Cours (A. Vescovo) stata

Aude Vescovo, IRD AFRISTAT Cours I. Prise en main du logiciel Traditionnellement, Stata est un logiciel qui fonctionne avec des lignes de commande tapées par l'utilisateur (différent de SPSS, pareil que SAS). Quelques menus ont été créés dans les dernières versions, notamment pour les graphiques. Le fait de devoir taper des lignes de code plutôt que de cliquer dans des menus est souvent rédibitoire, pourtant cela a des avantages : la reproductibilité. Il est souvent nécessaire de pouvoir justifier de la façon dont a été calculé un indicateur. A la lecture d'un article ou d'un rapport, le lecteur doit pouvoir, à partir des mêmes données, obtenir les mêmes résultats. Or avec un logiciel à interface, il n'y a pas de trace de quels clics ont été faits. l'extensibilité : le logiciel s'enrichit en permanence. Il est possible de créer une commande en utilisant plusieurs autres. Or les interfaces sont figées et ne changent qu'à la parution de nouvelles versions. Un des premiers avantages de Stata est son prix. De plus, il est très pratique pour la manipulation de données, notamment de données longitudinales. Enfin il couvre la quasi totalité des domaines des statistiques et de l'économétrie abordés dans différentes sciences comme l'économie, la santé, l'épidémiologie : techniques d'évaluation d'impact (régressions linéaires, modèles de sélection, variables instrumentales) modèles dichotomiques (modélisation des déterminants du chômage, de la mortalité) données de panel (suivi de gens dans le temps, permet de différencier l'effet individuel de l'effet temps) modèles de durée (démographie, durée de chômage) séries temporelles (macro économie, prévisions) données d'enquêtes (estimateurs sans biais, précision des indicateurs) Stata est installé dans C:\Program Files. Dans le dossier Stata 9 se trouve un dossier ado à l'intérieur duquel se trouvent les répertoires base et update (mise à jour). Dans le fichier base sont rangés des fichiers .ado. Chacun de ces fichiers (pouvant s'ouvrir dans l'éditeur de texte, mais à ne pas modifier sans précaution) définit une commande. Ils sont rangés selon la première lettre de la commande. Par exemple, la commande mean est définie dans le fichier mean.ado situé dans C:\Program Files\Stata 9\Stata9\ado\base\m. Lorsqu'on voudra calculé l'âge moyen des Bamakois, on tapera la commande mean age qui utilisera le fichier mean.ado pour retourner le résultat attendu. Dans le dossier C:\Program Files\Stata 9\Stata9\ado\update\m se trouve les commandes mises à jour. Si vous achetez le logiciel Stata 10 en 2008, et qu'avant la sortie de la version 11 de nouvelles commandes sont créées, vous pouvez les téléchargez via le site internet de Stata, gratuitement. 1 Aude Vescovo, IRD AFRISTAT Cours I. Prise en main du logiciel Les 4 fenêtres de base sont les fenêtres Command, Review, Variables et Results. Les commandes sont saisies dans la fenêtre Command puis exécutées en tapant Entrée. Elle sert à tester des commandes mais non à rédiger un programme complet. La fenêtre Review liste les dernières commandes effectuées. Il suffit de cliquer sur l'une d'elle pour la rappeler dans la fenêtre Command. La fenêtre Variables liste les variables figurant dans le base de données. Il suffit de cliquer sur l'une d'elles pour qu'elle soit saisie dans la fenêtre Command. La fenêtre Results, sur fond noir, décrit les résultats de toutes les commandes. Les commandes effectuées y figurent en blanc, les résultats en jaune, vert et blanc, les messages de mise en garde en vert, et les erreurs, stoppant l'exécution, en rouge. Les erreurs sont référencées. En cliquant sur le code de l'erreur, ici r(101), on accède à une description de l'erreur. On peut copier les résultats de Results pour les coller dans Word. Selon qu'on veuille copier du texte ou un tableau (sélectionner uniquement le tableau avec des lignes entières), on utilisera Copy text ou Copy table dans le menu Edition. De gauche à droite : Ouvrir un fichier de données Stata Sauvegarder un fichier de données (équivalent à la commande save) Imprimer les résultats tels qu'ils apparaissent dans la fenêtre Results Commencer un fichier log, un journal qui conservera tout ce qui a été fait Faire apparaître la fenêtre Results lorsqu'elle n'est pas présente Ouvrir un do.file Afficher la base de données (en pouvant ou pas le modifier manuellement) Stopper la commande en cours (si c'est trop long ou qu'on s'est rendu compte d'une erreur) 2 Aude Vescovo, IRD AFRISTAT Cours I. Prise en main du logiciel dta : Base de données Les variables sont en colonne, les observations (individus, ménages,…) en ligne. Les quatre premières variables sont des caractères, ce pourquoi elles sont écrites en rouge. La variable poids, idenq, idsup et m2 sont numériques donc écrites en noir. La variable m3 est numérique également, mais elle est "labellisée". C'est à dire qu'on a affecté un label qui fait correspondre "homme" à la valeur 1 et "femme" à la valeur 2. Pour affecter un label à une variable, on utilise la commande : . label variable m3 genre Ainsi, on saura que m3 contient le genre de l'individu. On peut également affecter un label à chacune des modalité d'une variable, toujours afin de rendre plus compréhensible la lecture de la base de données ou les résultats. . label define labgenre 1 "homme" 2 "femme" . label values m3 labgenre ado (déjà vu) hlp : Fichier d'aide (avec les fichiers ado). Ils sont appelés en tapant la commande help : help mean qui fait ouvrir un fichier expliquant comment calculer la moyenne d'une variable. do : programme créé par l'utilisateur. Il permet de sauver les commandes effectuées et de relancer son programme plus tard ou sur un autre ordinateur. Si je veux calculer le taux de pauvreté du Mali, cela nécessite beaucoup de commandes. Ce n'est pas pratique de les taper une par une dans la fenêtre Command. Donc on les écrit dans un fichier do. En sauvegardant ce fichier do, il sera possible de le relancer et d'obtenir de nouveau les mêmes résultats. .log : Journal Fichier pouvant s'ouvrir en dehors de Stata avec le bloc note, il permet de sauvegarder tout ce qui a été fait, les commandes et les résultats. 3 Aude Vescovo, IRD AFRISTAT ! Cours I. Prise en main du logiciel " La mémoire : La mémoire allouée par défaut à la base de données peut parfois être insuffisante lorsque la base contient beaucoup d'observations. Supposons que l'utilisateur veuille dupliquer toutes les observations de la base de données qu'il utilise (command expand), mais que la base devienne alors trop volumineuse. Un message d'erreur apparaît alors. Par exemple, dans l'exemple ci dessous, la première ligne demandeà Stata d'ouvrir la base de donnée table.dta. Puis la deuxième ligne (expand 2) demande à Stata de dupliquer toutes les observations. Si la mémoire allouée est insuffisante, un message d'erreur d'affiche, en rouge : . use table.dta . expand 2 no room to add more observations Il est alors nécessaire d'augmenter la mémoire disponible par la commande set memory : set memory 100m Ici, une mémoire de 100 Mo est allouée. Création d'un répertoire de travail L'utilisation de Stata nécessite une base de données et un fichier do. Nous verrons par la suite qu'il est possible de créer des fichiers de résultats (log, résultats de régressions, graphiques). Afin de ne pas disperser ses fichiers et de ne pas devoir indiquer le chemin des fichiers à chaque fois, il est utile de créer un répertoire de travail en début de son fichier do. cd "C:\Formation Stata\Espace de travail" Ainsi, par la suite, si l'on souhaite sauvegarder sa base de données, on tapera seulement save table.dta au lieu de save "C:\Formation Stata\Espace de travail\table.dta" Création d'un fichier log, journal des commandes effectuées et des résultats Afin de garder une trace de toutes les commandes effectuées et des résultats il est conseillé d'ouvrir un fichier log en début de travail log using trace.log ou, si on n'a pas créé de répertoire de travail : log using "C:\Formation Stata\Espace de travail\trace.log" Il se ferme en tapant la commande log close Ouvrir une base de données use table.dta [, clear] Il faut parfois rajouter l'option clear afin d'effacer le fichier de données déjà utilisé par le logiciel. Par précaution, on peut l'écrire tout le temps. Sauvegarder sa base de données : save table.dta [,replace] 4 Aude Vescovo, IRD AFRISTAT Cours I. Prise en main du logiciel Il est également possible de créer "manuellement" une base de données à l'aide de la commande edit qui ouvre une base de données vide de laquelle on remplit les cases. C'est rare d'avoir à le faire. Pour observer la base de données, il suffit de taper la commande browse ou de cliquer sur l'onglet correspondant dans la barre des tâches du logiciel. Inscrire des commentaires dans son fichier do Il est très utile de commenter son programme, afin qu'il soit compréhensible à un autre utilisateur et à soi même si on s'en sert quelques temps après. Pour écrire un commentaire sans que Stata pense qu'il s'agit d'une commande, on utilise l'astérisque ou /*commentaire*/ *j'ouvre la base de données use table.dta ou /*j'ouvre la base de données*/ use table.dta ou encore use table.dta /*j'ouvre la base de données*/ /*commentaire*/ peut également aider à rendre son programme plus lisible. En effet, dans les fichiers do, on peut écrire "sans fin" sur une ligne, pas comme dans Word. Alors, à l'écran on ne voit pas l'ensemble de sa commande. Si on va à la ligne sans précaution, Stata interprètera les deux lignes comme deux commandes distinctes : use "C:\Formation Stata\Documents de travail\base de donnees de la formation\bases individuelles\donnees sociodemo\base1.dta" Stata va essayer de lire la ligne individuelles\donnees sociodemo\base1.dta" comme une commande, alors qu'elle n'est que la suite de la commande use. Pour éviter cela, on écrit : use "C:\Formation Stata\Documents de travail\base de donnees /* */de la formation\bases individuelles\donnees sociodemo\base1.dta" Exécuter le fichier do : f Pour exécuter seulement la sélection, on clique sur do. Pour tout exécuter, on ne sélectionne aucune ligne en particulier et on clique sur do. Cliquer sur run exécute également le fichier, mais "silencieusement". C'est à dire qu'il n'affiche rien dans la fenêtre Results, et de ce fait rien dans le fichier log. Pourtant il exécute les commandes. De même que pour do, on peut ne sélectionner que certaines lignes. 5 Aude Vescovo, IRD AFRISTAT Cours II. Pricipes de syntaxe dans Stata # " $ Pour trouver une commande lorsqu'on ne connaît pas son nom, il suffit de taper la commande search suivie d'un ou plusieurs mots clés. Supposons que l'on souhaite trouver une commande permettant de calculer des statistiques descriptives de base d'une variable : search univariate summary statistics Stata retourne la liste de fichiers d'aide des commandes correspondantes ainsi que des liens hypertextes pointant sur le site web de Stata. Dans l'exemple ci dessus il retourne deux commandes dont summarize qui correspond à ce qu'on souhaite. Pour trouver ensuite des détails sur la façon d'utiliser la commande summarize, on tape help summarize Chaque commande possède un fichier help, en anglais, assez détaillé. Les commandes search et help sont très utilisées car il est impossible de connaître toutes les commandes de Stata. %$ & ' ! # La syntaxe est commune à toutes les commandes. La majorité des commandes s'écrive en respectant la syntaxe de base suivante : command [varlist] [if exp] [,options] [varlist] : Il s'agit de la liste de variables à utiliser. Par exemple, si on veut calculer l'age moyen, puis l'âge moyen et le nombre moyen d'années d'études des individus de notre base de données (commande summarize) : . summarize age Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------age | 12749 21.69896 17.27642 0 98 . summarize age etudes Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------age | 12749 21.69896 17.27642 0 98 etudes | 12749 3.350145 4.450341 0 22 Pour certaines commandes, si on ne spécifie pas varlist, par défaut Stata applique la commande à toutes les variables _all. C'est le cas entre autres pour summarize. 6 Aude Vescovo, IRD AFRISTAT Cours II. Pricipes de syntaxe dans Stata [if exp] : Supposons qu'on souhaite calculer ces mêmes statistiques descriptives sur les individus vivant dans la commune III de Bamako. On utilise alors if pour indiquer à Stata que la commande ne doit être effectuée que sur les observations vérifiant cette condition d'appartenance à la commune III : . summarize age etudes if commune==3 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------age | 1924 24.12058 17.8297 0 95 etudes | 1924 4.954782 4.798545 0 20 Si on veut exécuter la commande seulement sur les femmes de la commune III : . summarize age etudes if commune==3 & femme==1 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------age | 923 23.66197 17.39158 0 94 etudes | 923 4.211268 4.353397 0 20 Certains opérateurs sont utilse pour écrire les conditions : Tableau récapitulatif des opérateurs dans Stata : Op. arithmétiques Op. logique + addition Op. de condition ~ not > supérieur à soustraction ! not < inférieur à * multiplication | or >= supérieur à / division & and <= inférieur à ^ puissance == égal à ~= différent de + concaténation != différent de ( ) * $& & $& ++ + [,options] : Quasiment toutes les commandes proposent des options. Celles ci sont indiquées après une virgule. Par exemple, la commande summarize possède l'option detail qui permet d'obtenir plus de statistiques descriptives (par exemple certains quantiles). Pour connaître toutes les options possibles d'une commande, il faut regarder le fichier d'aide (commande help) . summarize age, detail age ------------------------------------------------------------Percentiles Smallest 1% 0 0 5% 1 0 10% 3 0 Obs 12749 25% 8 0 Sum of Wgt. 12749 50% 75% 90% 95% 99% 17 32 46 55 71 Largest 96 97 97 98 Mean Std. Dev. 21.69896 17.27642 Variance Skewness Kurtosis 298.4748 .9544977 3.52789 7 Aude Vescovo, IRD AFRISTAT ( && Cours II. Pricipes de syntaxe dans Stata # ) " , , &" Nous avons vu plus haut qu'il existe des variables numériques, contenant des entiers ou des réels, et des variables alphanumériques (string) contenant des chaînes de caractères. Si on manipule une variable alphanumérique, on utilise des guillemets : . generate varnum=10 . generate varalpha="dix" . generate varalpha2="10" && , & " , " & , $ " ! & - Il n'est pas nécessaire de taper le nom d'une commande en entier pour que Stata la reconnaisse. Par exemple, si j'utilise la commande generate, je peux écrire . generate CDM=1 if m5==1 . gen CDM=1 if m5==1 ou ou même . gener CDM=1 if m5==1 . g CDM=1 if m5==1 ou On ne peut pas réduire toutes les commandes à une lettre ni même à deux. En effet certaines abréviations peuvent prêter à confusion. Par exemple, je peux abréger : . summarize age en . su age mais pas . s age Car Stata ne peut pas s'avoir s'il s'agit de summarize ou de sort age par exemple. Dans le reste du cours, nous écrivons les commandes en entier, mais en TD, vous pouvez les abréger. Il en est de même pour les noms des variables . summarize etudes en . su etud mais pas . su e car il y a une confusion possible entre etudes et une variable nommée e1 par exemple. Supposons qu'on veuille lancer une commande sur les variables revenu_travail1 revenu_travail2 et revenu_hors_travail. . summarize revenu_travail1 revenu_travail2 revenu_hors_travail On peut taper de façon plus concise : . summarize revenu* Stata exécutera la commande sur toutes les variables dont le nom commence par revenu. 8 Aude Vescovo, IRD AFRISTAT Cours III. Décrire les données .& , / & ) La commande browse ouvre la base de données, mais ne permet pas de la modifier "à la main" , ) La commande describe permet de décrire les données de façon très générale : pour chaque variable, elle retourne le format dans lequel la variable est stockée (double, float, int) le format dans lequel la variable s'affiche (%9.0g, %9s, …) le nom du label des modalités de la variable et le label de la variable. Si on n'indique pas les variables à décrire, Stata décrit toute la base de données, en fournissant également le nombre d'observations, de variables, la taille de la base de données et la date. L'option short permet de n'obtenir que la description de la base. . describe age m3 storage display value variable name type format label variable label ------------------------------------------------------------------------------age float %9.0g age m3 float %9.0g labgenre genre . describe Contains data from table.dta obs: 12,749 vars: 189 3 Apr 2008 13:42 size: 9,523,503 (90.9% of memory free) ------------------------------------------------------------------------------storage display value variable name type format label variable label ------------------------------------------------------------------------------strate str2 %9s ZD str3 %9s menage str3 %3s ménage ) La commande list permet d'afficher la base de données ou un extrait de cette base dans la fenêtre de résultats. Attention, si on oublie de préciser quelles variables (en tapant seulement list) on veut voir et quelles observations, toutes la base de données s'affiche dans la fenêtre Results ! . list age etudes m3 in 1/5 +----------------------+ | age etudes m3 | |----------------------| 1. | 39 16 homme | 2. | 4 0 homme | 3. | 11 3 homme | 4. | 6 0 femme | 5. | 25 10 femme | +----------------------+ %$ , ' & " , - " " '" 0 1 9 Aude Vescovo, IRD AFRISTAT , Cours III. Décrire les données 2) La commande codebook permet de créer un dictionnaire des variables indiquant le nom de la variable, son label, son format de stockage, l'intervalle de ses valeurs, ses valeurs uniques, sa moyenne et son écart type (variable continue), la fréquence des modalités (variable discrète), le nombre de valeurs manquantes, des quantiles, le label de ses modalités. L'option mv fournit des informations sur les valeurs manquantes. . codebook strate age sitac ----------------------------------------------------------------------------------strate strate ----------------------------------------------------------------------------------type: string (str2) unique values: 6 missing "": 0/12749 tabulation: Freq. Value 2271 "01" 2115 "02" 1924 "03" 2291 "04" 1992 "05" 2156 "06" ----------------------------------------------------------------------------------age age ----------------------------------------------------------------------------------type: numeric (float) range: unique values: mean: std. dev: [0,98] 95 units: missing .: 1 0/12749 21.699 17.2764 percentiles: 10% 25% 50% 75% 90% 3 8 17 32 46 ----------------------------------------------------------------------------------sitac situation dans activité ----------------------------------------------------------------------------------type: numeric (float) label: lsitac range: unique values: [1,5] 5 units: missing .: 1 0/12749 tabulation: Freq. Numeric Label 4354 1 actif occupe 304 2 chomeur BIT 277 3 chomeur decourage 3937 4 inactif 3877 5 moins de 10 ans . codebook ap13a1 if sitac==1,mv ----------------------------------------------------------------------------------ap13a1 salaire mensuel ----------------------------------------------------------------------------------type: numeric (float) range: unique values: [0,5000] 155 mean: std. dev: 49.2143 191.828 percentiles: missing values: 10% 2 units: missing .: 25% 7 50% 20 1 1774/4354 75% 50 90% 90 h3==mv --> ap13a1==mv ap2==mv --> ap13a1==mv 10 Aude Vescovo, IRD AFRISTAT Cours III. Décrire les données ) Si le résultat d'une commande est trop long, par exemple describe sans préciser les variables à décrire, l'édition des résultats se bloque. Il faut alors cliquer sur more (ou taper Entrée) pour relancer l'édition des résultats. Pour que Stata ne bloque pas l'édition des résultats, on peut désactiver cette option avec la commande : set more off Pour réactiver cette option : set more on %$ , ' " ' " , ' 11 Aude Vescovo, IRD AFRISTAT Cours IV. Créer des variables 3 & " , ) La commande principale pour créer une variable est la commande generate. Sa syntaxe possède une partie supplémentaire : command [varlist] [=exp] [if exp] [,options] C'est dans [=exp] qu'on indique comment construire la variable, par exemple : . generate var3=var1+var2 . generate var4=5*var1 . generate logvar=log(var) /*addition*/ /*multiplication*/ /*logarithme*/ . generate CDM=1 if m5==1 . generate nonCDM=0 if CDM~=1 /*== : test d'égalité*/ /*~= : test de différence*/ . generate CDMfemme=1 if femme==1 & CDM==1 . generate CDM_conjoint=1 if CDM==1 | m5==2 /* & : et*/ /* | : ou*/ ) La commande replace sert à remplacer la valeur d'une variable déjà existante generate moins10ans=1 if age<10 replace moins10ans=0 if age>=10 La fonction cond(x,a,b) Une fonction est très utile pour créer des variables en tapant moins de ligne de commande, la fonction cond. La création de la variable moins10ans ci dessus s'écrit en une ligne : generate moins10ans=1 if age<10 replace moins10ans=0 if age>=10 équivaut à generate moins10ans=cond(age<10,1,0) retourne a si la condition x est vérifier, b si elle ne l'est pas. Ici, elle retourne 1 si l'age de l'individu est strictement inférieur à 10, et 0 si cette condition d'age n'est pas vérifiée. cond(x,a,b) Beaucoup d'autres fonctions existent dans Stata (exponentielle, tirage de nombres aléatoire, extraction de caractères,…). Pour en avoir la liste exhaustive, tapez help functions. Pour avoir la liste des plus utilisées, voir en annexe. ) La commande rename sert à renommer une variable. rename m3 genre 12 Aude Vescovo, IRD AFRISTAT Cours IV. Créer des variables ) La commande recode sert à recode les modalités d'une variable : recode var1 (règle1) (règle2) …, gen ( ) Ces règles peuvent prendre plusieurs formes : règle action 3=1 3 recodé en 1 2.=9 2 et . recodé en 9 1/5 = 4 toute valeur de 1 à 5 recodée en 4 nonmiss = 8 toute valeur non manquante recodée en 8 miss = 9 toute valeur manquante recodée en 9 L'option gen permet de créer une nouvelle variable contenant le nouveau découpage des modalités. Sans spécifier cette option, var1 est remplacée par la variable nouvellement codée. . list +------+ | var1 | |------| 1. | 1 | 2. | 2 | 3. | 3 | 4. | 4 | 5. | 5 | |------| 6. | 6 | 7. | 7 | 8. | . | +------+ . recode var1 (1 2 = 1) (3/7 = 2) (miss = 9), gen (newvar1) (7 differences between var1 and newvar1) . list +----------------+ | var1 newvar1 | |----------------| 1. | 1 1 | 2. | 2 1 | 3. | 3 2 | 4. | 4 2 | 5. | 5 2 | |----------------| 6. | 6 2 | 7. | 7 2 | 8. | . 9 | +----------------+ La commande encode permet de convertir une variable alphanumérique en une variable numérique discrète, dont les modalités sont "labellisées" avec les chaînes de caractères de la variable initiale. Ici, var1 est initialement une variable alphanumérique prenant les valeurs "absent", "présent" et "visiteur" : 13 Aude Vescovo, IRD AFRISTAT Cours IV. Créer des variables . list +----------+ | var1 | |----------| 1. | absent | 2. | present | 3. | visiteur | +----------+ . encode var1, gen(newvar1) . list +---------------------+ | var1 newvar1 | |---------------------| 1. | absent absent | 2. | present present | 3. | visiteur visiteur | +---------------------+ . describe var1 newvar1 storage display value variable name type format label variable label ------------------------------------------------------------------------------var1 str8 %9s newvar1 long %8.0g newvar1 La commande decode fait l'opération inverse. ) La commande drop sert à supprimer : des variables : drop age des observations : drop if age<10 2 ) La commande keep permet de préciser les variables ou observations que l'on veut conserver, au lieu de celles que l'on veut supprimer : keep etudes genre age keep if age>=10 ) La commande order sert à ordonner les variables de la base : order strate ZD menage age genre etudes revenu ) La commande destring transforme une variable alphanumérique en variable numérique destring strate, gen (str) tostring : Transforme une variable numérique en variable alphanumérique tostring str, gen (strate) 14 Aude Vescovo, IRD AFRISTAT Cours IV. Créer des variables " - ) La façon de Stata de traiter les valeurs manquantes (missing values) peut être différente de celle des autres logiciels de statistique. Il faut y prêter attention lorsqu'on écrit des conditions et lorsqu'on calcule des statistiques. Par défaut, les valeurs manquantes s'écrivent à l'aide d'un point pour les variables numériques (sysmiss pour system mossing value). Pour les variables alphabétiques, les valeurs manquantes s'écrivent "". Pour les variables numériques toute valeur non manquante (nmv pour non missing value) est considérée inférieure à . Vérification d'une condition Par exemple, si je construis la variable generate moins10ans=1 if age<10 replace moins10ans=0 if age>=10 Si l'age d'un individu n'est pas renseigné (age=.), son âge sera considéré comme supérieur à 10 et la variable moins10ans prendra la valeur0, bien qu'on ignore complètement son âge. Pour éviter cela : generate moins10ans=1 if age<10 & age~=. replace moins10ans=0 if age>=10 & age~=. ou generate moins10ans=1 if age<10 & age< . replace moins10ans=0 if age>=10 & age< . ou encore generate moins10ans=1 if age<10 replace moins10ans=0 if age>=10 replace moins10ans=. if age==. Valeurs manquantes en argument de fonction : . + nmv = . . - nmv = . . * nmv = . max(1,5,.)=5 max(.,.,.)=. Certaines fonctions de Stata interprètent . d'une manière spécifique. Par exemple, la fonction inrange. inrange(x,a,b) retourne la valeur 1 si x appartient à l'intervalle [a,b]. Si a est manquante, elle teste l'appartenance de x à l'intervalle [ ∞,b] Si b est manquante, elle teste l'appartenance de x à l'intervalle [a,+∞] Les autres fonctions de Stata retourne la valeur . si un ou plusieurs de leurs arguments sont manquants ou invalide. 4 ' 5 " , - " & ' 6& 15 Aude Vescovo, IRD AFRISTAT Cours IV. Créer des variables , Supposons qu'on veuille effectuer la même manipulation des variables v1, v2, …, v10, par exemple remplacer la valeur 9 par une valeur manquante replace v1=. if v1==9 replace v2=. if v2==9 … replace v10=. if v10==9 Cela peut allonger le programme et être source d'erreurs. On peut alors créer une boucle : forvalues num=1/10 { replace v`num'=. if v`num'==9 } Si les variables qu'on veut modifier sont v5 v10 v15 v20, …, v100. forvalues num=5 10 to 100 { replace v`num'=. if v`num'==9 } Si les variables n'ont pas un nom contenant un chiffre sur lequel effectuer la boucle : foreach statut in actifocc chomeur inactif moins10ans { summarize `statut' } Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------actifocc | 12749 .341517 .474237 0 1 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------chomeur | 12749 .0455722 .2085636 0 1 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------inactif | 12749 .3088085 .4620201 0 1 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------moins10ans | 12749 .3041023 .4600442 0 1 %$ , ' ( #- 7 8 9 16 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données 3 , & Nous avons vu précédemment que les variables sont en colonne et les observations en ligne. Supposons que nos observations correspondent aux individus des ménages échantillonnés. C'est le cas dans nos exercices et c'est le cas dans la plupart des enquêtes, pour lesquelles on tire un échantillon de ménages puis on interroge chaque membre des ménages tirés. & - Il faut toujours, avant de travailler sur une base de données, identifier les observations, ici les individus, par un identifiant unique. Méthode naïve : on crée un identifiant (ident1) dont la valeur est égale au numéro de la ligne. strate ZD menage individu age ident1 05 007 146 05 9 1 02 039 204 05 5 2 02 045 214 01 32 3 02 070 094 04 0 4 02 077 138 01 38 5 02 051 039 08 6 6 06 003 058 01 26 7 01 106 057 03 2 8 01 209 012 01 50 9 04 007 162 02 22 10 Cet identifiant est bien unique pour chaque individu (on a pas deux individus tels que ident1=3). En revanche il n'a aucun sens. Supposons que je dispose d'une autre base de données avec les mêmes individus et d'autres variables. Je construis un identifiant selon la même méthode naïve. strate ZD menage individu etudes ident2 02 039 204 05 0 1 06 003 058 01 15 2 05 007 146 05 2 3 02 077 138 01 5 4 02 070 094 04 0 5 04 007 162 02 0 6 02 045 214 01 0 7 02 051 039 08 2 8 01 209 012 01 0 9 01 106 057 03 0 10 Alors il m'est impossible, à l'aide de ces identifiant seulement, de dire quel âge correspond à quel niveau d'études, puisque l'individu 1 de la 1ère base de donnée n'est pas le même que l'indivdu 1 de la 2ème base de donnée. 17 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données En revanche, on remarque tout de suite, qu'il est possible de dire quel âge correspond à quel niveau d'études en regardant les variables strate ZD menage et individu. C'est donc à partir de ces variables qu'on va construire un identifiant efficace. D'une part il a un sens, d'autre part, il est unique, enfin ces variables se trouvent dans toutes les enquêtes auprès des ménages. strate est le numéro de la strate (dans notre base de données, la commune de Bamako). ZD est la zone de dénombrement du recensement. menage est le numéro du ménage échantillonné au sein de la ZD, et individu le numéro de l'individu au sein du ménage. Il est possible qu'on ait échantillonné le ménage 058 de la ZD 003 et le ménage 058 de la ZD 023. Aussi, le numéro du ménage ne suffit pas à identifier de façon unique un ménage, donc encore moins un individu. La seule façon d'être sûr de l'unicité de l'identifiant est donc d'utiliser ces 4 variables. Ici, on a concaténé les variables strate, ZD, menage et individu en tapant la commande : generate ident3=strate+ZD+menage+individu strate ZD menage individu etudes ident3 02 039 204 05 0 0203920405 06 003 058 01 15 0600305801 05 007 146 05 2 0500714605 02 077 138 01 5 0207713801 02 070 094 04 0 0207009404 04 007 162 02 0 0400716202 02 045 214 01 0 0204521401 02 051 039 08 2 0205103908 01 209 012 01 0 0120901201 01 106 057 03 0 0110605703 strate ZD menage individu age ident3 05 007 146 05 9 0500714605 02 039 204 05 5 0203920405 02 045 214 01 32 0204521401 02 070 094 04 0 0207009404 02 077 138 01 38 0207713801 02 051 039 08 6 0205103908 06 003 058 01 26 0600305801 01 106 057 03 2 0110605703 01 209 012 01 50 0120901201 04 007 162 02 22 0400716202 Il est alors possible, à l'aide de cet identifiant ident3 uniquement, de dire quel âge correspond à quel niveau d'études. En effet l'individu 0500714605 a 9 ans . Ce même individu a déjà fait 2 ans d'années d'études avec succès. & ' 5 , " * - - & 18 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données Trier la base de données Supposons qu'on ait construit notre identifiant de l'individu strate ZD menage individu idind genre age statut 03 037 097 04 0303709704 femme 24 Autres parents 03 005 070 03 0300507003 homme 26 enfant du CDM 03 073 256 04 0307325604 femme 10 enfant du CDM 03 039 105 09 0303910509 femme 12 enfant du CDM 05 007 118 02 0500711802 femme 18 Conjoint CDM 02 074 009 01 0207400901 homme 65 CDM 05 157 238 03 0515723803 homme 4 enfant du CDM 03 062 151 01 0306215101 homme 33 CDM 06 080 495 09 0608049509 femme 0 enfant du CDM 01 039 033 01 0103903301 homme 35 CDM Dans la base, on a plusieurs individus pour chaque ménage. Mais si la base n'est pas triée, les individus d'un même ménage ne sont pas à la suite les uns des autres. Il est donc utile de la trier par ménage. ) La commande sort sert à trier la base de données. sort idind Alors les individus d'un même ménage se trouve les uns à la suite des autres : strate ZD menage individu segment idmen idind m3 m4 m5 01 009 007 01 01009 01009007 0100900701 homme 39 CDM 01 01 01 01 01 01 01 01 01 01 009 009 009 009 009 009 009 009 009 009 016 016 016 016 016 016 016 016 016 016 01 02 03 04 05 06 07 08 09 10 01009 01009 01009 01009 01009 01009 01009 01009 01009 01009 01009016 01009016 01009016 01009016 01009016 01009016 01009016 01009016 01009016 01009016 0100901601 0100901602 0100901603 0100901604 0100901605 0100901606 0100901607 0100901608 0100901609 0100901610 homme femme homme femme femme femme homme femme femme homme 49 45 20 30 14 6 11 25 5 4 Conjoint enfant du Conjoint enfant du enfant du enfant du Conjoint enfant du enfant du 01 01 01 009 009 009 025 025 025 01 02 03 01009 01009 01009 01009025 01009025 01009025 0100902501 0100902502 0100902503 homme femme homme 28 23 2 CDM Conjoint CDM enfant du CDM CDM CDM CDM CDM CDM CDM CDM CDM CDM CDM De plus, comme on a trié par l'identifiant de l'individu et non celui du ménage, les membres d'un même ménage sont rangés par ordre. Souvent, le numéro 1 au chef de ménage, puis les numéro suivants à son (sa ou ses) conjoint(e)(s). C'est le cas ici. Compte tenu de la façon dont nous avons construit notre identifiant, sort segment sort idmen sort idind sort strate ZD sort strate ZD menage sort segment menage sort strate ZD menage individu sort segment menage individu sort idmen individu 19 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données Trier sa base de données n'a pas seulement une utilité visuelle. Une de ses premières fonction est de permettre de calculer des statistiques sur des sous échantillons définis par les modalités d'une variable. Par exemple, supposons qu'on souhaite calculer ces statistiques descriptives selon le genre. On utilise alors le préfixe by, qui peut s'appliquer à la grande majorité des commandes de statistiques : [by varlist] : command [varlist] [=exp] [if exp] [,options] Pour pouvoir utiliser by, il faut au préalable trier la base de données selon la variable de genre. . sort femme . by femme : summarize age etudes --------------------------------------------------------------------------------> femme = 0 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------age | 6380 22.48652 18.11568 0 97 etudes | 6380 3.966458 4.855989 0 22 --------------------------------------------------------------------------------> femme = 1 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------age | 6369 20.91003 16.35614 0 98 etudes | 6369 2.732768 3.907078 0 20 Le tri permet également de créer des variables constantes pour certains groupes d'observations. Si on dispose du revenu individuel de chaque individu et qu'on souhaite calculer le revenu total du ménage. Cette nouvelle variable doit avoir la même valeur pour tous les membres d'un même ménage. ) La commande egen, extension de generate, permet de créer ces variables : . sort idmen . egen revmen=total(revind), by(idmen) . list idmen idind revind revmen in 1/18 +-----------------------------------------+ | idmen idind revind revmen | |-----------------------------------------| 1. | 01009025 2. | 01009025 3. | 01009025 0100902501 0100902502 0100902503 120 132 0 252 | 252 | 252 | 4. | 01009034 0100903401 1584 2844 | 5. | 01009034 0100903402 1200 2844 | |-----------------------------------------| 6. | 01009034 0100903403 0 2844 | 7. | 01009034 0100903404 0 2844 | 8. | 01009034 0100903405 60 2844 | 9. | 01009052 10. | 01009052 11. 12. 13. 14. 15. 0100905201 0100905202 132 0 132 | 132 | |-----------------------------------------| | 01009061 0100906101 528 660 | | 01009061 0100906102 132 660 | | 01009061 0100906103 0 660 | | 01009061 0100906104 0 660 | | 01009061 0100906105 0 660 | Il existe beaucoup d'autres fonctions que total( ), par exemple mean( ), max( ), min( ). Pour en avoir la liste complète, consultez le fichier d'aide de la commande egen (help egen). 20 Aude Vescovo, IRD AFRISTAT : , Cours V. Structure des bases de données & ) La commande append permet de fusionner "horizontalement" deux bases de données en ajoutant les observations de l'une à l'autre. Supposons que j'ai une base de données avec les ménages de la commune I de Bamako et une autre base de données contenant les ménages de la commune II. Je veux les assembler pour ne travailler que sur une base de données. Alors j'utilise la commande append : use table_CommI.dta append using table_CommII.dta table_CommI.dta : commune strate ZD idmen idind m3 1 01 009 01009025 0100902501 homme 1 01 009 01009025 0100902502 femme 1 01 009 01009025 0100902503 homme 1 01 009 01009034 0100903401 homme 1 01 009 01009034 0100903402 femme idmen m3 table_CommII.dta : commune strate ZD idind 2 02 003 02003011 0200301101 homme 2 02 003 02003011 0200301102 femme 2 02 003 02003011 0200301103 homme 2 02 003 02003020 0200302001 homme 2 02 003 02003020 0200302002 femme idmen Résultat de la commande append : commune strate ZD idind 1 01 009 01009025 0100902501 m3 homme 1 01 009 01009025 0100902502 femme 1 01 009 01009025 0100902503 homme 1 01 009 01009034 0100903401 homme 1 01 009 01009034 0100903402 2 02 003 02003011 0200301101 femme homme 2 02 003 02003011 0200301102 femme 2 02 003 02003011 0200301103 homme 2 02 003 02003020 0200302001 homme 2 02 003 02003020 0200302002 femme table_CommI table_CommII La command append ne nécessite pas de trier les observations. Si une variable n'existe que dans une des deux tables, par exemple dans la base table_CommI, elle figurera dans la base finale, avec des valeurs manquantes pour les observations de la commune II. 21 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données ) La commande merge permet de fusionner "verticalement" deux bases de données contenant des individus en commun et des variables différentes. Supposons que je dispose des données socio démographiques des individus dans une base de données, et des variables relatives à l'emploi dans une autre base de données. Je veux les assembler en étant sure d'affecter les bonnes valeurs des variables d'emploi aux bons individus. Alors j'utilise la commande merge : use sociodemo.dta, clear sort idind save sociodemo.dta, replace use emploi.dta, clear sort idind merge idind using sociodemo.dta Il est nécessaire de créer le même identifiant dans les deux bases et de trier les bases selon cet identifiant. sociodemo.dta : idmen 01009025 01009025 01009025 01009034 01009034 idind 0100902501 0100902502 0100902503 0100903401 0100903402 m3 homme femme homme homme femme emploi.dta : idmen 01009025 01009025 01009025 01009034 01009034 idind 0100902501 0100902502 0100902503 0100903401 0100903402 sitac actif occupé actif occupé moins de 10 ans actif occupé actif occupé Résultat de la commande merge : idmen 01009025 01009025 01009025 01009034 01009034 idind 0100902501 0100902502 0100902503 0100903401 0100903402 m3 homme femme homme homme femme sitac actif occupé actif occupé moins de 10 ans actif occupé actif occupé _merge 3 3 3 3 3 La commande merge crée automatiquement une variable nommée _merge qui vaut : 1 si l'observation ne se trouvait que dans la base de données "maître" (master data), ici emploi.dta 2 si l'observation ne se trouvait que dans la base de données "à utiliser" (using data) 3 si l'observation se trouvait dans les deux bases de données Aussi, pour s'assurer de la qualité de la fusion, il est nécessaire de regarder la distribution de la variable _m. Ici : tabulate _merge _merge | Freq. Percent Cum. ------------+----------------------------------3 | 5 100.00 100.00 ------------+----------------------------------Total | 5 100.00 Ici les 5 observations se trouvaient dans les deux bases de données. Une fois la qualité de la fusion vérifier, on peut supprimer la variable _merge : drop _merge 22 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données Autre exemple : sociodemo.dta : idmen idind m3 01009025 0100902502 femme 01009025 0100902503 homme 01009034 0100903401 homme 01009034 0100903402 femme emploi.dta : idmen idind sitac 01009025 0100902501 actif occupé 01009025 0100902502 actif occupé 01009034 0100903401 actif occupé 01009034 0100903402 actif occupé Résultat de la commande merge : idmen idind m3 _merge sitac 01009025 0100902501 . actif occupé 2 01009025 0100902502 femme actif occupé 3 01009025 0100902503 homme . 1 01009034 0100903401 homme actif occupé 3 01009034 0100903402 femme actif occupé 3 On vérifie la qualité de la fusion : tabulate _merge _merge | Freq. Percent Cum. ------------+----------------------------------1 | 1 20.00 100.00 2 | 1 20.00 100.00 3 | 3 60.00 100.00 ------------+----------------------------------Total | 5 100.00 _merge prend la valeur 1 pour l'individu "0100902503". En effet, il est bien dans la base "maîtresse", sociodemo.dta, mais pas dans la base utilisée, emploi.dta. On ignore donc sa variable de statut vis à vis de l'activité dont la valeur est manquante dansla base finale. De la même façon, _merge prend la valeur 2 pour l'individu "0100902501". En effet, il est bien dans la base utilisée, emploi.dta, mais pas dans la base "maîtresse", sociodemo.dta. On ignore donc sa variable de genre, dont la valeur est manquante dansla base finale. 3& - & '! " , ; 23 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données ) (< =4 (3= 4= (< >% La commande collapse remplace la base de données utilisée par une table de statistiques descriptives. Supposons que la base de données contienne le revenu de chaque membre des ménages. Si je veux créer une base ne contenant qu'une seule ligne par ménage avec comme variable le revenu total du ménage : . list idmen idind revind +--------------------------------+ | idmen idind revind | |--------------------------------| 1. | 01009025 0100902502 132 | 2. | 01009025 0100902503 0 | 3. | 01009025 0100902501 120 | 4. | 01009034 0100903401 1584 | 5. | 01009034 0100903402 1200 | |--------------------------------| 6. | 01009034 0100903403 60 | 7. | 01009034 0100903404 0 | 8. | 01009043 0100904302 132 | 9. | 01009043 0100904301 0 | 10. | 01009043 0100904304 0 | |--------------------------------| 11. | 01009043 0100904303 396 | +--------------------------------+ . sort idmen . collapse (sum) revind, by(idmen) . list +-------------------+ | idmen revind | |-------------------| 1. | 01009025 252 | 2. | 01009034 2844 | 3. | 01009043 528 | +-------------------+ Cette commande remplaçe la base de données initiale par une base de données contenant des statistiques descriptives (ici le total du revenu). Il convient donc de vérifier qu'on a bien enregistré sa base de données avant d'utiliser collapse. Par prudence, on lui préfère egen, qui calculera aussi le revenu total du ménage, mais en conservant toutes les observations individuelles (voir egen, dans le même chapitre) : ( ) - $ &, * && , ! expand La commande expand permet de dupliquer les observations : . list +------------------+ | idind age | |------------------| 1. | 0100900701 39 | 2. | 0100901603 20 | +------------------+ . expand 3 (4 observations created) . list +------------------+ | idind age | |------------------| 1. | 0100900701 39 | 2. | 0100901603 20 | 3. | 0100900701 39 | 4. | 0100900701 39 | 5. | 0100901603 20 | |------------------| 6. | 0100901603 20 | +------------------+ 24 Aude Vescovo, IRD AFRISTAT " , ? ; Cours V. Structure des bases de données ;% Une variable système est une variable crée par Stata mais qui n'est pas présente dans la base de donnée. Elles existent dès lors qu'une base de données est chargée dans Stata. Les deux variables système les plus utilisées sont _n et _N. _n contient le numéro de l'observation courante. Par exemple, lorsqu'on utilise la commande list, des numéros figurent à gauche de la première variable (en rouge ici, mais en vert dans la fenêtre Results) : . list 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. idmen idind m3 +-------------------------------+ | idmen idind m3 | |-------------------------------| | 01009025 0100902501 homme | | 01009025 0100902502 femme | | 01009025 0100902503 homme | | 01009034 0100903401 homme | | 01009034 0100903402 femme | |-------------------------------| | 01009034 0100903403 femme | | 01009034 0100903404 homme | | 01009034 0100903405 femme | | 01009052 0100905201 homme | | 01009052 0100905202 femme | +-------------------------------+ Ces numéros sont la valeur de la variable _n pour chaque observation. _n est donc la position de l'observation dans la base de données. Si je trie la base de données dans un autre ordre, l'individu "0100902501" n'aura plus la même valeur de _n : . list 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. idmen idind m3 +-------------------------------+ | idmen idind m3 | |-------------------------------| | 01009034 0100903403 femme | | 01009052 0100905201 homme | | 01009025 0100902503 homme | | 01009034 0100903405 femme | | 01009052 0100905202 femme | |-------------------------------| | 01009025 0100902502 femme | | 01009034 0100903401 homme | | 01009034 0100903402 femme | | 01009034 0100903404 homme | | 01009025 0100902501 homme | +-------------------------------+ L'individu "0100902501" a désormais comme valeur de _n le nombre 10 car il est sur la 10ème ligne de la base de données, alors qu'avant, il avait comme valeur de _n le nombre 1 car il était sur la 1ère ligne de la base de données. _n est donc le numéro de la ligne de l'individu dans la base. 25 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données La variable _n peut également compter les observations au sein d'un groupe, par exemple du ménage. . sort idmen . by idmen : list idmen idind m3 -----------------------------------------------------------------------------------> idmen = 01009025 +-------------------------------+ | idmen idind m3 | |-------------------------------| 1. | 01009025 0100902501 homme | 2. | 01009025 0100902502 femme | 3. | 01009025 0100902503 homme | +-------------------------------+ -----------------------------------------------------------------------------------> idmen = 01009034 +-------------------------------+ | idmen idind m3 | |-------------------------------| 1. | 01009034 0100903401 homme | 2. | 01009034 0100903402 femme | 3. | 01009034 0100903404 homme | 4. | 01009034 0100903405 femme | 5. | 01009034 0100903403 femme | +-------------------------------+ -----------------------------------------------------------------------------------> idmen = 01009052 +-------------------------------+ | idmen idind m3 | |-------------------------------| 1. | 01009052 0100905202 femme | 2. | 01009052 0100905201 homme | +-------------------------------+ Supposons que je ne dispose que de l'identifiant du ménage. Je veux numéroter les individus au sein des ménages sans règle particulière (une règle fréquemment utiliser est d'attribuer le numéro 1 au chef du ménage, mais pour l'exemple, on suppose que cela nous est égal). . sort idmen . by idmen : gen num_individu=_n . list idmen num_individu m3 +-----------------------------+ | idmen num_in~u m3 | |-----------------------------| 1. | 01009025 1 homme | 2. | 01009025 2 femme | 3. | 01009025 3 homme | 4. | 01009034 1 homme | 5. | 01009034 2 femme | |-----------------------------| 6. | 01009034 3 homme | 7. | 01009034 4 femme | 8. | 01009034 5 femme | 9. | 01009052 1 femme | 10. | 01009052 2 homme | +-----------------------------+ 26 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données _N contient le nombre total d'observations dans la base de données, c'est à dire le maximum de _n. Par exemple, dans la base de données ci dessus, _N=10. De la même façon que pour _n, _N peut être calculé par sous groupe, par exemple par ménage. . sort idmen . by idmen : generate taille=_N . list idmen idind taille +--------------------------------+ | idmen idind taille | |--------------------------------| 1. | 01009025 0100902501 3 | 2. | 01009025 0100902502 3 | 3. | 01009025 0100902503 3 | 4. | 01009034 0100903401 5 | 5. | 01009034 0100903402 5 | |--------------------------------| 6. | 01009034 0100903403 5 | 7. | 01009034 0100903404 5 | 8. | 01009034 0100903405 5 | 9. | 01009052 0100905201 2 | 10. | 01009052 0100905202 2 | +--------------------------------+ Un exemple courant d'utilisation de ces deux variables (_n et _N) est la recherche et la suppression de duplications dans une base de données. Il arrive souvent que des erreurs dans la saisie des données conduisent à des duplications d'observation. C'est à dire qu'un même individu figurera deux fois dans la base de données. Dans certains cas, ces duplications sont nombreuses. Aussi, lorsqu'on récupère une base de données, il convient de vérifier l'existence de duplications et le cas échéant, de les supprimer. Si deux lignes sont strictement identiques, elles auront le même identifiant de l'individu . sort idind . by idind : generate dupli = cond(_N==1,0,_n) dupli vaut 0 si si _N==1, c'est à dire si le nombre d'observations par valeur d'identifiant est égal à 1, c'est à dire si un seul individu correspond à un seul identifiant. Donc, dupli vaut 1 si l'individu n'est pas dupliqué. Si _N n'est pas égal à 1, c'est à dire s'il est supérieur à 1, cela veut dire que plusieurs observations ont le même identifiant, par exemple _N=2 observations ont le même identifiant. C'est à dire qu'un individu figure deux fois dans la base de données. Si plusieurs observations ont le même identifiant, dupli vaut _n. Exemple : . list +--------------------------+ | idind m3 age | |--------------------------| 1. | 0303512904 homme 6 | 2. | 0201501802 femme 35 | 3. | 0301709104 homme 25 | 4. | 0511720405 homme 1 | 5. | 0112302203 femme 13 | |--------------------------| 6. | 0201501802 femme 35 | 7. | 0201501802 femme 35 | 8. | 0511720405 homme 1 | +--------------------------+ 27 Aude Vescovo, IRD AFRISTAT Cours V. Structure des bases de données Si on se penche sur la base de données, on s'aperçoit que les lignes 2, 6 et 7 sont les mêmes et que les lignes 4 et 8 sont identiques également. C'est encore plus visible lorsqu'on trie la base selon idind : . sort idind . list +--------------------------+ | idind m3 age | |--------------------------| 1. | 0112302203 femme 13 | 2. | 0201501802 femme 35 | 3. | 0201501802 femme 35 | 4. | 0201501802 femme 35 | 5. | 0301709104 homme 25 | |--------------------------| 6. | 0303512904 homme 6 | 7. | 0511720405 homme 1 | 8. | 0511720405 homme 1 | +--------------------------+ On crée alors la variable dupli : . by idind : generate dupli = cond(_N==1,0,_n) . list +----------------------------------+ | idind m3 age dupli | |----------------------------------| 1. | 0112302203 femme 13 0 | 2. | 0201501802 femme 35 1 | 3. | 0201501802 femme 35 2 | 4. | 0201501802 femme 35 3 | 5. | 0301709104 homme 25 0 | |----------------------------------| 6. | 0303512904 homme 6 0 | 7. | 0511720405 homme 1 1 | 8. | 0511720405 homme 1 2 | +----------------------------------+ dupli vaut 0 lorsque l'observation est unique. dupli vaut 1 pour la première occurrence de l'identifiant "0201501802", 2 pour la deuxième occurrence et 3 pour la troisième. De même, dupli vaut 1 pour la première occurrence de l'identifiant "0511720405" et 2 pour la deuxième occurrence. Pour supprimer les duplications, il suffit alors de taper : . drop if dupli>1 (5 observations deleted) . list +----------------------------------+ | idind m3 age dupli | |----------------------------------| 1. | 0201501802 femme 35 2 | 2. | 0201501802 femme 35 3 | 3. | 0511720405 homme 1 2 | +----------------------------------+ Attention, il ne faut pas garder uniquement les observations pour lesquels dupli=0, mais bien celles pour qui dupli=0 ou dupli=1. Sinon vous supprimeriez toutes les réplications d'un individu et il disparaîtrait de la base. 28 Aude Vescovo, IRD AFRISTAT 3 , Cours VI. Commandes de bases pour des statistiques descriptives , , - " ) La commande tabulate sert à calculer les fréquences d'apparition des modalités d'une variable discrète : . tabulate m14b type | enseignement | Freq. Percent Cum. ------------+----------------------------------sans educ | 6,492 50.92 50.92 fonda 1 | 3,077 24.14 75.06 fonda 2 | 1,604 12.58 87.64 Lycée Gal | 447 3.51 91.14 Lycée TP | 660 5.18 96.32 Sup | 469 3.68 100.00 ------------+----------------------------------Total | 12,749 100.00 L'option nolabel permet d'affichier la valeur des modalités plutôt que leur label. L'option plot représente la répartition des modalités avec des lignes d'étoiles : . tabulate m14b, plot nolabel type | enseignement | Freq. -------------+------------+----------------------------------------------------0 | 6,492 |***************************************************** 1 | 3,077 |************************* 2 | 1,604 |************* 3 | 447 |**** 4 | 660 |***** 5 | 469 |**** ------------+------------+----------------------------------------------------Total | 12,749 L'option gen est très utile car elle permet de créer une variable indicatrice correspondant à chacune des modalités. Ici, on créé 6 variables nommées niveau1, niveau2,…niveau6 : . tabulate m14b, gen (niveau) 29 Aude Vescovo, IRD AFRISTAT Cours VI. Commandes de bases pour des statistiques descriptives La commande tabulate permet également de créer des tableaux croisés de variables. Ici, on croise la situation dans l'activité du chef de ménage avec le quintile de revenu du ménage. . tabulate sitac quintiles if CDM==1, row col nofreq +-------------------+ | Key | |-------------------| | row percentage | | column percentage | +-------------------+ situation | 5 quantiles of revcap activité | 1 2 3 4 5 | Total -----------+-------------------------------------------------------+---------actif | 10.17 17.36 18.90 24.44 29.13 | 100.00 occupe | 38.98 78.55 87.65 90.53 92.40 | 77.96 -----------+-------------------------------------------------------+---------chomeur | 76.81 8.70 5.80 5.80 2.90 | 100.00 BIT | 10.82 1.45 0.99 0.79 0.34 | 2.86 -----------+-------------------------------------------------------+---------chomeur | 50.00 23.33 3.33 10.00 13.33 | 100.00 decourage | 3.06 1.69 0.25 0.59 0.68 | 1.25 -----------+-------------------------------------------------------+---------inactif | 53.47 17.59 10.42 9.49 9.03 | 100.00 | 47.14 18.31 11.11 8.09 6.59 | 17.93 -----------+-------------------------------------------------------+---------Total | 20.34 17.23 16.81 21.05 24.57 | 100.00 | 100.00 100.00 100.00 100.00 100.00 | 100.00 Les options row et col indiquent qu'on souhaite voir les pourcentages en ligne et en colonne. L'option nofreq précise qu'on ne souhaite pas voir les effectifs. La commande tabulate permet également d'effectuer un test du χ2. L'option expected permet de voir les effectifs attendus, si les variables étaient indépendantes. . tabulate sitac quintiles if CDM==1, chi2 expected +--------------------+ | Key | |--------------------| | frequency | | expected frequency | +--------------------+ situation | 5 quantiles of revcap activité | 1 2 3 4 5 | Total -----------+-------------------------------------------------------+---------actif | 191 326 355 459 547 | 1,878 occupe | 382.0 323.5 315.7 395.2 461.5 | 1,878.0 -----------+-------------------------------------------------------+---------chomeur | 53 6 4 4 2 | 69 BIT | 14.0 11.9 11.6 14.5 17.0 | 69.0 -----------+-------------------------------------------------------+---------chomeur | 15 7 1 3 4 | 30 decourage | 6.1 5.2 5.0 6.3 7.4 | 30.0 -----------+-------------------------------------------------------+---------inactif | 231 76 45 41 39 | 432 | 87.9 74.4 72.6 90.9 106.2 | 432.0 -----------+-------------------------------------------------------+---------Total | 490 415 405 507 592 | 2,409 | 490.0 415.0 405.0 507.0 592.0 | 2,409.0 Pearson chi2(12) = 597.1354 Pr = 0.000 L'hypothèse nulle du test du χ2 est l'indépendance des deux variables. Ici on a moins de 1 chance sur 1000 de se tromper en rejetant H0. Donc on la rejette. Les variables sont significativement dépendantes. 30 Aude Vescovo, IRD AFRISTAT Cours VI. Commandes de bases pour des statistiques descriptives , La commande table sert à créer des tableaux de statistiques descriptives. Ici, on crée une table contenant, pour chaque croisement de la situation dans l'activité et du genre, la moyenne du revenu individuel. . table m3 sitac, contents (mean revind) -----------------------------------------------------------| situation dans activité genre | 1 2 3 4 5 ----------+------------------------------------------------homme | 362.5652 150.6192 253.1582 229.9465 191.8583 femme | 295.5595 177.4115 157.0455 240.8907 208.6397 ------------------------------------------------------------ ' La commande summarize sert à calculer des statistiques descriptives d'une variable continue (vue précédemment). La commande mean calcule la moyenne d'une variable, l'erreur type et l'intervalle de confiance de l'estimation de la moyenne. L'option over permet de faire les calculs séparément sur des groupes : . mean revind, over(m3) Mean estimation Number of obs = 12748 homme: m3 = homme femme: m3 = femme -------------------------------------------------------------Over | Mean Std. Err. [95% Conf. Interval] -------------+-----------------------------------------------revind | homme | 389.0121 21.99022 345.9079 432.1162 femme | 121.5222 8.247381 105.3561 137.6883 -------------------------------------------------------------- La commande total calcule le total d'une variable . total unite poids Total estimation Number of obs = 12749 -------------------------------------------------------------| Total Std. Err. [95% Conf. Interval] -------------+-----------------------------------------------unite | 12749 0 . . poids | 1142483 5766.12 1131181 1153786 -------------------------------------------------------------. total unite [pw=poids] Total estimation Number of obs = 12749 -------------------------------------------------------------| Total Std. Err. [95% Conf. Interval] -------------+-----------------------------------------------unite | 1142483 0 . . -------------------------------------------------------------- 31 Aude Vescovo, IRD AFRISTAT Cours VI. Commandes de bases pour des statistiques descriptives La commande ratio calcule le ratio entre deux variable . ratio actif/PAT Ratio estimation Number of obs = 12749 _ratio_1: actif/PAT -------------------------------------------------------------| Linearized | Ratio Std. Err. [95% Conf. Interval] -------------+-----------------------------------------------_ratio_1 | .5562444 .0052749 .5459048 .5665839 -------------------------------------------------------------- Cette commande donne le même résultat que . mean actif if PAT==1 On présente ici quelques commandes permettant de dessiner des graphiques. Stata dispose d'un menu graphique qui évite de programmer les commandes graphiques et leurs options. Ce menu est très pratique car les options "esthétiques" sont très nombreuses (couleurs, police,…). Par exemple, la commande histogram représente l'histogramme d'une variable (catégorielle ou continue). 0 .2 Density .4 .6 . histogram m14b if m17==2 & age>=7, discrete 0 2 type enseignement 4 6 Au prix de la commande ci dessous, très longue et incompréhensible, on peut dessiner des graphiques très travaillés. Pour de tels graphiques, il est donc préférables d'utiliser le menu. histogram m14b if age>=7 & m17==2, discrete fcolor(eltgreen) lcolor(dkgreen)/* */ ytitle(Fréquence, size(small) color(dkgreen)) ylabel(, tlcolor(dkgreen) /* */ labcolor(dkgreen) labsize(medsmall)) xtitle(Niveaux d'éducation, size(small) /* */ color(dkgreen)) xlabel( 0 "Non scolarisés" 1 "Fondamental 1" 2 "Fondamental 2"/* */ 3 "Lycée général" 4 "Lycée tech. et prof" 5 "Supérieur" , noticks labels /* */ valuelabel tlcolor(dkgreen) labcolor(dkgreen) angle(forty_five) /* */ labsize(medsmall)) title(, size(medium) color(dkgreen)) /* */ subtitle(,color(dkgreen)) by(femme, title(Education à Bamako en 2001, /* */ size(medium) color(dkgreen)) subtitle(, size(small) color(dkgreen)) /* */ note(Individus de 7 ans et plus ayant fini leur scolarité, /* */ size(vsmall)color(dkgreen)) legend(off)) 32 Aude Vescovo, IRD AFRISTAT Cours VI. Commandes de bases pour des statistiques descriptives Education à Bamako en 2001 Femmes .2 sc ol ar Fo is nd és am e Fo nt al nd 1 am en Ly ta cé l2 e Ly gé cé né e te ra ch l .e tp ro f Su pé rie ur No n No n sc ol ar Fo is nd és am e Fo nt al nd 1 am en Ly ta cé l2 e Ly gé cé né e te ra ch l .e tp ro f Su pé rie ur 0 Fréquence .4 .6 Hommes Niveaux d'éducation Individus de 7 ans et plus ayant fini leur scolarité La commande quantile représente les quantiles de la distribution d'une variable continue et ceux de la distribution uniforme. La commande qnorm représente les quantiles de la distribution et les compare à ceux de la loi normale. La commande graph box représente un box plot La commande scatterplot représente un nuage de points La commande kdensity représente la densité de Kernel de la distribution d'une variable La commande lowess lisse une distribution La commande graph twoway représente une fonction quelconque définie par (x,y) Sauver un graphique : graph save "Distribution des revenus.gph", replace 33 Aude Vescovo, IRD AFRISTAT 3 Cours VII. La précision: poids, plan de sondage et bootstrap & ) * , Il existe 4 types de poids dans Stata : / , pour frequency weights. Ils indiquent le nombre d'individus représentés par une observation. Ils doivent être entiers. / , les poids d'échantillonnage, ou coefficients d'extrapolation, inverses des probabilités d'inclusion. / , pour analytic weights. Ils s'utilisent quand les observations représentent des moyennes et le poids représente le nombre d'éléments ayant servi à calculer ces moyennes. Ils ne changent pas la valeur de la moyenne calculée, mais l'erreur type, la précision, car il tient compte du fait que chaque observation est déjà issu d'une estimation. / , pour importance weights. Ils indiquent une importance relative des observations. Ils n'ont pas de définition statistique. Les commandes qui supportent les iweights définissent précisément le traitement fait. En fait ils sont utilisés par les programmeurs de commandes. On précise le type de poids dans la commande : [by varlist] : command [varlist] [=exp] [if exp] [weights] [,options] . summarize age [aw=poids] Variable | Obs Weight Mean Std. Dev. Min Max -------------+----------------------------------------------------------------age | 12749 1142483.45 21.07993 16.97981 0 98 . mean age [pw=poids] Mean estimation Number of obs = 12749 -------------------------------------------------------------| Mean Std. Err. [95% Conf. Interval] -------------+-----------------------------------------------age | 21.07993 .1703419 20.74604 21.41383 -------------------------------------------------------------- . summarize age [iw=poids] Variable | Obs Weight Mean Std. Dev. Min Max -------------+----------------------------------------------------------------age | 12749 1142483.45 21.07993 16.97915 0 98 . summarize revcap [fw=taille1] if CDM==1 Variable | Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------revcap | 12749 255.352 819.6166 0 60000 Tous les types de poids ne sont pas disponibles avec toutes les commandes. Pour connaître le type de poids supporté par la commande, il faut regarder dans le fichier d'aide. 34 Aude Vescovo, IRD AFRISTAT Cours VII. La précision: poids, plan de sondage et bootstrap L'utilisation des poids d'échantillonnage se fait à l'aide de pweight. Cependant un calcul sans biais de la précision des indicateurs calculés nécessite d'utiliser d'autres informations du plan d'échantillonnage : les strates, les unités primaires de sondage dans un sondage à deux degrés,…. Il faut donc donner toutes ces informations à Stata. Le plan d'échantillonnage se définit par la commande svyset : svyset ZD [pw=poids], strata(strate) Une fois le plan de sondage défini, le préfixe svy permet d'effectuer des estimations en estimant correctement la précision : svy : mean, svy : total, svy : ratio, svy : regress La variance des totaux, moyenne et autres statistiques peut être estimée à l'aide de plusieursm éthodes : la linéarisation de la variance, le bootstrap, le jackknife, la méthode des BRR (Balanced Repeated Replications). Il est possible de décrire des plans de sondage très complexes, comme à 5 degrés, stratifiés à tous les degrés…Plusieurs exemples sont présentés dans le fichier d'aide de svyset. Pour effacer le plan de sondage : svyset, clear Lorsqu'on dispose de peu d'information sur le plan de sondage (ou dans le cas de modèles économétriques, qu'on doute de l'homoscédasticité du modèle ou qu'on suppose un mauvais calcul des erreurs type) la méthode de bootstrap peut être utile. Largement répandue aujourd'hui, elle a l'avantage de suivre un principe "universel". Le bootstrap consiste à tirer avec remise échantillons de même taille que l’échantillon initial. L'estimateur, quel qu'il soit, est calculé à chaque itération. La précision de l'estimateur bootstrapé est estimée par la variance des R estimateurs. Le préfixe bootstrap permet de faire des réplications bootstrap d'une estimation. Par défaut, Stata effectue 50 réplications. Ici, on lui demande d'en faire 100. . bootstrap, reps(100) : mean age (running mean on estimation sample) Bootstrap replications (100) ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 .................................................. .................................................. Mean estimation Number of obs Replications 50 100 = = 12749 100 -------------------------------------------------------------| Observed Bootstrap Normal-based | Mean Std. Err. [95% Conf. Interval] -------------+-----------------------------------------------age | 21.69896 .1716595 21.36251 22.0354 -------------------------------------------------------------- 35 Aude Vescovo, IRD AFRISTAT Cours VIII. Le modèle linéaire dans Stata 3 ? & Supposons qu'on étudie les déterminants du revenu. On commence par étudier des corrélations. La commande correlate calcule le coefficient de corrélation entre deux variables . correlate age revind etudes (obs=12748) | age revind etudes -------------+--------------------------age | 1.0000 revind | 0.2109 1.0000 etudes | 0.2544 0.1598 1.0000 Il apparaît que le revenu individuel (activités principale et secondaire et autres revenus) est corrélé positivement à l'âge et au nombre d'années d'études réussies. Pour savoir si cette corrélation est significative, on peut procéder à un test de nullité du coefficient de la corrélation, à l'aide de la commande pwcorr et de son option sig : . pwcorr age revind etudes, sig | age revind etudes -------------+--------------------------age | 1.0000 | revind | 0.2109 1.0000 | 0.0000 | etudes | 0.2541 0.1598 1.0000 | 0.0000 0.0000 Les corrélations (revenu, âge) et (revenu, études) sont toutes les deux significatives. (La corrélation entre l'âge et les études aussi). On à moins de 1 chance sur 1000 de se tromper en affirmant que le coefficient de corrélation est différent de 0. On dit que le coefficient de corrélation entre le revenu et le nombre d'années d'études est de 25,4% et qu'il est significatif au seuil de 1‰. significativité = 0.000 significatif au seuil de 1‰ significativité < 0.010 significatif au seuil de 1% significativité < 0.050 significatif au seuil de 5% significativité < 0.100 significatif au seuil de 10% Le revenu dépend de plusieurs variables en même temps. La corrélation nous permet de tester les varaibles explicatives une par une, mais pas ensemble. Le modèle linéaire, ou modèle des moindres carrés ordinaires permet d'estimer l'effet d'un facteur sur la variable d'intérêt, "toute chose égale par ailleurs", c'est à dire en maintenant les autres variables constantes, à leur moyenne pour les varaibles continues, à 36 Aude Vescovo, IRD AFRISTAT Cours VIII. Le modèle linéaire dans Stata leur valeur dite de référence pour les variables catégorielles. Il est préférable de choisir la carégorie la plus représentée come catégorie de référence. Pour pouvoir assumer que les coefficients de la MCO sont non biaisés, c’est à dire que la valeur prédite par l’estimateur converge vers la valeur dans la population, on doit faire l’hypothèse que les 4 conditions suivantes sont respectées dans notre échantillon : 1. Les paramètres suivent une fonction linéaires : y = β0 + β1x + u 2. L’échantillon est identiquement et indépendamment distribué (iid). 3. L’espérance du terme d’erreur sachant x est égale à zéro. E (u/x) = 0 4. Pas de multicolinéarité exacte entre les varaibles explicatives x. La commande regress permet d'estimer un modçle par les moindres carrés ordinaires. Ici on cherche à expliquer le revenu de l'activité principale par le genre, l'âge et son carré, et le niveau d'études. ON a choisi le niveau "sans éducation" comme modalité de référence. . regress lrevAPh femme age age2 nived2 nived3 nived4 nived5 nived6 Source | SS df MS -------------+-----------------------------Model | 1616.0648 8 202.0081 Residual | 3564.32398 3867 .921728466 -------------+-----------------------------Total | 5180.38877 3875 1.33687452 Number of obs F( 8, 3867) Prob > F R-squared Adj R-squared Root MSE = = = = = = 3876 219.16 0.0000 0.3120 0.3105 .96007 -----------------------------------------------------------------------------lrevAPh | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------femme | -.3826071 .0321178 -11.91 0.000 -.4455765 -.3196378 age | .0958512 .0053997 17.75 0.000 .0852647 .1064378 age2 | -.0009373 .0000689 -13.59 0.000 -.0010724 -.0008021 nived2 | .0557579 .0427996 1.30 0.193 -.0281541 .1396699 nived3 | .2882051 .0465887 6.19 0.000 .1968644 .3795458 nived4 | .525106 .0889622 5.90 0.000 .3506888 .6995233 nived5 | .837949 .0573946 14.60 0.000 .7254225 .9504756 nived6 | 1.203702 .0653987 18.41 0.000 1.075483 1.331921 _cons | -3.905688 .1016011 -38.44 0.000 -4.104885 -3.706491 ------------------------------------------------------------------------------ Stata retourne les coefficients estimés, leur erreur standard et l'intervalle de confiance (en bleu). Les colonnes t et P>|t|, en vert, représentent les résultats des tests de nullité des coefficients (test de Student). H0 : le coefficient est nul. Pour la variable nived2 (niveau fondamental 1), P>|t|=0.193, il y a 19% de chance de se tromper en rejetant H0. Donc on ne la rejette pas. On dit alors que le coefficient de nived2 n'est pas significativement différent de 0, ou encore plus simplement qu'il n'est pas significatif. Généralement, on établit 3 seuils en dessous desquels on considère qu'un coefficient est significatif : 1% d'erreur, 5% d'erreur et 10% d'erreur. Tous les autres coefficients sont significatifs au seuil de 1% P>|t|=0.000 significatif au seuil de 1‰ P>|t|<0.010 significatif au seuil de 1% P>|t|<0.050 significatif au seuil de 5% P>|t|<0.100 significatif au seuil de 10% Le R2 (en rouge) représente la part de la variabilité du revenu espliquée par le modèle. Ici, 31,2% de la varaibilité du revenu est expliquée par le genre, l'âge et les études. Cette mesure peut augmenter 37 Aude Vescovo, IRD AFRISTAT Cours VIII. Le modèle linéaire dans Stata artificiellement lorsqu'on ajoute des varaibles explicatives, mais si celle ci n'explique pas la variable dépendante. Aussi, il est d'usage de lui préférer le R2 ajusté. Ici ils sont proches car il y a peu de variables explicatives dans notre modèle. La commande outreg2 permet de créer un fichier de résultat qu'on pourra ouvrir dans Word. outreg2 using "MCO.doc", bdec(3,3,3) adec(3) nor2 addstat(R2a,e(r2_a)) L'option bdec permet de préciser le nombre de décimales de coeffiients, l'option nor2 précise qu'on ne veut pas que le R2 apparaisse, l'option addstat permet de demander que d'autres statistiques apparaissent, ici le R2 ajusté. L'option adec précise le nombre de décimales des statistiques supplémentaires, donc ici du R2 ajusté. On obtient alors aisément un tableau de la forme (en utilisant la fonction convertir un texte en tableau dans Word) : lrevAPh 0.383*** (0.032) age 0.096*** (0.005) age2 0.001*** (0.000) nived2 0.056 (0.043) nived3 0.288*** (0.047) nived4 0.525*** (0.089) nived5 0.838*** (0.057) nived6 1.204*** (0.065) Constant 3.906*** (0.102) Observations 3876 R2a 0.311 Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 femme 38 Aude Vescovo, IRD AFRISTAT ( @ Annexe 1. Quelques fonctions utiles de Stata # @ - - : & - abs(x) retourne la valeur absolue de x. exp(x) retourne l'exponentielle de x. log(x) retourne le logarithme de x si x>0. max(x1,x2,...,xn) retourne le maximum de x1, x2, ..., xn. min(x1,x2,...,xn) retourne le minimum de x1, x2, ..., xn. round(x,y) retourne x arrondi à l'unité de y. sqrt(x) retourne la racine carrée de x si x > 0. sum(x) retourne la somme cumulée de x, traitant les valeurs manquantes comme des 0. . & , retourne la probabilité d'au moins k succès en n tirages avec une probabilité de succès à chaque tirage de p. binomial(n,k,p) normal(z) retourne la fonction de répartition de la loi normale standard. normalden(z) retourne la fonction de densité de la loi normale standard. A& & , & retourne des nombres uniformément distribué sur l'intervalle [0,1]. uniform( ) invnormal(uniform( ))retourne des nombres normalement distribué, de moyenne 0 et d'écart type 1. Ces fonctions n'ont pas d'arguments mais il est nécessaire de mettre les parenthèses. 0 ? length(s) retourne la longueur de la chaine de caratère s. string(n) convertir n en une chaîne de caractère retourne une partie d'une chaîne de caractère s. Elle extrait la partie allant du n1ème caractère au (n1+n2)ème caractère inclus. Si n2 n'est pas renseigné, elle retourne tous les caractères se trouvant à droite de n1, n1 compris. substr(s,n1,n2) generate s2=substr("CSPouvrier", 4, 7) generate s3=substr("CSPouvrier", 4) Alors s2=s3="ouvrier" 39 Aude Vescovo, IRD AFRISTAT Annexe 1. Quelques fonctions utiles de Stata : cond(x,a,b) retourne a si la condition x est vérifier, b si elle ne l'est pas generate femme=1 if m3==2 replace femme=0 if m3==1 peut s'écrire en une ligne generate femme=cond(m3==2,1,0) retourne la valeur 1 (la valeur vraie) si z appartient à lal iste des autres arguments de la fonction (a, b, …). Sinon elle retourne 0. Le nombre d'arguments peut être compris entre 2 et 255 pour des réels et entre 2 et 10 pour des chaînes de caractères. inlist(z,a,b,...) inrange(z,a,b) r(name) retourne la valeur 1 (vraie) si a < z < b, 0 sinon. Elle retourne 0 si z est manquant contient la valeur d'un résultat sauvé . summarize revcap, detail revcap ------------------------------------------------------------Percentiles Smallest 1% 0 0 5% 0 0 10% 17.45455 0 Obs 12749 25% 56.57143 0 Sum of Wgt. 12749 50% 75% 90% 95% 99% 132 250.6 477.72 741 2160 Largest 18484 18484 27864 60000 Mean Std. Dev. 255.352 819.6166 Variance Skewness Kurtosis 671771.4 38.65029 2411.216 . gen ligne2=0.5*r(p50) Pour connaître la liste des résultats de l commandes, on tape : return list retourne la valeur 1 si l'observation a été utilisée dans l'échantillon d'estimation de la commande précédente. e(sample) . regress lrevAPh femme age age2 Source | SS df MS -------------+-----------------------------Model | 1146.38086 3 382.126953 Residual | 4034.00791 3872 1.04184089 -------------+-----------------------------Total | 5180.38877 3875 1.33687452 Number of obs F( 3, 3872) Prob > F R-squared Adj R-squared Root MSE = = = = = = 3876 366.78 0.0000 0.2213 0.2207 1.0207 -----------------------------------------------------------------------------lrevAPh | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------femme | -.4861283 .0336211 -14.46 0.000 -.5520451 -.4202116 age | .1177752 .0056444 20.87 0.000 .1067089 .1288415 age2 | -.0011868 .0000722 -16.43 0.000 -.0013284 -.0010452 _cons | -4.055482 .1065508 -38.06 0.000 -4.264383 -3.846582 -----------------------------------------------------------------------------. gen R2=e(r2) . display R2 .22129244 Pour connaître la liste des résultats d'estimation, on tape : ereturn list 40