group by order by顺序_Stata: gen 命令中的 group() 函数的潜在风险

作者：连玉君 (知乎 | 简书 | 码云) 连享会   最新专题   直

1. 问题背景

我们经常使用 generate (后文简称 gen) 命令提供的 group() 函数对某个变量进行分组，产生分组变量 gg，继而基于 gg 变量进行后续的分组回归分析。

例如，在公司金融中，常用如下代码产生融资约束的分组指标：

*-用公司规模衡量融资约束，分成三组
. bysort code: egen av_size = mean(size)
. sort av_size
. gen gg = group(3)
. gen  FC = (gg==1)     //小规模公司定义为 FC 组
. replace FC=. if gg==2 //丢弃中间组

. reg y x if FC==0
. est store m_FC
. reg y x if FC==1
. est store m_NFC

. esttab m_FC m_NFC

恐怖的事情就要发生了！

后续做分组回归时，你会发现：执行相同的代码，但两次得到的结果居然不同！

原因何在？？

连享会   最新专题   直播

一个小例子

我先虚构一份数据，让各位了解 group() 函数的工作原理，搞明白这件事情后，上面的问题就迎刃而解了。

这份数据很简单，只有 4 行观察值。我们对变量 x 排序后再执行 gen g = group(2) 命令，以便将样本分成两组。为了测试分组结果是否唯一稳定，我进一步使用 tatstat 命令计算了两组的均值。

 clear 
 input x    y  
       3   13  
       2   10 
       1    1  
       2    8
 end 

 sort x             由小到大排序
 gen g = group(2)   等分两组