Sesin 3

Introduccin a Stata II

Juan D. Barn
juandbaron@gmail.com

Mtodos Cuantitativos en Economa Regional y Urbana

Universidad Autnoma de Occidente
27 de abril de 2011
Versin : 1.2

Copyright 2011: La reproduccin total o parcial de este material est prohibida

Material provisional y sujeto a cambios
1. Trabajando con datos
Cuando se usa el comando use archivo, Stata (i) verifica si el archivo
est en el directorio, (ii) pregunta si tiene permiso para leerlo y
(iii) copia el archivo completo a la memoria (si es posible)
___ ____ ____ ____ ____ tm
/__ / ____/ / ____/
___/ / /___/ / /___/ 10.1 Copyright 1984-2009
Statistics/Data Analysis StataCorp
4905 Lakeway Drive
Special Edition College Station, Texas 77845 USA
800-STATA-PC http://www.stata.com
979-696-4600 stata@stata.com
979-696-4601 (fax)

Single-user Stata for Windows perpetual license:

Serial number: 81910049383
Licensed to: BANCO DE LA REPUBLICA
BANCO DE LA REPUBLICA

Notes:
1. (/m# option or -set memory-) 10.00 MB allocated to data
2. (/v# option or -set maxvar-) 5000 maximum variables

Por defecto, Stata solo lee bases de datos de 10 megas o menos

Si la base de datos es ms grande use el comando:
. set memory 910m
El comando compress reduce el tamao de la base de datos que se est
usando: . compress
3
 1.1 Los datos en la memoria
Una vez se carga una base de datos en formato Stata (comando use)
podemos ver el contenido de sta con el comando describe
. use auto, clear
(1978 Automobile Data)

. describe

Contains data from C:\Archivos de programa\Stata10\ado\base/a/auto.dta

obs: 74 1978 Automobile Data
vars: 12 13 Apr 2007 17:45
size: 3,478 (99.7% of memory free) (_dta has notes)
--------------------------------------------------------------------------------------
storage display value
variable name type format label variable label
--------------------------------------------------------------------------------------
make str18 %-18s Make and Model
price int %8.0gc Price
mpg int %8.0g Mileage (mpg)
rep78 int %8.0g Repair Record 1978
headroom float %6.1f Headroom (in.)
trunk int %8.0g Trunk space (cu. ft.)
weight int %8.0gc Weight (lbs.)
length int %8.0g Length (in.)
turn int %8.0g Turn Circle (ft.)
displacement int %8.0g Displacement (cu. in.)
gear_ratio float %6.2f Gear Ratio
foreign byte %8.0g origin Car type
---------------------------------------------------------------------------------------
Sorted by: foreign 4
if exp y in range non tienen sentido en la sintaxis del comando describe.
Pero las listas de variables si:

. describe price

storage display value

variable name type format label variable label
--------------------------------------------------------------------
price int %8.0gc Price

. describe price displacement

storage display value

variable name type format label variable label
--------------------------------------------------------------------
price int %8.0gc Price
displacement int %8.0g Displacement (cu. in.)

5
. describe m*

storage display value

variable name type format label variable label
-----------------------------------------------------------------
make str18 %-18s Make and Model
mpg int %8.0g Mileage (mpg)

. describe mpg-trunk

storage display value

variable name type format label variable label
-----------------------------------------------------------------
mpg int %8.0g Mileage (mpg)
rep78 int %8.0g Repair Record 1978
headroom float %6.1f Headroom (in.)
trunk int %8.0g Trunk space (cu. ft.)

6
Una de las mejores formas de obtener descripciones de las variables es a
travs del comando codebook
. describe make

storage display value

variable name type format label variable label
-------------------------------------------------------------------------
make str18 %-18s Make and Model

. codebook make

-------------------------------------------------------------------------
make Make and Model
-------------------------------------------------------------------------

type: string (str18), but longest is str17

unique values: 74 missing "": 0/74

examples: "Cad. Deville"

"Dodge Magnum"
"Merc. XR-7"
"Pont. Catalina"

warning: variable has embedded blanks

7
Codebook para una variable numrica

. codebook mpg

----------------------------------------------------------------------------------
mpg Mileage (mpg)
----------------------------------------------------------------------------------

type: numeric (int)

range: [12,41] units: 1

unique values: 21 missing .: 0/74

mean: 21.2973
std. dev: 5.7855

percentiles: 10% 25% 50% 75% 90%

14 18 20 25 29

8
Tipos de variables
De texto (strings)
Numricas (numeric)

Tipo de Tipo de
Significado
datos variable
str1 Texto de mximo 1 caracter

De texto str2 Texto de mximo 2 caracteres

(string) strn Texto de mximo n caracteres
str244 Texto de mximo 244 caracteres
byte Entero entre -127 y 100
int Entero entre -32.767 y 32.740

Numrica long Entero entre -2,147,483,647 y 2,147,483,620

float Real con aprox. 8 digitos de precisin

double Real con aprox. 17 digitos de precisin

9
Use el comando describe para ver el tipo de variable

Contains data from C:\Archivos de programa\Stata10\ado\base/a/auto.dta

obs: 74 1978 Automobile Data
vars: 12 13 Apr 2007 17:45
size: 3,478 (99.9% of memory free) (_dta has notes)
------------------------------------------------------------------------------
storage display value
variable name type format label variable label
------------------------------------------------------------------------------
make str18 %-18s Make and Model
price int %8.0gc Price
mpg int %8.0g Mileage (mpg)
rep78 int %8.0g Repair Record 1978
headroom float %6.1f Headroom (in.)
trunk int %8.0g Trunk space (cu. ft.)
weight int %8.0gc Weight (lbs.)
length int %8.0g Length (in.)
turn int %8.0g Turn Circle (ft.)
displacement int %8.0g Displacement (cu. in.)
gear_ratio float %6.2f Gear Ratio
foreign byte %8.0g origin Car type
------------------------------------------------------------------------------
Sorted by: foreign
Note: dataset has changed since last saved

10
Variable Categrica

Contienen valores como 1, 2 , 3 . Cada valor tiene un significado

Cualquier conjunto de nmeros servira

En la representacin no necesariamente se tienen que usar nmeros

Una variable de texto que contiene hombre o mujer es una

variable categrica

La variable make en la base de datos auto.dta es una variable

categrica (ver 2 diapositivas atrs)

Sin embargo, es muchsimo mejor si las variables categricas estn

codificadas numricamente

11
Ejemplo de variable categrica codificada numricamente:
codebook muestra tabulacin y no estadsticas descriptivas
(Stata se da cuenta que la variable toma pocos valores)
codedebook realmente no sabe que esta es una variable
categrica

. codebook rep78

-------------------------------------------------------------------------
rep78 Repair Record 1978
-------------------------------------------------------------------------

type: numeric (int)

range: [1,5] units: 1

unique values: 5 missing .: 5/74

tabulation: Freq. Value

2 1
8 2
30 3
18 4
11 5
5 .

12
Variable categrica codificada numricamente (con value labels):
La variable foreign toma valores 1 y 0. Toma 0 si es domstico 1
si es importado (y Stata lo sabe)
codebook y describe lucen diferentes para esta variable
(label: origin)
. codebook foreign

-------------------------------------------------------------------------
foreign Car type
-------------------------------------------------------------------------

type: numeric (byte)

label: origin

range: [0,1] units: 1

unique values: 2 missing .: 0/74

tabulation: Freq. Numeric Label

52 0 Domestic
22 1 Foreign

. describe gear_ratio foreign

storage display value

variable name type format label variable label
-------------------------------------------------------------------------
gear_ratio float %6.2f Gear Ratio
foreign byte %8.0g origin Car type
13
 1.2 Value labels (etiquetas de valores)
Importantes para organizar informacin fcilmente
Asignacin de nmero a texto
En el caso de la variable foreign, el value label origin es una nota
que le dice a Stata:
Cuando vea 0; no muestre 0; muestre Domestic
Cuando vea 1; no muestre 1; muestre Foreign
Cuando listamos algunas observaciones no vemos 0 o 1, sino vemos
Domestic o Foreign:

. sort foreign make

. list make mpg foreign in 1/5

+--------------------------------+
| make mpg foreign |
|--------------------------------|
1. | AMC Concord 22 Domestic |
2. | AMC Pacer 17 Domestic |
3. | AMC Spirit 22 Domestic |
4. | Buick Century 20 Domestic |
5. | Buick Electra 15 Domestic |
+--------------------------------+
14
 Para crear una etiqueta de valores se siguen dos pasos sencillos:
1. Crear la asignacin (llamado el value label):
. label define origin 0 "Domestic" 1 "Foreign"
2. Asociar el value label con la variable:
. label values foreign origin

Crear y asignar el value label a una variable, no cambia el hecho de

que la variable sigue siendo numrica

. summarize foreign

Variable | Obs Mean Std. Dev. Min Max

-------------+-----------------------------------------------------
foreign | 74 .2972973 .4601885 0 1

15
 La variable es numrica, pero cuando se pueden usar los value labels
se usarn (recuerde cuando listamos la variable foreign).
Cuando tabulamos la variable (comando tabulate) sucede algo similar:
. tabulate foreign

Car type | Freq. Percent Cum.

------------+-----------------------------------
Domestic | 52 70.27 70.27
Foreign | 22 29.73 100.00
------------+-----------------------------------
Total | 74 100.00

Podemos decirle a Stata que esconda las etiquetas en tabulate y list:

. tabulate foreign, nolabel

Car type | Freq. Percent Cum.

------------+-----------------------------------
0 | 52 70.27 70.27
1 | 22 29.73 100.00
------------+-----------------------------------
Total | 74 100.00
16
Otros comandos relacionados (siguiendo el ejemplo de foreign):

Borrar la asociacin de una variable (no asignar nada):

. label values foreign

Para ver los value labels y la asignacin:

. label list origin

Para listar las caractersticas de los carros Foreign, NO podemos

usar el texto de la asignacin, debemos usar el nmero:

. sort foreign make

. list make mpg if foreign==1

17
 1.3 Otros tipos de de etiquetas
Etiquetas de base de datos: . label data 1978 Automobile Data
Etiquetas de variables: . label var make Make and Model

. describe

Contains data from C:\Archivos de programa\Stata10\ado\base/a/auto.dta

obs: 74 1978 Automobile Data
vars: 12 13 Apr 2007 17:45
size: 3,478 (99.9% of memory free) (_dta has notes)
----------------------------------------------------------------------------------
storage display value
variable name type format label variable label
----------------------------------------------------------------------------------
make str18 %-18s Make and Model
price int %8.0gc Price
mpg int %8.0g Mileage (mpg)
rep78 int %8.0g Repair Record 1978
headroom float %6.1f Headroom (in.)
trunk int %8.0g Trunk space (cu. ft.)
weight int %8.0gc Weight (lbs.)
length int %8.0g Length (in.)
turn int %8.0g Turn Circle (ft.)
displacement int %8.0g Displacement (cu. in.)
gear_ratio float %6.2f Gear Ratio
foreign byte %8.0g origin Car type
----------------------------------------------------------------------------------
Sorted by: foreign

18
2. Reportes bsicos de informacin
Los comandos recomendados para reportes bsicos de datos son:

describe (se introdujo atrs)

codebook (se introdujo atrs)
list
browse (alternativa a list)
count
inspect (alternativa a codebook, preferible codebook)
summarize (se introdujo atrs)
table
tabulate (se introdujo atrs)

20
Comando count

. count if exp in range

Cuenta observaciones que cumplen con ciertas caractersticas

No permite variables!

Ejemplos:
Cuntos carros domsticos hay en la base de datos?
. count if foreign == 1
52

Cuntos carros tienen un desempeo de ms de 22 millas por

galn (mpg) y adems son importados?
. count if mpg>22 & foreign == 1
15
21
La sintaxis de Stata es mucho ms poderosa de lo que se ha mostrado.
Una versin ms completa de la sintaxis de los comandos de Stata es:

. by variables: comando variables2 if exp in range

by en frente de un comando ejecuta el comando independientemente

para cada grupo
by tiene una restriccin y es que la variable debe estar ordenada. Por
ello en muchos casos es mejor usar bysort en lugar de by

Ejemplo: Cuntos carros rinden 20 millas o ms por galn

discriminando por domstico o importado?

. by foreign: count if mpg>=20

----------------------------------------------------------
-> foreign = Domestic
22
----------------------------------------------------------
-> foreign = Foreign
17
22
Lo mismo se podra lograr con el comando tabulate:

. tabulate foreign if mpg>=20

Car type | Freq. Percent Cum.

------------+-----------------------------------
Domestic | 22 56.41 56.41
Foreign | 17 43.59 100.00
------------+-----------------------------------
Total | 39 100.00

23
3. Manipulacin de datos
Los comandos recomendados para manipulacin de datos son:
(no los veremos todos a la vez, pero los veremos todos)

generate y replace
egen
rename
drop
keep
sort
encode
decode
order
reshape

Nos detenemos en los siguientes en estas diapositivas:

generate y replace (usados con by)
egen
encode
25
El comando generate permite crear variables nuevas y el comando
replace permite cambiar valores de las ya existentes

. generate nuevavar = exp

. replace nuevavar = exp

Ejemplos:
. generate lbperin = length/weight
. generate lbperin = weight/length

. generate nalcaro = 0
. replace nalcaro = 1 if foreign == 0 & price >= 6000

. replace nalcaro = 99 in 1/10

26
Se pueden combinar funciones en Stata con la generacin de variables
(matemticas o de texto):

. generate manuf = word(make, 1)

. codebook make manuf

La funcin word(n,s) toma como argumentos un texto y un entero

indicando cual palabra se quiere obtener

Para ver qu hace la funcin exactamente, use el comando display

(display es una forma fcil y rpida de ver resultados de prueba):

. display word("Este es un ejemplo", 4)

ejemplo

La funcin aplicada a una variable ejecuta lo que hace la funcin para

todas las obs de esa variable. Para ver ms funciones en Stata:
. help functions

27
4. De variables de texto (strings)
a numricas
 Stata maneja variables de texto y numricas bastante bien
En muchas ocasiones preferimos usar variables numricas
(queremos usar comandos que generen estadsticas)
Las variables de texto contienen uno de dos tipos de informacin
Identificadores nicos para cada obs (ej. make)
Categoras no nicas (ej. manuf)

Si tiene un identificador djelo como texto

Si tiene categoras convierta esa variable en una variable numrica, y
aplique value labels para que se vea idntica a la variable de texto
(ventaja: podemos usarlo en anlisis estadsticos)

Nota | Este tema es fundamental para el manejo y procesamiento de

encuestas. Se usa frecuentemente

29
 Qu queremos hacer exactamente?
Tenemos una variable de texto (manuf) y queremos crear una variable
numrica con etiquetas de valores (value labels). Esa nueva variable la
llamamos manuf2

En general habr varias observaciones que fueron manufacturados por la

misma empresa

manuf manuf2 value label

AMC 1 1 -> AMC
Audi 2 2 -> Audi
BMW 3 3 -> BMW
. . .
. . .
Volvo 23 23 -> Volvo

30
Existen al menos tres formas de hacerlo en Stata:
1. Usando el comando encode
. encode manuf, gen(manuf2)

2. Usando el comando egen combiando con la funcin group()

. egen manuf2: group(manuf), label

3. Manualmente, usando operaciones elementales en los datos

Se mostrarn las tres formas pero empezaremos por la tercera

Muchas veces se debe hacer algo similar ya que no existe el comando
que maneje todas las situaciones: hay que saber como hacerlo!

31
Manualmente:
Primero, cargando la informacin y generando la variable manuf
(se haba hecho en diapositivas anteriores)
. sysuse auto, clear
(1978 Automobile Data)

. generate manuf = word(make, 1)

. sort manuf

. l manuf in 1/8

+-------+
| manuf |
|-------|
1. | AMC |
2. | AMC |
3. | AMC |
4. | Audi |
5. | Audi |
|-------|
6. | BMW |
7. | Buick |
8. | Buick |
+-------+ 32
 La parte generate manuf2 = 1 if _n==1 crea una variable numrica
manuf2, igual a 1 o nada. Pondr 1s en manuf2, donde _n==1, y nada
(.) en el resto
_n: notacin de la observacin actual. _n es 1 para la primera obs,
_n es 2 para la segunda, _n es 3 para la tercera,.
Dado que se usa by (se ejecuta el comando para cada grupo
independientemente), _n es 1 para la obs 4 tambin.
La obs 4 es la primera obs del grupo Audi (definido por manuf)

. by manuf: generate manuf2 = 1 if _n==1

(51 missing values generated)

. list manuf manuf2 in 1/8

+----------------+
| manuf manuf2 |
|----------------|
1. | AMC 1 |
2. | AMC . |
3. | AMC . |
4. | Audi 1 |
5. | Audi . |
6. | BMW 1 |
7. | Buick 1 |
8. | Buick . |
+----------------+ 33
Grficamente
by manuf: generate manuf2 = 1 if _n==1 cre manuf2 conteniendo 1 en
la primera observacin de cada grupo

Valor por Los datos by manuf:

defecto de _n manuf manuf2 _n

1 AMC 1 1
2 AMC . 2
3 AMC . 3
4 Audi 1 1
5 Audi . 2
6 BMW 1 1
7 Buick 1 1
8 Buick . 2

34
El ltimo paso es usar la funcin sum()
sum(manuf2) : Produce la suma acumulada de la variable manuf2
(empezando por la primera obs) y tratando los . como 0

. replace manuf2 = sum(manuf2)

(73 real changes made) manuf manuf2 sum(manuf2)

AMC 1 1
. list manuf manuf2 in 1/8
AMC . 1
+----------------+ AMC . 1
| manuf manuf2 |
|----------------| Audi 1 2
1. | AMC 1 |
Audi . 2
2. | AMC 1 |
3. | AMC 1 | BMW 1 3
4. | Audi 2 |
Buick 1 4
5. | Audi 2 |
6. | BMW 3 | Buick . 4
7. | Buick 4 |
8. | Buick 4 |
+----------------+

Se obtiene lo que se buscaba: 1 corresponde a AMC, 2 a Audi, 3 a BMW,

4 a Buick, ...
Hay formas ms fciles para este caso, pero se quera mostrar cmo
funciona Stata 35
Una forma ms fcil: Usando el comando egen
(otras funciones del comando egen: . help egen)

. sysuse auto, clear

(1978 Automobile Data)
. generate manuf = word(make, 1)
. egen manuf2=group(manuf), label
. tab manuf2
group(manuf |
) | Freq. Percent Cum.
------------+-----------------------------------
AMC | 3 4.05 4.05
Audi | 2 2.70 6.76
BMW | 1 1.35 8.11
Buick | 7 9.46 17.57
<Parte del output omitido>
------------+-----------------------------------
Total | 74 100.00

. des manuf2

storage display value

variable name type format label variable label
----------------------------------------------------------------------
manuf2 float %9.0g manuf2 group(manuf)

36
Forma ms eficiente: usando el comando encode

. sysuse auto, clear

(1978 Automobile Data)

. generate manuf = word(make, 1)

. encode manuf, gen(manuf2)

. codebook manuf2

---------------------------------------------------------------------------------
manuf2 (unlabeled)
---------------------------------------------------------------------------------
type: numeric (long)
label: manuf2

range: [1,23] units: 1

unique values: 23 missing .: 0/74

examples: 5 Cad.
8 Dodge
14 Merc.
18 Pont.

Para ver las etiquetas de valores, recuerde usar:

. labelbook list manuf2

37
4. Subndices de observacin
_n y _N
 _n se introdujo en la recodificacin de variables de texto a numricas
_n: Notacin para el subdndice de obs (nmero de obs actual)
_N: Nmero total de observaciones (til cuando se combina con by)

Ejemplo: +-------------+
| familia edad|
|-------------|
Suponga que analizamos el 1. | 2 3 |
comportamiento de hermanos 2. | 0 5 |
3. | 3 0 |
4. | 0 2 |
Tenemos un identificador de familia 5. | 0 6 |
|-------------|
Queremos una nueva variable que 6. | 2 1 |
contenga el nmero de hermanos para 7. | 1 6 |
8. | 0 1 |
cada individuo
9. | 1 4 |
10. | 2 0 |
+-------------+

39
Primero, ordenamos por familia (para que queden contiguos)
. sort familia

+-------------+ +--------------+
| familia edad| | familia edad |
|-------------| |--------------|
1. | 2 3 | 1. | 0 1 |
2. | 0 5 | 2. | 0 2 |
3. | 3 0 | 3. | 0 5 |
4. | 0 2 | 4. | 0 6 |
5. | 0 6 | 5. | 1 4 |
|-------------| |--------------|
6. | 2 1 | 6. | 1 6 |
7. | 1 6 | 7. | 2 0 |
8. | 0 1 | 8. | 2 1 |
9. | 1 4 | 9. | 2 3 |
10. | 2 0 | 10. | 3 0 |
+-------------+ +--------------+

40
Ahora, creamos la nueva variable con by (porque es para cada familia)
. sort familia
. by familia: generate hrms = _N

+----------------------+
| familia edad hrms |
|----------------------|
1. | 0 1 4 |
2. | 0 2 4 |
3. | 0 5 4 |
4. | 0 6 4 |
5. | 1 4 2 |
|----------------------|
6. | 1 6 2 |
7. | 2 0 3 |
8. | 2 1 3 |
9. | 2 3 3 |
10. | 3 0 1 |
+----------------------+

41
Para generar el orden de nacimiento en cada familia, usaramos
. sort familia edad
. by familia: generate orden = _N - _n +1

+------------------------------+
| familia edad hrms orden |
|------------------------------|
1. | 0 1 4 4 |
2. | 0 2 4 3 |
3. | 0 5 4 2 |
4. | 0 6 4 1 |
5. | 1 4 2 2 |
|------------------------------|
6. | 1 6 2 1 |
7. | 2 0 3 3 |
8. | 2 1 3 2 |
9. | 2 3 3 1 |
10. | 3 0 1 1 |
+------------------------------+

42
 Resumen

De estas diapositivas usted debe tener un entendimiento general de cmo

Stata maneja la informacin. Ahora usted sabe que:

Stata carga toda la base de datos en la memoria

Etiquetas se pueden aplicar a los datos
Los comandos de reporte (describe, codebook, list, etc.) revelan
informacin sobre la base de datos
Los comando de manipulacin de datos (generate, replace, egen, etc.)
ayudan a preparar los datos para el anlisis
De diversas formas, Stata permite crear variables numricas
(categricas) a partir de variables de texto
Stata tiene subndices explcitos (_n y _N)

43