Stata 实证数据清洗:9 步搞定。
回归分析前的数据质量直接决定了实证结果的可靠性。面对变量名混乱、缺失值扎堆、重复观测干扰及异常值频现的原始数据,直接运行模型往往会导致结果偏差或报错。本文梳理了 Stata 数据清洗的 9 步核心流程,按“数据预处理→变量管理→缺失值与异常值处理→分组计算”的逻辑进行重组,形成标准化的操作指南,帮助规范数据处理步骤。
01数据预处理
- 导入数据
将外部数据文件加载至 Stata 内存中。
代码:use "d:/实证数据文件夹/data.dta", replace - 查看缺失值
快速概览数据的缺失情况,评估数据完整度。
代码:misstable sum - 删除重复值
依据个体和年份等关键变量进行去重,确保观测唯一性。
代码:duplicates drop id year, force
02变量管理
- 变量重命名
统一变量命名风格,方便后续调用。支持单变量或批量修改。
代码:
单变量:ren GDP gdp
批量:rename (GDP INV) (gdp inv) - 删除无用变量
清理不参与分析的变量,减少内存占用。支持通配符批量删除。
代码:
单变量:drop x
批量:drop x*(删除前缀为 x 的变量)
03缺失值与异常值处理
- 剔除含缺失值的观测
针对关键变量缺失的行进行删除,保证样本有效性。
代码:
单变量:drop if x == .
多变量:drop if missing(x1, x2, x3) - 替换值与变量变换
对缺失值进行填补(如补 0)或进行对数变换以缓解偏态。
代码:
缺失值补 0:replace x = 0 if x == .
变量取对数:replace x = ln(x + 1) - 变量取对数(特殊处理)
生成新变量时加 1 取对数,避免原值为 0 时报错。
代码:g lnpatent = ln(patent + 1)
04分组计算
- 按分组计算均值或中位数
依据年度、行业等维度分组,生成组内统计特征。
代码:
均值:bys year ind: egen x_mean = mean(x)
中位数:bys year ind: egen x_median = median(x)
当前文章无评论,是时候发表评论了