stata简单统计及衍生变量

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

简单统计量的计算：
ameans x
（计算变量x的算术平均值、几何平均值和简单调和平均值，均显示样本量和置信区间）
mean var1 [pweight = var2]
（求取分组数据的平均值和标准误，var1为各组的赋值，var2为每组的频数）
summarize y x1 x2,detail
（可以获得各个变量的百分比数、最大最小值、样本量、平均数、标准差、方差、峰度、偏度）
***注意***
stata中summarize所计算出来的峰度skewness和偏度kurtosis有问题，与ECELL和SPSS有较大差异，建议不采用stata的结果。
summarize var1 [aweight = var2], detail
（求取分组数据的统计量，var1为各组的赋值，var2为每组的频数）
tabstat X1,stats(mean n q max min sd var cv)
（计算变量X1的算术平均值、样本量、四分位线、最大最小值、标准差、方差和变异系数）
去除极端值：
keep if y<1000
drop if y>1000
对数据排序：
sort x
gsort +x
（对数据按x进行升序排列）
gsort -x
（对数据按x进行降序排列）
gsort -x, generate(id) mfirst
（对数据按x进行降序排列，缺失值排最前，生成反映位次的变量id）
对变量进行排序：
order y x3 x1 x2
（将变量按照y、x3、x1、x2的顺序排列）
生成新变量：
gen logx1=log(x1)（得出x1的对数）
gen x1`=exp(logx1)（将logx1反对数化）
gen r61_100=1 if rank>=61&rank<=100（若rank在61与100之间，则新变量r61_100的取值为1，其他为缺失值）
replace r61_100 if r61_100!=1（“!=”表示不等于，若r61_100取值不为1，则将r61_100替换为0，就是将上式中的缺失值替换为0）
gen abs(x)（取x的绝对值）
gen ceil(x)（取大于或等于x的最小整数）
gen trunc(x)（取x的整数部分）
gen round(x)（对x进行四舍五入）
gen round(x,y)（以y为单位，对x进行四舍五入）
gen sqrt(x)（取x的平方根）
gen mod(x,y)（取x/y的余数）
gen reldif(x,y)（取x与y的相对差异，即|x-y|/(|y|+1)）
gen logit(x)（取ln[x/(1-x)]）
gen x=autocode(x,n,xmin,xmax)（将x的值域，即xmax-xmin，分为等距的n份）
gen x=cond(x1>x2,x1,x2)（若x1>x2成立，则取x1，若x1>x2不成立，则取x2）
sort x
gen gx=group(n)（将经过排序的变量x分为尽量等规模的n个组）
egen zx1=std(x1)（得出x1的标准值，就是用(x1-avgx1)/sdx1）
egen zx1=std(x1),m(0) s(1)（得出x1的标准分，标准分的平均值为0，标准差为1）
egen sdx1=sd(x1)（得出x1的标准差）
egen meanx1=mean(x1)（得出x1的平均值）
egen maxx1=max(x1)（最大值）
egen minx1=min(x1)（最小值）
egen medx1=med(x1)（中数）
egen modex1=mode(x1)（众数）
egen totalx1=total(x1)（得出x1的总数）
egen rowsd=sd(x1 x2 x3)（得出x1、x2和x3联合的标准差）
egen rowmean=mean(x1 x2 x3)（得出x1、x2和x3联合的平均值）
egen rowmax=max(x1 x2 x3)（联合最大值）
egen rowmin=min(x1 x2 x3)（联合最小值）
egen rowmed=med(x1 x2 x3)（联合中数）
egen rowmode=mode(x1 x2 x3) （联合众数）
egen rowtotal=total(x1 x2 x3)（联合总数）
egen xrank=rank(x)（在不改变变量x各个值排序的情况下，获得反映x值大小排序的xrank）
概率分布的计算：
（1）贝努利概率分布测试：
webuse quick
bitest quick==0.3,detail
（假设每次得到成功案例‘1’的概率等于0.3，计算在变量quick所显示的二项分布情况下，各种累计概率和单个概率是多少）
bitesti 10,3,0.5,detail
（计算当每次成功的概率为0.5时，十次抽样中抽到三次成功案例的概率：低于或高于三次成功的累计概率和恰好三次成功概率）
（2）泊松分布概率：
display poisson(7,6)
.44971106
（计算均值为7，成功案例小于等于6个的泊松概率）
display poissonp(7,6)
.14900278
（计算均值为7，成功案例恰好等于6个的泊松概率）
display poissontail(7,6)
.69929172
（计算均值为7，成功案例大于等于6个的泊松概率）
（3）超几何分布概率：
display hypergeometricp(10,3,4,2)
.3
（计算在样本总量为10，成功案例为3的样本总体中，不重置地抽取4个样本，其中恰好有2个为成功案例的概率）
display hypergeometric(10,3,4,2)
.96666667
（计算在样本总量为10，成功案例为3的样本总体中，不重置地抽取4个样本，其中有小于或等于2个为成功案例的概率）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：Stata tata summarize GEOMETRIC hypergeom summarize 置信区间 detail 百分比 标准差

stata中summarize计算峰度skewness和偏度kurtosis  不是有问题
而是这几个软件里面的计算公式采用的形式不一样
是看仔细看看不同软件采用的公式是什么。


你在看看R软件，里面同一个命令，添加不同参数，计算的也不同列出了3种，算法。

skewness {e1071}        R Documentation
Skewness

Description
Computes the skewness.
Usage
skewness(x, na.rm = FALSE, type = 3)
Arguments

x        
a numeric vector containing the values whose skewness is to be computed.
na.rm        
a logical value indicating whether NA values should be stripped before the computation proceeds.
type        
an integer between 1 and 3 selecting one of the algorithms for computing skewness detailed below.
Details

If x contains missings and these are not removed, the skewness is NA.

Otherwise, write x_i for the non-missing elements of x, n for their number, mu for their mean, s for their standard deviation, and m_r = ∑_i (x_i - mu)^r / n for the sample moments of order r.

Joanes and Gill (1998) discuss three methods for estimating skewness:

Type 1:
g_1 = m_3 / m_2^(3/2). This is the typical definition used in many older textbooks.

Type 2:
G_1 = g_1 * sqrt(n(n-1)) / (n-2). Used in SAS and SPSS.

Type 3:
b_1 = m_3 / s^3 = g_1 ((n-1)/n)^(3/2). Used in MINITAB and BMDP.

All three skewness measures are unbiased under normality.

Value

The estimated skewness of x.

References

D. N. Joanes and C. A. Gill (1998), Comparing measures of sample skewness and kurtosis. The Statistician, 47, 183–189.

Examples

x <- rnorm(100)
skewness(x)