stata中變量描述分析和作圖

1、第三講 描述性分析與畫圖,進(jìn)行描述性統(tǒng)計(jì)分析的目的：對(duì)數(shù)據(jù)進(jìn)行描述性分析的目的是熟悉和了解數(shù)據(jù)的基本統(tǒng)計(jì)特征，把握數(shù)據(jù)的總體分布形態(tài)，進(jìn)而決定如何對(duì)數(shù)據(jù)作進(jìn)一步處理，進(jìn)而回答所要研究的問題。,本章主要內(nèi)容,6.1．頻數(shù)分布6.2．條件頻數(shù)分布6.3．頻數(shù)分布的常見錯(cuò)誤分析及解決方法6.4．變量的中央趨勢和離散趨勢6.5．描述數(shù)值型數(shù)據(jù)統(tǒng)計(jì)量的其它方法6.6．畫圖,數(shù)據(jù)描述的方法,獲得數(shù)據(jù)的目的是為了描述和分析數(shù)據(jù)，回答研究

2、問題數(shù)據(jù)分析的第一步是描述變量的基本特征。只有在熟悉數(shù)據(jù)的基本特征和變量分布的基礎(chǔ)上，才能決定如何對(duì)數(shù)據(jù)作進(jìn)一步處理描述性統(tǒng)計(jì)通過一系列的程序幫助組織、歸納、總結(jié)樣本的基本特征。常見的方法包括頻數(shù)分布、百分比、分位數(shù)、均值和標(biāo)準(zhǔn)差、中數(shù)、眾數(shù)、最大值和最小值等單變量分析（univariate analysis）?？疾熳兞康膶傩苑植级蚨嘣徊姹?、二元相關(guān)關(guān)系分析圖形,描述性分析的菜單窗口,該內(nèi)容是statistics菜單下的

3、首個(gè)選項(xiàng)：Statistics – Summaries，tables & tests,6.1．頻數(shù)分布頻數(shù)、比例（proportion）、百分比（percentage）和比率（ratio）等描述性統(tǒng)計(jì)方法適用于所有類型數(shù)據(jù)，包括定性、定序、定距和定比數(shù)據(jù)。,頻數(shù)與頻數(shù)分布,頻數(shù)也稱次數(shù)，即分布在各個(gè)類別中的數(shù)據(jù)個(gè)數(shù)頻數(shù)分布就是對(duì)樣本中變量的不同屬性出現(xiàn)次數(shù)的描述假如一個(gè)班60%的同學(xué)是女生，40%的同學(xué)是男生，則60%

4、和40%是女生和男生的分布情況2000年人口普查顯示，中國7%的人群年齡在65歲及以上，則7%是當(dāng)時(shí)老年人口在總?cè)丝谥兴嫉谋壤?菜單窗口,在Stata的窗口菜單下，有多種描述數(shù)據(jù)頻數(shù)分布特征的選項(xiàng)，每一選項(xiàng)都具有一定獨(dú)特的功能，但有些功能是相通的,,單變量頻數(shù)分布,. tab [變量名] ① ② ①：. tab也可寫為tabulation，是獲得頻數(shù)分布的基本命令 ②：需要輸出頻數(shù)分布的變量名稱該命令不對(duì)頻數(shù)分布作

5、任何定義，只提供單個(gè)變量的頻數(shù)分布. tab girl 該命令告訴Stata，給變量girl生成一張頻數(shù)分布表,girl in |2004, 0=boy | ---1=girl | Freq. Percent Cum.------------+----------------------------------- 0 | 1,248 53.70

6、 53.70 1 | 1,076 46.30 100.00------------+----------------------------------- Total | 2,324 100.00輸出結(jié)果顯示，該數(shù)據(jù)一共有2324個(gè)觀察值變量girl有兩個(gè)取值：0代表男孩，1代表女孩樣本中有1248個(gè)男孩，占53.7%；女孩為1075，

7、占46.3%,多變量頻數(shù)分布,. tab1 [變量a 變量b 變量c] ① ② ①：同時(shí)獲得多個(gè)變量頻數(shù)分布的基本命令 ②：需要輸出頻數(shù)分布的變量名稱與tab或tabulate不同的是， . tab1可接多個(gè)變量 . tab girl urban該命令告訴Stata，給變量girl和urban各自生成一張頻數(shù)分布表,6.2．條件頻數(shù)分布 條件頻數(shù)分布也稱交叉頻數(shù)表為或列聯(lián)表，同時(shí)生

8、成兩個(gè)變量之間關(guān)系的頻數(shù)分布，屬于相關(guān)分析中的一種.,基本命令,.tab提供、且只能提供雙變量的交叉分析，生成二者之間的交叉頻數(shù)分布，相當(dāng)于命令tabulate若其令后面僅有一個(gè)變量，則Stata輸出該變量的頻數(shù)分布若多于兩個(gè)變量，則會(huì)出現(xiàn)錯(cuò)誤提示Stata的默認(rèn)方法是，tab后面的第一個(gè)變量被當(dāng)成行變量，第二個(gè)變量被當(dāng)成列變量.tab2也提供雙變量的交叉分析表.tab和tab2的主要區(qū)別在于，前者僅可以用于兩個(gè)變量的交互分析

9、（tab后面最多只能有兩個(gè)變量）；tab2可同時(shí)生成多個(gè)兩兩變量之間的交互頻數(shù)分布表,例1,.tab girl enroll, chi2 column row miss nokey ① ② ③ ④ ⑤①: 提供兩個(gè)變量關(guān)系的卡方②: 提供列變量的百分比③: 提供行變量的百分比④: 提供缺失變量的比例⑤: 壓縮單元格內(nèi)容的提示,6.3

10、．頻數(shù)分布的常見錯(cuò)誤之一,too many variables specified導(dǎo)致I類錯(cuò)誤的原因在于，混淆了tab，tab1，tab2的用法.tab可用于生成單個(gè)變量的頻數(shù)分布，其后只能接一個(gè)變量；.tab也可用來描述兩個(gè)變量的交叉分布，其后面只能接兩個(gè)變量tab1后面可以接多個(gè)變量，但只能分別生成單個(gè)變量的頻數(shù)分布，而不能生成交叉表tab2則可以生成多個(gè)雙變量的交叉表因此，若使用下列命令，則會(huì)遇到這類錯(cuò)誤. tab u

11、rban yrsch enrolltoo many variables specifiedr(103);,6.3．頻數(shù)分布的常見錯(cuò)誤之二,too many values導(dǎo)致這類錯(cuò)誤的原因在于，在試圖生成兩個(gè)變量的交叉表時(shí)，每個(gè)變量都包含太多的取值。比如：. tab age weight. too many values（變量的取值太多）這里，變量age和weight均為連續(xù)變量，且都有很多的取值，尤其是weight若需要

12、生成二者之間的交叉表，可以限制其中一個(gè)或兩個(gè)變量的取值，或者將它們轉(zhuǎn)換為分類變量,6.4．變量的中央趨勢和離散趨勢,集中趨勢：眾數(shù),數(shù)據(jù)分布的一種表現(xiàn)形式。頻數(shù)最多的組段代表了中心位置（平均水平），從兩側(cè)到中心，頻數(shù)分布逐漸增加描述集中趨勢的方式包括：眾數(shù)、均值、中位數(shù)眾數(shù)（mode）：最常出現(xiàn)的觀察值或?qū)傩匀绻谌?0個(gè)學(xué)生中， 20個(gè)18歲的學(xué)生、5個(gè)19歲、5個(gè)20歲，則18是眾數(shù)眾數(shù)適用于所有類型數(shù)據(jù)，但主要用于測度分

13、類數(shù)據(jù)的集中趨勢一個(gè)數(shù)據(jù)可以有兩個(gè)或多個(gè)眾數(shù)，故眾數(shù)具有不唯一性的特點(diǎn),,集中趨勢：算術(shù)均值（mean，average）,加總多個(gè)觀察值，除以總觀察量得到的數(shù)值適用于正態(tài)分布或者近似正態(tài)分布；均數(shù)受特大值和特小值的影響，會(huì)偏大或偏小，故對(duì)偏態(tài)分布的資料，均數(shù)的代表性差，不適合描述偏態(tài)分布的集中趨勢；全域（總體）均數(shù)稱為µ；樣本均數(shù)稱為,,集中趨勢：中位數(shù)（median）,,,將一組數(shù)值從小到大排列后，位于中間的數(shù)值；

14、若5個(gè)人的年齡分別為1 ，3，6，8，32，則中位數(shù)為6（均值為10）；中位數(shù)度量方式適用于偏態(tài)分布數(shù)據(jù)。中位數(shù)不受兩端特大值和特小值的影響，只和位置居中的觀察值有關(guān)；對(duì)于正態(tài)分布，理論上中位數(shù)等于均數(shù)；,離散趨勢：極差或者全距（range，R）,數(shù)據(jù)分布的另一種表現(xiàn)形式。從中心到兩側(cè)，頻數(shù)分布逐漸減少。反映了數(shù)據(jù)的離散程度或變異程度；描述離散趨勢的方法包括：級(jí)差、方差、標(biāo)準(zhǔn)差；極差或者全距（range，R）：表示變量取值中的最

15、大值和最小值之差。適合所有分布類型的數(shù)據(jù)；R＝最大值－最小值計(jì)算簡單，但不能反映所有變量值的變異程度，易受最大值和最小值的影響，不穩(wěn)定,離散趨勢：方差（variance）,方差（variance）：表示一組變量取值的平均離散程度。方差越大，離散或者變異程度越大。適合描述近似正態(tài)分布資料的離散趨勢。,離散趨勢：標(biāo)準(zhǔn)差（standard deviation）,方差的開方，和均數(shù)的單位一致，也是數(shù)據(jù)波動(dòng)性的一種度量，即是對(duì)圍繞均值的離散趨

16、勢的測量標(biāo)準(zhǔn)差和方差是實(shí)際中應(yīng)用最廣的測量離散程度的統(tǒng)計(jì)量如果一個(gè)變量具有正態(tài)分布，則均值68%的數(shù)值將會(huì)位于離平均值加減一個(gè)標(biāo)準(zhǔn)差的范圍內(nèi)；95%的個(gè)案將會(huì)位于加減兩個(gè)標(biāo)準(zhǔn)差的范圍內(nèi)；99.9%的個(gè)案將會(huì)位于加減三個(gè)標(biāo)準(zhǔn)差的范圍內(nèi)標(biāo)準(zhǔn)差越小，數(shù)據(jù)的分布就越圍繞均值聚集；標(biāo)準(zhǔn)差越大散，數(shù)據(jù)的分布就越分散。,離散趨勢：標(biāo)準(zhǔn)差（II）,適合描述近似正態(tài)分布資料的離散趨勢方差或標(biāo)準(zhǔn)差都是根據(jù)全部數(shù)據(jù)計(jì)算的，反映了每個(gè)數(shù)據(jù)與其均值

17、相比平均相差的數(shù)值，因此能準(zhǔn)確地反映數(shù)據(jù)的離散程度計(jì)算公式：,離散趨勢：自由度,為什么樣本標(biāo)準(zhǔn)差的分母是n-1呢自由度：一組數(shù)據(jù)中可以自由取值的個(gè)數(shù)。當(dāng)樣本的個(gè)數(shù)為n時(shí)，若樣本均值確定后，必有一個(gè)數(shù)據(jù)不能自由取值。因此，只有n-1 個(gè)數(shù)據(jù)可以自由取值；假如樣本有3個(gè)數(shù)值，x=4，y=8，z=18，則均值=10。當(dāng)均值=10確定后，x，y，z中只有兩個(gè)數(shù)可以自由取值；在抽樣估計(jì)中，當(dāng)用樣本方差去估計(jì)總體方差時(shí)，樣本方差是總體方差的

18、無偏估計(jì)量。,正態(tài)分布與偏態(tài)分布,,正態(tài)分布（normal distribution）,一個(gè)變量的集中位置居中，左右兩側(cè)頻數(shù)基本對(duì)稱的分布從形態(tài)上看，正態(tài)曲線兩頭低、中間高、左右對(duì)稱正態(tài)分布是一條單峰、對(duì)稱呈鐘形的曲線，其對(duì)稱軸為x=μ，并在x=μ時(shí)取最大值。從x=μ點(diǎn)開始，曲線向正負(fù)兩個(gè)方向遞減延伸，不斷逼近x軸，但永不與x軸相交，因此說曲線在正負(fù)兩個(gè)方向都是以x軸為漸近線的其性質(zhì)如下：函數(shù)方程中μ為位置參數(shù)；σ為形狀參數(shù)若σ

19、不變，函數(shù)曲線形狀不變。μ變大時(shí)，曲線位置向右移；μ變小時(shí)，曲線位置向左移若μ不變，函數(shù)曲線位置不變。σ變大時(shí)，曲線形狀變得越來越胖、矮；σ變小時(shí)，曲線形狀變得越來越瘦、高,正態(tài)分布,.histogram yrsch if yrsch <=13, percent start(0) width(1)normal,偏態(tài)分布,數(shù)據(jù)的集中位置偏向一側(cè)，頻數(shù)分布不對(duì)稱。偏態(tài)分布有兩種表現(xiàn)形式正偏態(tài)分布：集中位置偏向數(shù)值小的一側(cè)或者左側(cè)，

20、有較長的右尾部負(fù)偏態(tài)分布：集中位置偏向數(shù)值大的一側(cè)或者右側(cè)，有較長的左尾部,.histogram weight, percent start(0) normal ysize(4.5) xsize(2.5),.histogram height, percent start(0) normal ysize(4.5) xsize(2.5),6.5 描述性統(tǒng)計(jì),.sum[連續(xù)變量] 該命令給出標(biāo)準(zhǔn)統(tǒng)計(jì)量。輸出結(jié)果包括： Obs

21、 Mean Std. Dev. Min Max（觀察量） （均值） （標(biāo)準(zhǔn)差） （最小值） (最大值）.sum[連續(xù)變量]，detailsumm 或 summarize 得出同樣的結(jié)果,,標(biāo)準(zhǔn)信息描述,. sum age yrsch weight height Variable | Obs Mean Std. Dev.

22、 Min Max-------------+-------------------------------------------------------- age | 2341 10.09227 5.283423 0 19 yrsch | 1830 6.031694 3.440358 0

23、 15 weight | 2103 34.85635 18.54676 .4 151 height | 2100 132.8193 30.60277 0 185.5由于缺失值個(gè)數(shù)的差異，幾個(gè)變量的觀察值都不一樣,詳細(xì)情況描述,.sum age, detail

24、 age in 2004------------------------------------------------------------- Percentiles Smallest 1% 0 0 5% 1 010% 2 0 Obs

25、 232125% 5 0 Sum of Wgt. 232150% 10 Mean 9.658337 Largest Std. Dev. 5.08463175% 14

26、 1890% 16 18 Variance 25.8534795% 17 19 Skewness -.31632799% 17 19 Kurtosis 1.917769,變量age有2321個(gè)觀察值最小值

27、為0，最大值為191％的樣本為0歲5％的樣本1歲或以下10％的樣本2歲或以下25％的樣本5歲或以下……99％的樣本在19歲及以下樣本的均值為9.66；標(biāo)準(zhǔn)差為5.08；Variance、 Skewness和Kurtosis分別表示樣本的方差為25.85、偏移度為-0.32和年齡分布的峰度為1.92。,6.5．描述數(shù)值型數(shù)據(jù)統(tǒng)計(jì)量的其它方法,均值估計(jì)（mean）,.mean girl urbanMean estimati

28、on Number of obs = 5381-------------------------------------------------------------- | Mean Std. Err. [95% Conf. Interval]-------------+-----------------------------

29、------------------- girl | .4781639 .0068103 .464813 .4915148 urban | .1908567 .0053577 .1803535 .2013599--------------------------------------------------------------,比例估計(jì)（propor

30、tion）,. proportion girl urbanProportion estimation Number of obs = 5381 _prop_1: girl = 0.boy _prop_2: girl = 1.girl _prop_3: urban = 0.Rural _prop_4: urban = 1.Urban------

31、-------------------------------------------------------- | Binomial Wald | Proportion Std. Err. [95% Conf. Interval]-------------+---------------------------

32、---------------------girl | _prop_1 | .5218361 .0068103 .5084852 .535187 _prop_2 | .4781639 .0068103 .464813 .4915148-------------+-------------------------------------------

33、-----urban | _prop_3 | .8091433 .0053577 .7986401 .8196465 _prop_4 | .1908567 .0053577 .1803535 .2013599--------------------------------------------------------------,使用table命令描

34、述數(shù)據(jù),. table [變量a], contents[mean 變量b sd 變量b] ① ② ③ ④ ⑤ ④ ⑤①：計(jì)算和表現(xiàn)統(tǒng)計(jì)量的命令②：分組變量。按照其分類描述中央趨勢或離散趨勢的統(tǒng)計(jì)量③：需要輸出統(tǒng)計(jì)量的內(nèi)容。后面括號(hào)內(nèi)列出（1）要描述的統(tǒng)計(jì)量，（2）需要計(jì)算統(tǒng)計(jì)量的變量名稱④：分別指均值和標(biāo)準(zhǔn)差⑤：需要計(jì)算均值和標(biāo)準(zhǔn)差的變量. table

35、 a b, contents(mean c sd d)按變量a和b的分類，計(jì)算變量c的均值、d的標(biāo)準(zhǔn)差,.table urban, contents(mean yrsch sd sibs)------------------------------------urban |residence | mean(yrsch) sd(sibs)----------+-------------------------

36、 0,Rural | 5.622172 .6296451 1,Urban | 7.109127 .5369387------------------------------------按urban的分類，計(jì)算變量yrsch的均值和sibs的標(biāo)準(zhǔn)差,使用tabstat命令描述數(shù)據(jù),. tabstat a b c d ① ②①：展示一個(gè)或多個(gè)數(shù)值型變量的描述性統(tǒng)計(jì)②: 為變量a，b，

37、c，d提供均值統(tǒng)計(jì)量輸出的統(tǒng)計(jì)量是可選擇的。若不選擇，則默認(rèn)值為均值。其主要選項(xiàng)包括：. tabstat a b c d, by(e) statistics(mean sd) columns(statistics) ① ② ③ ④①：按照選項(xiàng)by后面變量的類別，分組計(jì)算統(tǒng)計(jì)量；by后面的變量多是分類變量，也可以是取值不多的

38、連續(xù)變量②：需要得到的統(tǒng)計(jì)量，可多選，不同統(tǒng)計(jì)量之間需用空格隔開③：輸出結(jié)果的格式可以選擇④：選擇 columns(statistics)，則豎列表述的是統(tǒng)計(jì)量，橫行表現(xiàn)的是變量。若選擇 columns(variables)格式，則反之,使用tabulate, sum命令描述數(shù)據(jù),. tab a b, sum(c) ① ② ③ ④ ①：接變量a、b的分類變量，計(jì)算變量c的統(tǒng)計(jì)量，并輸出a、b的頻數(shù)分布③：s

39、um后面接一個(gè)需要輸出統(tǒng)計(jì)量的數(shù)值型變量②：分類變量；④：連續(xù)變量.tab strata, sum(yrsch) | Summary of year of school strata | Mean Std. Dev. Freq.------------+------------------------------------ 1.city |

40、 5.4191617 3.6970418 668 2.suburb | 6.6946721 3.3878349 488 3.town | 5.7541528 3.1821415 301 4.village | 6.4852547 2.9960408 373------------+----------------------

41、-------------- Total | 6.031694 3.4403582 1830,6.6 畫圖,數(shù)據(jù)往往使人眼花繚亂。沒有人能記住數(shù)據(jù)中的所有數(shù)值。頻數(shù)分布提供數(shù)據(jù)分布的一些基本特征和規(guī)律。若用圖形表示頻數(shù)分布，則更形象和直觀統(tǒng)計(jì)圖形是用點(diǎn)的位置、線段的升降、線條的長短或面積的大小等方法來表達(dá)數(shù)據(jù)的內(nèi)容，包括統(tǒng)計(jì)資料反應(yīng)的變化趨勢、數(shù)量的多少、分布狀態(tài)和相互關(guān)系等通過圖形描述出來的數(shù)

42、據(jù)便于閱讀、比較和分析一張好的統(tǒng)計(jì)圖表，勝過冗長的文字表述,Stata的制圖功能,既可通過命令產(chǎn)生圖形，也可以直接使用Graphics窗口菜單中的選項(xiàng)來實(shí)現(xiàn)在Easy graph的菜單下，Stata的作圖模塊主要提供十種基本圖形的制作：散點(diǎn)圖(twoway)、線圖(line)、面積圖(area)、柱形圖(bar)、點(diǎn)圖(dot)、圓形圖（餅圖）(pie)、直方圖(histogram)、箱線圖/盒型圖(boxplot)、矩陣圖、回歸線

43、圖和功能圖對(duì)簡單圖形（Easy graph）的巧妙應(yīng)用，可以滿足絕大多數(shù)用戶的統(tǒng)計(jì)作圖要求。但有時(shí)我們必須求助于復(fù)雜的制圖功能在Graphics的主菜單下，可選擇制作更復(fù)雜的圖形,Stata制圖的窗口菜單,Stata的其它制圖功能,Stata的某些非繪圖命令也具有繪制圖形的功能。比如在頻數(shù)分布命令中，有制作簡單莖葉圖的選項(xiàng)事件史分析提供生存曲線圖回歸分析提供回歸線或殘差圖等Stata制圖功能比較復(fù)雜。生成圖形的過程中往往會(huì)遇

44、到錯(cuò)誤。有時(shí)，命令中一個(gè)不恰當(dāng)?shù)目崭瘢粋€(gè)不正確的標(biāo)點(diǎn)符號(hào)都將使程序不能正常運(yùn)行。因此，從窗口菜單入手可能更容易一些但是，Stata的圖形種類及每種圖形的選項(xiàng)雖多，但許多基本命令十分類似，可舉一反三,圖形的種類及適用范圍,,數(shù)據(jù)結(jié)構(gòu)和變量屬性的不同要求采用不同的圖形,散點(diǎn)圖（ Scatter Plot ）,.scatter描繪散點(diǎn)圖；雙向關(guān)系圖型（twoway plottypes）之母適合于y軸和x軸均為數(shù)值型的數(shù)據(jù)用于反映兩個(gè)或

45、多個(gè)變量之間的關(guān)系。y軸往往被假定為因變量，x軸被當(dāng)作為自變量。其圖形反映y軸的數(shù)值是否隨x軸數(shù)值的變化而發(fā)生相應(yīng)變化.scatter既是命令，也是雙向關(guān)系圖型（twoway graph）中的一種,散點(diǎn)圖的基本命令,. graph twoway (scatter y x) (lfit y x)這里graph twoway是命令scatter表示圖形類型y 代表y變量，表現(xiàn)為縱軸x代表x變量，表現(xiàn)為橫軸由于沒有指定其它的限

46、定條件，散點(diǎn)將表現(xiàn)為實(shí)心圓圈. twoway scatter y x同上，twoway是命令，scatter表示圖形類型. scatter y x這里的scatter既表示圖形類型，也表示命令,散點(diǎn)圖的選項(xiàng)：總體外觀,.scatter height age, ①title("Height of Children")②subtitle("Stata Example")

47、③note("1") ④caption("Source: Chapter7")⑤scheme(economist)⑥①: 生成height和age散點(diǎn)圖的基本命令②: 給圖形附上標(biāo)題，標(biāo)題在括號(hào)內(nèi)③：給圖形添加副標(biāo)題，副標(biāo)題在括號(hào)內(nèi)④：給圖形編號(hào)⑤：給圖形提供注釋,note和caption的意思基本是一樣的⑥: 定義圖形的外觀，括號(hào)內(nèi)的economi

48、st告Stata輸出一個(gè)經(jīng)濟(jì)型的圖形逗號(hào)后面所有的內(nèi)容都屬于選項(xiàng)，在所有圖形中都是通用的,散點(diǎn)圖的選項(xiàng)：繪圖區(qū)域的大小,繪圖區(qū)格式的比例通過region_options ysize(#)和xsize(#)選項(xiàng)控制。該選項(xiàng)指明繪圖區(qū)的高度和寬度（單位：英寸）。比如，.scatter y x, xsize (4) ysize (4) ① ② ③ ④①：橫軸（寬度）的選項(xiàng)②：橫軸的寬度；這里將其定義為4