stata做回归前的数据处理

---

前言

在确定回归之前需要对数据结构进行查看、简单画图查看关系、对数据清理、对离群值进行处理等工作，本次就记录学习此过程中需要使用的命令以及作用。

---

1.浏览资料

1.1 查看资料结构

des, detail  //查看有哪些变量、变量类型、格式和标签（实际中意义不大）

ds
	ds, detail   //作用同上，但在编程中经常使用，与以下命令一起在编程中使用
	ret list    //return list
	dis "`r(varlist)'" // 编程时，可以利用此返回值
	browse `r(varlist)'   //另外browse可以代替edit，因为browse只是查看，不会编辑，edit是查看并编辑
	
list  //在屏幕中列示（数据量少的时候，简单查看一下可以，或者复制一些变量的时候可以）
	list edu_background  in 1/5,sepby( a2019_prov_code) //以省份作为分类并画横线，列示前5行的教育背景
	list edu_background age,noobs  //列示前面的序号取消
	list edu_background age，noabs clear //不仅前面的序号取消，分列的横线也取消
sort //排序

label define repair 1 "好" 2 "较好" 3 "中" 4 "较差" 5 "差"   //调查问卷资料时先定义一个变量，分不同的级别表示
label values rep78 repair  //再对应于某个类别变量，这样类别变量中的12345就变成文字了，但本质上还是数字，显示方便

1.2 基本统计量

sum ,detail  //描述性统计，detail 把具体分位数表示出来

codebook price weight  //同上，但是这个可以看缺失值

inspect  a2019_prov_code  //可以画一个简便的直方图看分布

tabulate a2016b_prov //可以展示a2016b_prov 变量的名称、频次、百分比和累计百分比，可以简写为tab

tabstat price weight length, s(mean sd p25 med p75 min max)  c(s) f(%6.2f) by(foreign)  //可以分类进行描述性统计，s()中是将要描述性统计显示的列名，c（s）是行列转置，f（）是统一格式，by（）是按照什么分类展示

1.3 基本图形

histogram wage  //画直方图
	histogram hours,frequency // 纵坐标为对应的样本数
	histogram ttl_exp, normal // 附加正态分布图
	histogram grade, discrete // 离散变量的直方图必须附加 discrete 选项

kdensity a2019_prov_code //画核密度图
	kdensity a2019_prov_code,normal //附加正态分布图

twoway scatter return acrosspro //画散点图
	graph matrix return acrosspro pension //画相关系数矩阵

2.1 更多变量技巧

## 2.1.1 更多变量技巧——_n和 _N
* 在stata中 _n是指的一个简单编号顺序，_N指的是总的样本量，可以妙用_n和_N去实现一些用途
* 可以先排序，然后把排序的序次，定义一个变量
sort   gdp
gen order_1=_n  //表示gdp这个变量的排序次序
dis _N  //显示的为总体样本的个数

*存储最大值
gen income_max=income[_N]

*计算差分
gen diff_income=income[_n]-income[_n-1]  //除此之外还有分别计算与最小值最大值的差等等，如果是面板数据可以使用D.（计算差分）F.（前滞一期）L.（后滞一期），但是如果是混合截面数据，不是面板想要差分，可以使用_n和_N的妙用，一个变量[]代表这个变量的显示的第几个值，比如income[3]表示收入被显示的第三个值。

## 2.1.1 更多变量技巧——虚拟变量
tab race, gen(dum_r)  //有几个类别，就可以批量生成几个虚拟变量