 查看数据 list in 1/10

通过这个命令，我们可以查看该数据库第1到第10个数据，对数据有一个初步的了解。屏幕显示的结果如下：

2. 查看数据类型describe

通过这个命令，我们可以查看这个数据集的简要介绍，包括了样本数量(obs:100)、变量数量(vars:10)、大小(size:3800)、以及每个标量的简要介绍。屏幕显示的结果如下：

3. 单变量分析

3.1 Codebook

Codebook这个命令适合于我们初次接触一个数据集的变量。

. codebook le

下图是codebook le这行命令给出的结果。我们可以看到，output给出了该变量的标签(life expectancy)、类型(numeric: float)、范围、单位、特异值、缺失值(0/100)、以及一些统计量。这样，我们对于该变量有一个初步的了解。

3.2 Summarize

Summarize这个命令可以让我们更加深入地探索变量的统计量。

. summarize le

下图是summarize le这行命令的结果，给出最常用的几个统计量（均值、方差、最大最小值）。

而summarize le, detail这行命令则会给出更多的统计量。

. summarize le, detail

其中，smallest和largest代表了该变量最大和最小值，即预期寿命(le)的4个最高值和4个最低值。

3.3 nmissing

nmissing这个命令可以查看变量的缺失值的个数，npresent 统计不存在缺失值的数量

3.4 duplicates

删除但变量重复值

duplicates drop id-age, force 

多变量确定唯一值删除

sort date stkcd             
by date stkcd: gen set=_n         //证券代码和date相同则编号：从1到 最后
keep if set==1   //date 和 证券代码相同的观测，只保留了一条记录
drop set
save mystockdata_dropreplicate,replace

4. 双变量做图

我们继续研究预期寿命（le）随年份（year）变化的规律。不同的是，我们使用le_male与le_female绘制2个y变量和x的图，使用le_wmale、le_wfemale、le_bmale、le_bfemale绘制4个y变量和x的关系。

. twoway plot [if] [in] [, twoway_options]

twoway的命令是twoway plot 变量 [if] [in] [, twoway_options]，我们可以自己定义的主要是：

• plot：选择图像的种类，这里的plot可以改成scatter, plot, connected, area, bar等，我们可以绘制出相应的图。
• 变量：这里可以写一个或多个y变量，一个x变量。最后一个是x变量，之前的为y变量。
• [if] [in] [, twoway_options]等中括号内的命令是可选命令，如果不写，则表示默认值。
• if：定义所取某一个自变量的范围，例如if le > 40，即只画le>40的图
• in：定义所取观测值的范围，例如in 10/20，即只画第10到20个观测值的图
• twoway_options：可以定义图像的“美观”部分，例如坐标轴范围、标题、注释、标签等等。

4.1 一个y变量（预期寿命（le）随年份（year）变化的关系）

twoway plot y x，其中plot可以换为某种特定的图像，如scatter。

- 散点图 twoway scatter le year

- 折线图 twoway line le year

. twoway connected le year (左上，带数据标记的折线图)

. twoway dropline le year (右上，垂直线图)

. twoway spike le year (左下，脉冲图)

. twoway lowess le year (右下，lowess图)

4.2 多个y 变量

命令形式：graph twoway plot yvar1 yvar2 yvar3 … xvar

等价命令：

- graph twoway (plot yvar1 xvar) (plot yvar2 xvar) (plot yvar3 xvar)

- graph twoway plot yvar1 xvar || plot yvar2 xvar || plot yvar3 xvar

plot表示我们要画的是某种图，之后是变量的名字。

Stata会默认最后一个变量是x变量，plot和x变量之间则均为y变量。

graph twoway scatter le_male le_female year

【等价命令：

. twoway scatter le_m le_f year

. twoway (scatter le_m year) (scatter le_f year)

. twoway scatter le_m year || scatter le_f year         】

 twoway line le_male le_female year

 twoway area le_female le_male year

 不同曲线画在同一张图上

. twoway (scatter le year) (lfit le year)

. twoway scatter le year || lfit le year

4.3 样本变换

4.3.1 散点图的颜色形状大小

graph twoway scatter le_male le_female year, mcolor(red blue) msymbol(circle diamond) msize(vsmall vsmall)

（1）mcolor 点的颜色：(red blue)应按照y变量的顺序 (le_male le_female) 依次对应，这样红色代表le_male，blue代表le_female；

（2）msymbol 点的形状

（3）msize 点的大小

输入help scatter##marker_options得到更加详尽的介绍

4.3.2 折线图的颜色形状大小

twoway line le_male le_female year, lcolor(red blue) lpattern(solid dash) lwidth(thin thin)

（1）lcolor 线的颜色：(red blue)应按照y变量的顺序 (le_male le_female) 依次对应，这样红色代表le_male，blue代表le_female；

（2）lpattern 连接方式

（3）lwidth 宽度

4.3.3 调整坐标轴

(1) 改变坐标轴的最大值、最小值

. twoway line le_wmale le_wfemale le_bmale le_bfemale year, yscale(range(0))

*yscale(range(0)) 要求y轴的范围包括0

. twoway line le_wmale le_wfemale le_bmale le_bfemale year, yscale(range(0 90))

*yscale(range(0 90)) 要求y轴的范围包括0到90

(2) 改变坐标值的刻度 

y轴

. twoway line le_wmale le_wfemale le_bmale le_bfemale year, yscale(range(0 90)) ylabel(0(10)90)

*ylabel(0(10)90)的意思是y轴的刻度从0开始，到90结束，每隔10添加一个刻度

 

 x轴

twoway line le_wmale le_wfemale le_bmale le_bfemale year, ///

yscale(range(0 90)) ylabel(0(10)90) xlabel(1900(5)2000)

如果坐标刻度叠在一起， 我们将xlabel稍作更改：xlabel(1900(5)2000)改为xlabel(1900(10)2000) ，并加上了xtick(1900(5)2000)。我们使用xtick(1900(5)2000)，意味着每隔5年在x轴上加一个小标记，而xlabel(1900(10)2000)意味着每隔10年在x轴上写上具体的年份。

twoway line le_wmale le_wfemale le_bmale le_bfemale year, ///

yscale(range(0 90)) ylabel(0(10)90) xlabel(1900(10)2000) xtick(1900(5)2000)

 

(3) 加标题

现在，我们添加了title("20世纪美国预期寿命变化图") subtitle("1900年-2000年") ytitle("预期寿命") xtitle("年份")，其中：

• 用title("20世纪美国预期寿命变化图") 给图像加上大标题；
• 用subtitle("1900年-2000年")加上小标题；
• 用ytitle("预期寿命")给y轴加上标题；
• 用xtitle("年份") 给x轴加上标题。

twoway line le_wmale le_wfemale le_bmale le_bfemale year, ///

yscale(range(0 90)) ylabel(0(10)90) xlabel(1900(10)2000) xtick(1900(5)2000) ///

title("20世纪美国预期寿命变化图") subtitle("1900-2000") ///

ytitle("预期寿命") xtitle("年份") ///

note("数据来源:U.S. life expectancy") 

twoway line le_wmale le_wfemale le_bmale le_bfemale year, ///

yscale(range(0 90)) ylabel(0(10)90) xlabel(1900(10)2000) xtick(1900(5)2000) ///

title("20世纪美国预期寿命变化图") subtitle("1900-2000") ///

ytitle("预期寿命") xtitle("年份") ///

note("数据来源:U.S. life expectancy")  ///

legend(ring(0) pos(5) cols(1) ///

label(1 "白人男性") label(2 "白人女性") label(3 "黑人男性") label(4 "黑人女性") )

5. 统计口径

在使用别人提供的数据时，还应注意其定义及统计口径，是否是与理论模型中的变量相对应。
比如，中国的失业率指的是“城镇登记失业率”，其统计口径与标准教科书中以及西方国家的失业率概念有很大不同。