stata中變量描述分析和作圖...ppt

1、第三講 描述性分析與畫圖,進行描述性統(tǒng)計分析的目的： 對數(shù)據(jù)進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)，進而決定如何對數(shù)據(jù)作進一步處理，進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,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)的基本特征和變量分布的基礎上，才能決定如何對數(shù)據(jù)作進一步處理 描述性統(tǒng)計通過一系列的程序幫助組織、歸納、總結樣本的基

2、本特征。常見的方法包括 頻數(shù)分布、百分比、分位數(shù)、均值和標準差、中數(shù)、眾數(shù)、最大值和最小值等單變量分析（univariate analysis）。考察變量的屬性分布 二元或多元交叉表、二元相關關系分析 圖形,描述性分析的菜單窗口,該內(nèi)容是statistics菜單下的首個選項： Statistics Summaries，tables ,6.3頻數(shù)分布的常見錯誤之二,too many values 導致這類錯誤的原因在于，在試圖生成兩個變量的交叉表時，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wei

3、ght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,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?如果在全班30個學生中， 20個18歲的學生、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)，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：算術均值（me

4、an，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； 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,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； 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； 對于正態(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。

5、從中心到兩側，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、標準差； 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)； R最大值最小值 計算簡單，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：標準差（standard deviation）,方差的開方，和均數(shù)的單位一致，也是數(shù)據(jù)波動性的一種度量，即是對圍繞均值的離散趨勢

6、的測量 標準差和方差是實際中應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準差的范圍內(nèi)； 95%的個案將會位于加減兩個標準差的范圍內(nèi)； 99.9%的個案將會位于加減三個標準差的范圍內(nèi) 標準差越小，數(shù)據(jù)的分布就越圍繞均值聚集；標準差越大散，數(shù)據(jù)的分布就越分散。,離散趨勢：標準差（II）,適合描述近似正態(tài)分布資料的離散趨勢 方差或標準差都是根據(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，因此能準確地反映數(shù)據(jù)的離散程度 計算公式：,離散趨勢：自由度,為什么樣本標準差的分母是n-1呢 自由度：一組數(shù)據(jù)中可以自由取值的個數(shù)。當樣本的

7、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n-1 個數(shù)據(jù)可以自由取值； 假如樣本有3個數(shù)值，x=4，y=8，z=18，則均值=10。當均值=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。,正態(tài)分布與偏態(tài)分布,正態(tài)分布（normal distribution）,一個變量的集中位置居中，左右兩側頻數(shù)基本對稱的分布 從形態(tài)上看，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，曲線向正負兩個方向遞減延伸，不斷逼近x軸，但永不與

8、x軸相交，因此說曲線在正負兩個方向都是以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)；為形狀參數(shù) 若不變，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，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,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，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：集中位置偏向數(shù)值小的一側或者左側，有較長的右尾部 負偏態(tài)分布：集中位置偏向數(shù)值大的一側或者右側，有較長的左尾

9、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,.sum連續(xù)變量 該命令給出標準統(tǒng)計量。輸出結果包括： Obs Mean Std. Dev. Min Max （觀察量） （均值） （標準差） （最小值） (最大值） .sum連續(xù)變量，detail summ 或 summarize 得出同樣的結果,標準信息描述,. sum age yrsch weight hei

10、ght 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,詳細情況描述,.sum age, detail age in 2004 - Percentiles Smallest 1% 0 0 5% 1 0 10% 2 0

11、Obs 2321 25% 5 0 Sum of Wgt. 2321 50% 10 Mean 9.658337 Largest Std. Dev. 5.084631 75% 14 18 90% 16 18 Variance 25.85347 95% 17 19 Skewness -.316327 99% 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；標準差為5.08；Variance、 Skewness和Kurt

12、osis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)計量的其它方法,均值估計（mean）,.mean girl urban Mean 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（proportion）,. proportion girl urban P

13、roportion 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 .5084852 .535187 _prop_2 | .4781639 .0068103 .464813 .4915148 -+

14、- urban | _prop_3 | .8091433 .0053577 .7986401 .8196465 _prop_4 | .1908567 .0053577 .1803535 .2013599 -,使用table命令描述數(shù)據(jù),. table 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）需要計算統(tǒng)計量的變量名稱 ：分別指均值和標準差 ：需要計算均值和標準差的變量 . table a b, contents(mean c sd d

15、) 按變量a和b的分類，計算變量c的均值、d的標準差,.table urban, contents(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的標準差,使用tabstat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

16、認值為均值。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) ：接變量a、b的分類變量，計算

17、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.town | 5.7541528 3.1821415 301 4.village | 6.4852547 2.9960408 373 -+- Total | 6.031694 3

18、.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數(shù)據(jù)的內(nèi)容，包括統(tǒng)計資料反應的變化趨勢、數(shù)量的多少、分布狀態(tài)和相互關系等 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,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(twoway)、

19、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雜的制圖功能 在Graphics的主菜單下，可選擇制作更復雜的圖形,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 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制圖功能比較復雜。生成圖形

20、的過程中往往會遇到錯誤。有時，命令中一個不恰當?shù)目崭瘢粋€不正確的標點符號都將使程序不能正常運行。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,數(shù)據(jù)結構和變量屬性的不同要求采用不同的圖形,散點圖（ Scatter Plot ）,.scatter描繪散點圖；雙向關系圖型（twoway plottypes）之母 適合于y軸和x軸均為數(shù)值型的數(shù)據(jù) 用于反映兩個或多個變量之間的關系。y軸往往被假定為因變量，x軸被當作為自變量。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)生相應變化 .scatter既是命令，也是雙向關系圖型（twoway graph）中的一種,散點圖的基本命令,. graph twoway (scatter y x) (lfit y