Übung Statistik I Statistik mit Stata SS Dokumentation der Datenanalyse, Datentransformationen II und Univariate Statistiken II

Transkript

1 Übung Statistik I Statistik mit Stata SS Dokumentation der Datenanalyse, Datentransformationen II und Univariate Statistiken II Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di Uhr Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata - 1 -

2 Überblick 1. Vorbemerkungen 2. Aus der letzten Stunde: Dokumentation der Datenanalyse mit Stata 3. Übungsaufgaben 4. Datentransformationen II: generate, replace, recode 5. Befehle zum Bilden von Subsamples: drop, keep 6. Univariate Statistiken II: Lagemaße, Streuungsmaße 7. Übungsaufgaben Statistik mit Stata - 2 -

3 1. Vorbemerkungen Befehle, die bekannt sein sollten: Update, set memory, input, use, clear, save, exit, pwd, cd, dir, describe, codebook, sort, list, help, search, tabulate oneway, numlabel, mvdecode, mvencode, label, set dp Um nicht jeden Befehl jedes mal erneut vollständig eintippen zu müssen können während einer Stata-Sitzung bereits eingegebene Befehle erneut ausgeführt werden durch: Befehl in der Befehlshistory (Review Window) anklicken: Befehl erscheint im Command Window Oder: Taste Bild und Bild (bzw. Page, Page je nach Tastatur) um zwischen den Befehlen der Befehlshistory zu wechseln Statistik mit Stata - 3 -

4 Ergänzende Bemerkungen zur letzten Stunde: Auf Folie 12 vom wurden folgende Befehle benutzt: label define v24.a "Weiss nicht".b "Keine Angabe", add und Labelcontainer label define v19.c "Missing", add Begründung: da die Labelcontainer v24 und v19 bereits existieren (vgl. label list v24 v19) und den Variablen v24 und v19 auch bereits zugeordnet sind (vgl. tab1 v24 v19), brauchen wir nicht in zwei Schritten vorgehen (Schritt 1: label define... und Schritt 2: label values...). Sondern: Wir ergänzen den Labelcontainer v24 um die Label Weiss nicht für.a und Keine Angabe für.b durch folgenden Befehl: label define v24.a "Weiss nicht".b "Keine Angabe", add Der Befehl label define v19.c "Missing", add ergänzt den Labelcontainer v19 um Missing für.c Statistik mit Stata - 4 -

5 2. Aus der letzten Stunde: Dokumentation der Datenanalyse mit Stata Eine Dokumentation der Datenanalyse, die die Reproduktion von Ergebnissen erlaubt ist unabdingbar. Stata hält dazu einige Werkzeuge bereit. Zunächst ist es möglich aufzuzeichnen, was man im Results-Fenster ausgegeben bekommt: Eine existierende Datei wird überschrieben log using filename [, append replace...] Das log wird an eine existierende Datei angehängt. Gibt es keine solche wird Datei neu erstellt Beispiel: log using W:\Stata\sessionlg.log, replace Des weiteren können auch nur die eingegebenen Befehle gespeichert werden: cmdlog using filename [, append replace] Statistik mit Stata - 5 -

6 Beispiel: cmdlog using W:\Stata\cmdlg.log, append Es macht Sinn im Fall des cmd-logs (Befehls- Aufzeichnung) die Option append zu benutzen und im Fall des vollständigen logs (Results-Aufzeichnung) replace, da das vollständige log sehr schnell sehr groß wird. Mit den Befehlen log bzw. cmdlog kann der derzeitige Status der Aufzeichnung abgerufen werden (läuft die Aufzeichnung sieht man dies aber auch im unteren grauen Balken des Results-Fensters). Die Befehle log close bzw. cmdlog close beenden die Aufzeichnung, mit dem Befehle log off (cmdlog off) wird die Aufzeichnung angehalten und mit dem Befehl log on (cmdlog on) wieder gestartet. Die log-files können im Viewer-Fenster betrachtet werden Menüleiste > File > Log > View... > Browse (Auswahl der log-datei) > OK Statistik mit Stata - 6 -

7 Außerdem kann man einzugebende Befehle in einem dofile speichern, dass Stata nach Aufforderung (Befehl do 'Pfad') abarbeitet. Dazu gibt es den Stata do-file Editor (doedit). Bsp: Erstellung eines do-files, das die Befehle der letzten Übungsaufgabe enthält: Notwendig, damit Stata den Zeilenwechsel nicht als Befehlsende auffasst Statistik mit Stata - 7 -

8 Die erste Zeile in dem do-file ist (aufgrund des Sternchens) ein Kommentar, d.h. sie wird von Stata ignoriert Übung Das do-file allbus_ueb1c.do ist zu finden unter: WiSoRZ > Lehre on 'Jeder-Lehre (Ug-uxwscip-s2)'(V:) > Stata. Zunächst in den persönlichen Stata Ordner WiSoRZ > [Name] on 'ug-uxwscip-s3\benutzer'(w:) > Stata > kopieren mit dem Befehl do ausführen BEACHTE: Damit das do-file funktioniert muss an der im do-file angegebenen Stelle die Datei allbus_ueb1b.dta existieren. Also: Es muss geben: W:\Stata\Datensätze\allbus_ueb1b.dta Sollte allbus_ueb1b.dta verändert worden sein, kann das dazu führen, dass das do-file nicht korrekt ausgeführt werden kann. In diesem Fall die Originaldatei erneut in den eigenen Ordner kopieren. Statistik mit Stata - 8 -

9 Genereller, optimaler Aufbau von do-files: 1. *Titel (was wird in dem do-file zusammenfassend gemacht) 2. Befehl version 9 (= zu verwendende Version von Stata). Vermeidet Probleme mit neueren Stata-Versionen, die u.u. Befehle anders auslegen 3. Befehl set more off damit der Ablauf des do-files nicht unterbrochen wird 4. Inhalt Befehl exit um die Ausführung des do-files abzuschießen (stellt sicher, dass Stata auch den letzten Befehl als abgeschlossen betrachtet und ausführt) 6. *Unter Umständen ausführliche Beschreibung der unternommenen Auswertungsschritte und Anmerkungen * Leitet einen Kommentar ein (also Text, den Stata ignoriert) Statistik mit Stata - 9 -

10 3. Übungsaufgaben 1. Erstelle ein optimal aufgebautes do-file (profile.do), das die Protokolldateien (log und cmdlog) startet und den Befehl zur Vergrößerung des Arbeitsspeichers enthält. Also folgende Befehle müssen enthalten sein: log using W:\Stata\sessionlg.log, replace ; cmdlog using W:\Stata\cmdlg.log, append ; set memory 600m Speichere die Datei unter W:\Stata\Datensätze\profile.do 2. Prüfe, ob das do-file ausgeführt wird und ob alles wie gewollt funktioniert. Wo findet man nun die Aufzeichnung der Results? Statistik mit Stata

11 Lösung: Die log-datei, die die Results enthält findet man unter W:\Stata. Sie heißt sessionlg.log. Die Datei profile.do solltest du ab jetzt bei jedem Start von Stata zuerst ausführen lassen. Statistik mit Stata

12 4. Datentransformationen II Variablen erstellen und verändern Im Folgenden wird allbus_ueb2.dta verwendet. In diesem Subsample aus dem ALLBUS sind Missing Values definiert. Der Befehl generate [newvar] erstellt eine neue Variable. Mit dem Befehl replace [oldvar] kann eine existierende Variable verändert werden. Zum genauen Aufbau der Befehle vgl. help generate Beispiel 1: Variable für Kinderwunsch generate kindwun=1 if v487==1 Der Befehl bedeutet: Bilde die Variable 'kindwun' mit dem Wert 1, wenn die Variable v487 (Wunsch nach Kindern) den Wert 1 (Kinderwunsch) hat. replace kindwun=2 if v487==2 Der Befehl bedeutet: Ersetzte die Werte der Variable 'kindwun' mit 2 wenn die Variable v487 den Wert 2 (Kein Kinderwunsch) hat. Statistik mit Stata

13 Bei allen anderen Werten von v487 erhält die Variable 'kindwun' den System Missing Value von Stata zugewiesen. Nach dem labeln (label variable kindwun Kinderwunsch (neu) ; label define kiwu 1 Kinderwunsch 2 Kein Kinderwunsch ; label values kindwun kiwu) und numlabel kiwu, add erhält man (mit tab kindwun, miss): System Missing Values Kontrolle, ob alles wie geplant funktioniert hat durch Vergleich der Häufigkeiten von kindwu mit v487 Statistik mit Stata

14 Beispiel 2: Variable für das Alter der Befragten aus ihrem Geburtsjahr erstellen: generate age=2007-v26 label var age "ALTER DER BEFRAGTEN" Die Variable age hat die gleichen Missing Values wie die Variable v26 ALTER DER BEFRAGTEN Freq. Percent Cum Total 2, Statistik mit Stata

15 Beispiel 3: Variable für das Alter in Kategorien erstellen: generate agegroup=1 if age<=20 replace agegroup=2 if (age>20 & age <=30) replace agegroup=3 if (age>30 & age <=40) replace agegroup=4 if (age>40 & age <=50) replace agegroup=5 if (age>50 & age <=60) replace agegroup=6 if (age>60 & age <=70) replace agegroup=7 if age>70 replace agegroup=. if age==. label var agegroup "ALTER DER BEFRAGTEN IN KATEGORIEN label define agegr 1 "BIS 20 JAHRE" 2 "21 BIS 30 JAHRE" /// 3 "31 BIS 40 JAHRE" 4 "41 BIS 50 JAHRE" /// 5 "51 BIS 60 JAHRE" 6 "61 BIS 70 JAHRE" 7 "ÜBER 70 JAHRE label values agegroup agegr Würde diese Zeile fehlen würde Stata die Fehlenden Werte der age Variable in die oberste Kategorie der agegroup Variable (also Kategorie 7) einsortieren! Statistik mit Stata

16 Ergebnis: Die Werte einer Variable können verändert werden mit dem recode Befehl (vgl. help recode). Beispiel 4: recode agegroup (1/4=1) (5/7=2) label define agegro 1 "JUNG" 2 "ALT" label values agegroup agegro Statistik mit Stata

17 Ergebnis: Beachte: mit der gezeigten Syntax wird die bisherige Variable agegroup (vgl. Folie 15) überschrieben. D.h. nach Ausführung des gezeigten recode Befehls hat die Variable agegroup nur noch obige zwei Kategorien (jung und alt). Um eine neue Variable mit zwei Kategorien zu erstellen: recode agegroup (1/4=1) (5/7=2), generate(agegroup2) Statistik mit Stata

18 Für den recode Befehl ist es wichtig zu wissen, wie Stata die Aufzählung von Zahlen interpretiert. Auszug aus help numlist Statistik mit Stata

19 Beispiel 5: Variable für Abtreibung (generell dafür) Wie viele Personen sind generell (über alle im ALLBUS enthaltenen Items hinweg) positiv eingestellt gegenüber Abtreibung: Bei längeren Verknüpfungen ist es generate proabtr1=2 übersichtlicher wenn man Klammern setzt. replace proabtr1=1 if (v12==1 & v13==1 & v14==1 /// & v15==1 & v16==1 & v17==1 & v18==1) label variable proabtr1 "GENERELL FÜR ABTREIBUNG" label define abtr 1 "GENERELL DAFÜR" 2 "ANDERE" label values proabtr1 abtr In der Variable proabtr1 sind in Kategorie 1 nur Personen, die bei allen Abtreibungsvariablen (v12 bis v18) mit sollte möglich sein geantwortet haben. Alle anderen (auch Missing Values) sind in Kategorie 2. Statistik mit Stata

20 Daher Interpretation der Ergebnisse: 390 Personen (16,94%) des vorliegenden Subsamples sind über alle erfassten Items hinweg, also generell dafür, dass Abtreibung möglich sein sollte Personen (83,04%) des Subsamples sind nicht dieser Meinung. Falsch wäre es demgegenüber zu interpretieren, dass 1909 Personen (83,04%) der Ansicht sind, Abtreibung solle generell nicht möglich sein. Denn in Kategorie 2 sind sowohl Missing Values enthalten, als auch Personen, die nur in bestimmten Fällen (z.b. bei Gesundheitsgefährung der Frau) dafür sind, dass Abtreibung möglich sein sollte. Statistik mit Stata

21 Beispiel 6: Variable für Abtreibung (nicht generell dagegen) Unter anderen Gesichtspunkten könnte eher interessieren, wie viele Personen wenigstens bei einem der erfassten Items für die Möglichkeit der Abtreibung votieren: generate proabtr2=2 replace proabtr2=1 if (v12==1 v13==1 v14==1 v15==1 /// v16==1 v17==1 v18==1) label variable proabtr2 /// "NICHT GENERELL GEGEN ABTREIBUNG" label define abtr1 1 "NICHT DAGEGEN" 2 "ANDERE" label values proabtr2 abtr1 In der Variable proabtr2 sind in Kategorie 1 nur Personen, die bei mindestens einer (aber auch mehr als einer) der Abtreibungsvariablen (v12 bis v18) mit sollte möglich sein geantwortet haben. Alle anderen (auch Missing Values) sind in Kategorie 2. Statistik mit Stata

22 Daher Interpretation der Ergebnisse: 2178 Personen (94,74%) des vorliegenden Subsamples sind nicht generell dagegen, dass Abtreibung möglich sein sollte, haben also bei mindestens einem der erfassten Items geantwortet, Abtreibung solle möglich sein. 121 Personen (5,26%) des Subsamples sind nicht dieser Meinung. Falsch wäre es demgegenüber zu interpretieren, dass 121 Personen (5,26%) gegen Abtreibung, also der Ansicht sind, Abtreibung solle generell nicht möglich sein. Denn in Kategorie 2 sind auch Missing Values enthalten. Statistik mit Stata

23 Die folgenden Funktionen und Ausdrücke sind in Stata möglich: Statistik mit Stata

24 5. Befehle zum Bilden von Subsamples Der Datensatz allbus_ueb2.dta enthält nicht mehr so viele Variablen wie der gesamte ALLBUS Datensatz und auch nicht mehr alle Fälle (nur noch westdeutsche). D.h. mit dem Datensatz allbus_ueb2.dta liegt ein Subsample aus dem Gesamtdatensatz des ALLBUS (allbus_ungew.dta) vor. Ein solches Subsample kann mit den Befehlen keep [varlist] oder/ und drop [varlist] erstellt werden (vgl. help drop). Statistik mit Stata

25 Beispiel: Erstellung des allbus_ueb2.dta: Entferne alle Fälle aus dem Datensatz für die v4 den Wert 2 aufweist. Entferne die aufgelisteten Variablen. Will man den Befehl keep benutzen, muss man anders herum überlegen, welche Fälle oder Variablen im Datensatz verbleiben sollen. Statistik mit Stata

26 6. Univariate Statistiken II Warum ist es wichtig, Missing Values zu definieren? Bsp: Variable Alter (v27). In der Ausgangssituation sind Missing Values gesetzt. Der Befehl mvencode (vgl. letzte Stunde) ordnet den Missing Values hier den Wert 999 zu.! Der Befehl summarize liefert standardmäßig die Anzahl gültiger Fälle (Obs), das arithmetische Mittel (mean), die Standardabweichung (Std. Dev.) sowie den kleinsten (Min) und größten Wert (Max). Statistik mit Stata

27 Univariate Statistiken liefert auch der folgende Befehl: By [var] tabstat [varlist] [if], statistics(statname [...]) vgl. help tabstat Statistik mit Stata

28 Welche deskriptiven univariaten Statistiken sind wann sinnvoll? Skalenniveau Nominal Ordinal Metrisch Ausgewählte deskriptive Statistiken Häufigkeitstabelle Häufigkeitstabelle Range, Quantile, Varianz, Standardabweichung Lagemaße Modus Modus, Median Modus, Median, arithmetisches Mittel Streuungsmaße Range, Quantile Quartilabstand Statistik mit Stata

29 Beispiel 1: Nominales Skalenniveau Der Modus, also die Kategorie, in der die meisten Fälle liegen ist 1: Verheiratet, zusammenlebend. D.h. am häufigsten trifft man im vorliegenden Subsample auf Personen die verheiratet sind und mit ihrem Partner zusammen leben. Statistik mit Stata

30 Beispiel 2: Ordinales Skalenniveau Die meisten Personen im vorliegenden ALLBUS- Subsample beurteilen die heutige wirtschaftliche Lage in der BRD teils gut und teils schlecht (Modus=3). Statistik mit Stata

31 Bei der Variable v146 (Beurteilung der heutigen wirtschaftlichen Lage in der BRD) liegen in der verwendeten Stichprobe 2290 gültige Fälle vor (N). Die größte, besetzte Kategorie (max) ist Kategorie 5, die kleinste (min) ist Kategorie1. Der Range (Abstand zwischen besetzter größter und kleinster Kategorie) beträgt daher 4. 25% aller Fälle liegen bis zur dritten Kategorie, also in den ersten 2 Kategorien (25%-Quartil (p25)=3). In der dritten Kategorie liegen mindestens 25% der Fälle, denn auch das 50%-Quartil = Median (p50) liegt bei Kategorie 3. Das 75%- Quartil (p75) liegt bei Kategorie 4. Statistik mit Stata

32 Der Quartilabstand (iqr) beträgt 1, d.h. der Abstand zwischen dem 25%-Quartil und dem 75%-Quartil beträgt 1. Die Kennwerte deuten auf eine leicht rechtssteile bzw. linksschiefe Verteilung, also darauf hin, dass die höheren Kategorien etwas häufiger besetzt sind als die niedrigeren. D.h. die Personen im Subsample beurteilen die heutige wirtschaftliche Lage in der BRD eher negativ. Statistik mit Stata

33 Beispiel 3: Metrisches Skalenniveau Die Variable v381 enthält Angaben über das Einkommen der befragten Personen. Eine Häufigkeitstabelle macht hier aufgrund der zahlreichen Ausprägungen wenig Sinn. Es liegen in der verwendeten Stichprobe 1699 gültige Fälle für die Angabe des Einkommens vor (N). Das höchste Einkommen (max) beträgt hier 8000 Euro, das geringste (min) 30 Euro. Der Abstand zwischen höchstem und geringstem Einkommen beträgt daher 7970 Euro (Range=7970). Statistik mit Stata

34 Das 25%-Quartil (p25) liegt bei 700 Euro. Also verdienen 25% der Personen, die hier Einkommensangaben gemacht haben bis zu 700 Euro. Das 50%-Quartil = Median (p50) beträgt 1200 Euro, d.h. 50% der gültigen Fälle des zugrunde liegenden Subsamples verdienen mehr als 1200 Euro. Das 75%-Quartil (p75) liegt bei 1800 Euro, d.h. 75% der betrachteten Personen, die Angaben gemacht haben verdienen weniger als 1801 Euro. Der Quartilabstand (iqr) beträgt 1100, d.h. der Abstand zwischen 25%, die am wenigsten verdienen und den 25% die am meisten verdienen beträgt 1100 Euro. Statistik mit Stata

35 Das arithmetische Mittel (mean) liegt bei 1398,53 Euro. D.h. durchschnittlich werden hier 1398,53 Euro verdient. Die Varianz (also die quadrierte durchschnittliche Abweichung vom Mittelwert) beträgt und die Standardabweichung beträgt 961,15. D.h. durchschnittlich weichen die betrachteten Personen hier um 961,15 Euro vom Mittelwert ab. Die Kennwerte legen nahe, dass Einkommenswerte im Bereich von 8000 Euro nur in wenigen Fällen vorkommen, während die Mehrheit der Befragten (75%) bis zu 1800 Euro verdienen. Diesen Befund unterstützt der Mittelwert von 1398,53 Euro. Die Streuung ist dabei relativ groß. Statistik mit Stata

36 7. Übungsaufgaben Bilde die Variablen kindwun, age und agegroup wie beschrieben. Erstelle dazu das do-file ueb05_14a.do. Achte dabei auf den korrekten Aufbau. Berechne die Lage- und Streuungsmaße, die dir sinnvoll erscheinen, um die Verteilungen in den Variablen v27, v500, v170, v217 und v141 zu beschreiben. Für die schnellen: Ergänze obiges do-file um die Bildung der Variablen proabtr1 und proabtr2 wie auf den Folien beschrieben. Erstelle ein do-file (ueb05-14b.do) für den Datensatz allbus_ueb3.dta, das folgendes bewirkt: 1. Definition der Missing Values für die Variablen v5, v7, v19, v27, v29 und Vergabe von Labels für dieselben. 2. Erstellung von Häufigkeitstabellen sowie Berechnung sinnvoller Lagemaße für die Variablen v5, v7, v19, v27, v29. Statistik mit Stata

37 Hausaufgaben: 1. Führe jeden Befehl, den die Präsentation enthält mindestens einmal aus. Untersuche die verwendeten Befehle dabei auch auf mögliche Unterbefehle und Optionen. 2. Erstelle eine Tabelle, die die bisherigen Befehle mit den relevanten Unterbefehlen und die zugehörige Beschreibung, was der Befehl bewirkt enthält. Abgabe per Mail bis Montag, den , 13:30Uhr. Statistik mit Stata