stata中變量描述分析和作圖

1、第三講第三講 描述性分析與畫圖描述性分析與畫圖 進(jìn)行描述性統(tǒng)計分析的目的：進(jìn)行描述性統(tǒng)計分析的目的： 對數(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)計特征，把握數(shù)據(jù)的總體分布形態(tài)，進(jìn)而決定如何對數(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)計量的其它方法6.6畫圖數(shù)據(jù)描述的方法數(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)，回答研究問題獲得數(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

2、和變量分布的基礎(chǔ)上，才能決定如何對數(shù)據(jù)作進(jìn)一步處理 描述性統(tǒng)計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?二元或多元交叉表、二元相關(guān)關(guān)系分析 圖形描述性分析的菜單窗口描述性分析的菜單窗口該內(nèi)容是statistics菜單下的首個選項：Statistics Summaries，tables & tests 6.1頻數(shù)分布頻數(shù)分布頻數(shù)、比例（proportion）、百分比（percentage）和比率（ratio）等描述性統(tǒng)計方法適用于

3、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)與頻數(shù)分布 頻數(shù)也稱次數(shù)，即分布在各個類別中的數(shù)據(jù)個數(shù) 頻數(shù)分布就是對樣本中變量的不同屬性出現(xiàn)次數(shù)的描述 假如一個班60%的同學(xué)是女生，40%的同學(xué)是男生，則60%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)時老年人口在總?cè)丝谥兴嫉谋壤藛未翱诓藛未翱?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，每一選項都具有一定獨特的功能，但有些功能是相通的單變量頻數(shù)分布單變量頻數(shù)分布. tab 變量名變量名 ：. tab也可寫為tabulation，是獲得頻數(shù)分布的基本

4、命令 ：需要輸出頻數(shù)分布的變量名稱該命令不對頻數(shù)分布作任何定義，只提供單個變量的頻數(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 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個觀察值變量girl有兩個取值：0代表男孩，1代表女孩樣本中有1248個男孩，占53.7%；女孩為1075，占46.3%多變量頻數(shù)分布多變量頻數(shù)分布. t

5、ab1 變量變量a 變量變量b 變量變量c ：同時獲得多個變量頻數(shù)分布的基本命令 ：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 條件頻數(shù)分布也稱交叉頻數(shù)表為或列聯(lián)表，同時生成兩個變量之間關(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變量，則Stata輸出該變量的頻數(shù)分布 若多于兩個變量，則

6、會出現(xiàn)錯誤提示 Stata的默認(rèn)方法是，tab后面的第一個變量被當(dāng)成行變量，第二個變量被當(dāng)成列變量 .tab2也提供雙變量的交叉分析表 .tab和和tab2的主要區(qū)別在于，前者僅可以用于兩個變量的交互分析（tab后面最多只能有兩個變量）；tab2可同時生成多個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 : 提供兩個變量關(guān)系的卡方: 提供列變量的百分比: 提供行變量的百分比: 提供缺失變量的比例: 壓縮單元格內(nèi)容的提示6.3頻數(shù)分布的常見錯誤之一頻數(shù)分布的常見錯誤之一 too many variables specif

7、ied 導(dǎo)致I類錯誤的原因在于，混淆了tab，tab1，tab2的用法 .tab可用于生成單個變量的頻數(shù)分布，其后只能接一個變量；.tab也可用來描述兩個變量的交叉分布，其后面只能接兩個變量 tab1后面可以接多個變量，但只能分別生成單個變量的頻數(shù)分布，而不能生成交叉表 tab2則可以生成多個雙變量的交叉表 因此，若使用下列命令，則會遇到這類錯誤. tab urban yrsch enrolltoo many variables specifiedr(103);6.3頻數(shù)分布的常見錯誤之二頻數(shù)分布的常見錯誤之二 too many values 導(dǎo)致這類錯誤的原因在于，在試圖生成兩個變量的交叉表

8、時，每個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 若需要生成二者之間的交叉表，可以限制其中一個或兩個變量的取值，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變量的中央趨勢和離散趨勢集中趨勢：眾數(shù)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)、均值、中位數(shù) 眾數(shù)眾數(shù)（mode）：最常出現(xiàn)的觀察值或?qū)傩?如果在全班30個學(xué)生

9、中， 20個18歲的學(xué)生、5個19歲、5個20歲，則18是眾數(shù) 眾數(shù)適用于所有類型數(shù)據(jù)，適用于所有類型數(shù)據(jù)，但主要用于測度分類數(shù)據(jù)的集中趨勢 一個數(shù)據(jù)可以有兩個或多個眾數(shù)，故眾數(shù)具有不唯一性的特點 集中趨勢：算術(shù)均值（集中趨勢：算術(shù)均值（mean，average） 加總多個觀察值，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；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，會偏大或偏小，故對偏態(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；樣本均數(shù)稱為 x集中趨勢：集中趨勢：中位數(shù)（中位數(shù)（median） 將一組數(shù)值從小到大排列后，位于中間

10、中間的數(shù)值； 若5個人的年齡分別為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)； 對于正態(tài)分布，理論上中位數(shù)等于均數(shù)；離散趨勢：離散趨勢：極差或者全距（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：級差、方差、標(biāo)準(zhǔn)差； 極差或者全距（極差或者全距（range，R）：表示變量取值中的最大值和最小值之差。適合所有分布類型的數(shù)據(jù)；所有分布類型的數(shù)據(jù)；R最大值最小值 計算簡單，但不能反

11、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：離散趨勢：方差（方差（variance） 方差（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：離散趨勢：標(biāo)準(zhǔn)差（標(biāo)準(zhǔn)差（standard deviation） 方差的開方，和均數(shù)的單位一致，方差的開方，和均數(shù)的單位一致，也是數(shù)據(jù)波動性的一種度量，即是對圍繞均值的離散趨勢的測量 標(biāo)準(zhǔn)差和方差是實際中應(yīng)用最廣的測量離散程度的統(tǒng)計量 如果一個變量具有正態(tài)分布，則均值 68%的數(shù)值將會位于離平均值加減一個標(biāo)準(zhǔn)差的范圍內(nèi)； 95%的個案將會位于加減兩

12、個標(biāo)準(zhǔn)差的范圍內(nèi)； 99.9%的個案將會位于加減三個標(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。離散趨勢離散趨勢：標(biāo)準(zhǔn)差（：標(biāo)準(zhǔn)差（II） 適合描述近似正態(tài)分布資料的離散趨勢近似正態(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)計算的，反映了每個數(shù)據(jù)與其均值相比平均相差的數(shù)值，因此能準(zhǔn)確地反映數(shù)據(jù)的離散程度 計算公式：離散趨勢離散趨勢：自由度：自由度 為什么樣本標(biāo)準(zhǔn)差的分母是n-1呢 自由度：自由度：一組數(shù)據(jù)中可以自由取值的個數(shù)。當(dāng)樣本的個數(shù)為n時，若樣本均值確定后，必有一個數(shù)據(jù)不能自由取值。因此，只有只有n-1 個數(shù)據(jù)可以自由取值；個數(shù)據(jù)可以自

13、由取值； 假如樣本有3個數(shù)值，x=4，y=8，z=18，則均值=10。當(dāng)均值=10確定后，x，y，z中只有兩個數(shù)可以自由取值； 在抽樣估計中，當(dāng)用樣本方差去估計總體方差時，樣本方差是總體方差的無偏估計量總體方差的無偏估計量。正態(tài)分布與偏態(tài)分布02468Percent012345678910 11 12 13 14 15 16 17 18age in 20040246810Percent050100150childrens w eight in 20040246810Percent050100150200childrens height in 2004正態(tài)分布（正態(tài)分布（normal distr

14、ibution） 一個變量的集中位置居中，左右兩側(cè)頻數(shù)基本對稱的分布 從形態(tài)形態(tài)上看，正態(tài)曲線兩頭低、中間高、左右對稱正態(tài)曲線兩頭低、中間高、左右對稱 正態(tài)分布是一條單峰、對稱呈鐘形的曲線，其對稱軸為x=，并在x=時取最大值。從x=點開始，曲線向正負(fù)兩個方向遞減延伸，不斷逼近x軸，但永不與永不與x軸相交軸相交，因此說曲線在正負(fù)兩個方向都是以x軸為漸近線的 其性質(zhì)如下：函數(shù)方程中為位置參數(shù)；為位置參數(shù)；為形狀參數(shù)為形狀參數(shù) 若不變不變，函數(shù)曲線形狀不變。變大時，曲線位置向右移；變小時，曲線位置向左移 若不變不變，函數(shù)曲線位置不變。變大時，曲線形狀變得越來越胖、矮；變小時，曲線形狀變得越來越瘦、高

15、正態(tài)分布正態(tài)分布.histogram yrsch if yrsch =13, percent start(0) width(1)normal05101520Percent051015RECODE of a11 (A11)偏態(tài)分布偏態(tài)分布數(shù)據(jù)的集中位置偏向一側(cè)，頻數(shù)分布不對稱。偏態(tài)分布有兩種表現(xiàn)形式正偏態(tài)分布正偏態(tài)分布：集中位置偏向數(shù)值小的一側(cè)或者左側(cè)，有較長的右尾部負(fù)偏態(tài)分布負(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 0246810Percent050100150200Height of Children0246810Percent050100150Weight of Chi

16、ldren.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 6.5 描述性統(tǒng)計描述性統(tǒng)計.sum.sum連續(xù)變量 該命令給出標(biāo)準(zhǔn)統(tǒng)計量。輸出結(jié)果包括： Obs Mean Std. Dev. Min Max（觀察量） （均值） （標(biāo)準(zhǔn)差） （最小值） (最大值）.sum.sum連續(xù)變量，detailsumm 或 summarize 得出同樣的結(jié)果標(biāo)準(zhǔn)信息描述標(biāo)準(zhǔn)信息描述. sum ag

17、e yrsch weight height Variable | Obs Mean Std. Dev. Min Max-+- age | 2341 10.09227 5.283423 0 19 yrsch | 1830 6.031694 3.440358 0 15 weight | 2103 34.85635 18.54676 .4 151 height | 2100 132.8193 30.60277 0 185.5由于缺失值個數(shù)的差異，幾個變量的觀察值都不一樣詳細(xì)情況描述詳細(xì)情況描述.sum.sum age, detail age in 2004- Percentiles Smallest

18、 1% 0 0 5% 1 010% 2 0 Obs 232125% 5 0 Sum of Wgt. 232150% 10 Mean 9.658337 Largest Std. Dev. 5.08463175% 14 1890% 16 18 Variance 25.8534795% 17 19 Skewness -.31632799% 17 19 Kurtosis 1.917769 變量age有2321個觀察值 最小值為0，最大值為19 1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；Varianc

19、e、 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)計量描述數(shù)值型數(shù)據(jù)統(tǒng)計量的其它方法的其它方法均值估計（均值估計（meanmean）.mean.mean girl urbanMean estimation Number of obs = 5381- | Mean Std. Err. 95% Conf. Interval-+- girl | .4781639 .0068103 .464813 .4915148 urban | .1908567 .0053577 .1803535 .2013599-比例估計比

20、例估計（proportionproportion）. proportion. 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- | Binomial Wald | Proportion Std. Err. 95% Conf. Interval-+-girl | _prop_1 | .5218361 .0068103 .50848

21、52 .535187 _prop_2 | .4781639 .0068103 .464813 .4915148-+-urban | _prop_3 | .8091433 .0053577 .7986401 .8196465 _prop_4 | .1908567 .0053577 .1803535 .2013599-使用使用tabletable命令描述數(shù)據(jù)命令描述數(shù)據(jù). . tabletable 變量a, contentsmean 變量b sd 變量b ：計算和表現(xiàn)統(tǒng)計量的命令：分組變量。按照其分類描述中央趨勢或離散趨勢的統(tǒng)計量：需要輸出統(tǒng)計量的內(nèi)容。后面括號內(nèi)列出（1）要描述的統(tǒng)計量，（2）需

22、要計算統(tǒng)計量的變量名稱：分別指均值和標(biāo)準(zhǔn)差：需要計算均值和標(biāo)準(zhǔn)差的變量. table a b, contents(mean c sd d)按變量a和b的分類，計算變量c的均值、d的標(biāo)準(zhǔn)差.table.table urban, contentscontents(mean yrsch sd sibs)-urban |residence | mean(yrsch) sd(sibs)-+- 0,Rural | 5.622172 .6296451 1,Urban | 7.109127 .5369387- 按urban的分類，計算變量yrsch的均值和sibs的標(biāo)準(zhǔn)差使用使用tabstattabstat命

23、令描述數(shù)據(jù)命令描述數(shù)據(jù) . tabstat a b c d ：展示一個或多個數(shù)值型變量的描述性統(tǒng)計: 為變量a，b，c，d提供均值統(tǒng)計量輸出的統(tǒng)計量是可選擇的。若不選擇，則默認(rèn)值為均值。其主要選項包括：. tabstat a b c d, by(e) statistics(mean sd) columns(statistics) ：按照選項by后面變量的類別，分組計算統(tǒng)計量；by后面的變量多是分類變量，也可以是取值不多的連續(xù)變量：需要得到的統(tǒng)計量，可多選，不同統(tǒng)計量之間需用空格隔開：輸出結(jié)果的格式可以選擇：選擇 columns(statistics)，則豎列表述的是統(tǒng)計量，橫行表現(xiàn)的是變量。若

24、選擇 columns(variables)格式，則反之使用使用tabulate, sum命令描述數(shù)據(jù)命令描述數(shù)據(jù) . tab a b, sum(c) ：接變量a、b的分類變量，計算變量c的統(tǒng)計量，并輸出a、b的頻數(shù)分布：sum后面接一個需要輸出統(tǒng)計量的數(shù)值型變量：分類變量；：連續(xù)變量.tab strata, sum(yrsch) | Summary of year of school strata | Mean Std. Dev. Freq.-+- 1.city | 5.4191617 3.6970418 668 2.suburb | 6.6946721 3.3878349 488 3.tow

25、n | 5.7541528 3.1821415 301 4.village | 6.4852547 2.9960408 373-+- Total | 6.031694 3.4403582 18306.6 畫圖畫圖 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)計圖形是用點的位置、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)據(jù)便于閱讀、比較和分析 一張好的統(tǒng)計圖表，勝過冗長的文字表述StataStata的制圖功能的

26、制圖功能 既可通過命令產(chǎn)生圖形，也可以直接使用Graphics窗口菜單中的選項來實現(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：散點圖散點圖(twoway)、線圖(line)、面積圖(area)、柱形圖(bar)、點圖(dot)、圓形圖（餅圖）(pie)、直方圖(histogram)、箱線圖/盒型圖(boxplot)、矩陣圖、回歸線圖和功能圖 對簡單圖形（Easy graph）的巧妙應(yīng)用，可以滿足絕大多數(shù)用戶的統(tǒng)計作圖要求。但有時我們必須求助于復(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StataStata制圖的窗口菜單制圖的窗口菜

27、單StataStata的其它制圖功能的其它制圖功能 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 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遇到錯誤。有時，命令中一個不恰當(dāng)?shù)目崭瘢粋€不正確的標(biāo)點符號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圖（散點圖（ Scatter Plot ） .scatter描繪散點圖；雙向關(guān)系圖型（twoway plottypes）之母 適合于