概要

本文涉及到的内容包括，在拿到一个数据集后：

​​​​​

-如何使用list、describe命令，初步了解数据集；

 

-如何使用codebook、summarize命令了解某一个变量x的缺失值、统计量，并使用stem、graph box、histogram命令画出茎叶图、箱式图以及柱状图；

 

-如何使用twoway graphs来展示数值型变量x和y之间的关系，并画出散点图(scatter plot)、折线图(line plot)、带数据标记的直线图(connected plot)等多种图像；

 

-如何使图像变得更加美观。

 

下面，我们通过例子来了解这些命令。本次使用的是1900-1999年美国期望寿命的数据，这是Stata 14.0自带的一个数据库。

 

提醒:

(1) 使用Stata时，尽量不用命令框，而最好使用do file编写命令。这样可以保证操作的可重复性。

(2) 本文中，所有命令以黄色背景、粗体、蓝色字体显示。

(3) do file中命令末尾的双斜线//表示添加注释（例如，图0.1.1第6行set linesize 255后为注释），三斜线///表示换行（例如，图0.1.1从第8行到16行为一个完整的命令，其中使用///换行）。

 

图0.1.1

 

1. 导入数据并观察

 

为了方便大家学习，我们在本教程中使用Stata自带的数据uslifeexp.dta，大家可以输入sysuse dir这行命令查看系统自带的数据库（图1.1.1）。若没有uslifeexp这个数据库，大家可以在http://www.stata-press.com/data/r9/uslifeexp.dta下载。

 

图1.1.1 Stata 14.2自带的数据库

 

. sysuse uslifeexp

 

这一步的目的是导入该系统自带数据。屏幕显示的结果如下。

 

 

. list in 1/10

 

通过这个命令，我们可以查看该数据库第1到第10个数据，对数据有一个初步的了解。屏幕显示的结果如下。

 

 

. describe

 

通过这个命令，我们可以查看这个数据集的简要介绍，包括了样本数量(obs:100)、变量数量(vars:10)、大小(size:3800)、以及每个标量的简要介绍。屏幕显示的结果如下。

 

 

2. 单变量探索以及作图

 

在这一小节中，我们一起来对某一个变量进行探索。我们会用到四个命令，分别是codebook、summarize、stem以及histogram。我们以数据集中的变量le (life expectancy)为例。这个变量是人均预期寿命。

 

2.1 Codebook 

 

Codebook这个命令适合于我们初次接触一个数据集的变量。

 

. codebook le

 

下图是codebook le这行命令给出的结果。我们可以看到，output给出了该变量的标签(life expectancy)、类型(numeric: float)、范围、单位、特异值、缺失值(0/100)、以及一些统计量。这样，我们对于该变量有一个初步的了解。

 

2.2 Summarize

 

Summarize这个命令可以让我们更加深入地探索变量的统计量。

 

. summarize le

 

下图是summarize le这行命令的结果，给出最常用的几个统计量。

 

 

而summarize le, detail这行命令则会给出更多的统计量。

 

. summarize le, detail

 

 

其中，smallest和largest代表了该变量最大和最小值，即预期寿命(le)的4个最高值和4个最低值。

 

2.3 其他图像

 

为了探索变量的分布，我们还可以使用茎叶图（stem plot）、箱式图（box plot）、直方图（histogram）等图像进行探索。

 

. stem le

 

 

. graph box le (左图)

. hist le (右图)

** hist是histogram的缩写。在Stata中，一些命令有缩写形式，如summarize可以缩写为sum。

 

 

由于篇幅有限，对于这些图像，我们在此不做赘述。但是我们应该记住，茎叶图的茎宽、保留位数；直方图的组距、颜色、y轴是频率还是频数等都可以进行自定义，直到画出满意的图像。感兴趣的读者可以在命令行中输入help stem、help graph box、help histogram获取help文件。如还有不清楚的地方，可以联系小咖获取帮助。

 

3. 双变量作图

 

在这一小节中，我们对于双变量进行绘图。我们继续研究预期寿命（le）随年份（year）变化的规律。不同的是，我们使用le_male与le_female绘制2个y变量和x的图，使用le_wmale、le_wfemale、le_bmale、le_bfemale绘制4个y变量和x的关系。

 

. twoway plot [if] [in] [, twoway_options]

 

twoway的命令是twoway plot 变量 [if] [in] [, twoway_options]，我们可以自己定义的主要是：

 

• plot：选择图像的种类，这里的plot可以改成scatter, plot, connected, area, bar等，我们可以绘制出相应的图。

• 变量：这里可以写一个或多个y变量，一个x变量。最后一个是x变量，之前的为y变量。

• [if] [in] [, twoway_options]等中括号内的命令是可选命令，如果不写，则表示默认值。

• if：定义所取某一个自变量的范围，例如if le > 40，即只画le>40的图

• in：定义所取观测值的范围，例如in 10/20，即只画第10到20个观测值的图

• twoway_options：可以定义图像的“美观”部分，例如坐标轴范围、标题、注释、标签等等。

 

3.1 一个y变量（预期寿命（le）随年份（year）变化的关系）

 

twoway plot y x，其中plot可以换为某种特定的图像，如scatter。

 

- 散点图

 

下图Stata代码：

 

. twoway scatter le year

 

图2.1.1 散点图

 

- 折线图

 

. twoway line le year

 

图2.1.2 折线图

 

同理，我们还可以做出更多种的图。

 

. twoway connected le year (左上，带数据标记的折线图)

. twoway dropline le year (右上，垂直线图)

. twoway spike le year (左下，脉冲图)

. twoway lowess le year (右下，lowess图)

 

图2.1.3

 

大家可以输入help graph_twoway，查看Stata都可以做出什么样的图。

 

3.2 多个y 变量

 

命令形式：graph twoway plot yvar1 yvar2 yvar3 … xvar

 

plot表示我们要画的是某种图，之后是变量的名字。

 

Stata会默认最后一个变量是x变量，plot和x变量之间则均为y变量。

 

下图Stata代码：graph twoway scatter le_male le_female year

 

图3.2.1

 

下图Stata代码：twoway line le_male le_female year

 

图3.2.2

 

下图Stata代码：twoway area le_female le_male year 

 

图3.2.3

 

下图Stata代码：twoway line le_wmale le_wfemale le_bmale le_bfemale year

图3.2.4

 

注意：

在Stata中，上述命令graph twoway plot yvar1 yvar2 yvar3 xvar和下列命令等价:

- graph twoway (plot yvar1 xvar) (plot yvar2 xvar) (plot yvar3 xvar)

- graph twoway plot yvar1 xvar || plot yvar2 xvar || plot yvar3 xvar

 

. twoway scatter le_m le_f year

. twoway (scatter le_m year) (scatter le_f year)

. twoway scatter le_m year || scatter le_f year

（以上3个命令等价，画出下图）

 

图3.2.5（同3.2.1）

 

因此，我们完全可以在同一张图上画出不同y变量。

 

（以上1-4行为第一个命令，6-9行为第二个命令，两个命令等价，画出下图）

 

图3.2.6

 

也可以将yvar1的两种不同的曲线画在同一幅图上。

 

. twoway (scatter le year) (lfit le year)

. twoway scatter le year || lfit le year

（以上2个命令等价，画出下图）

 

图3.2.7

 

4. 改变点的大小形状，改变线的粗细、样式

 

在这一节，我们主要讲对于点和线的处理。我们重新回到男、女预期寿命比较这幅图（图3.2.1）。

 

下图的Stata代码：graph twoway scatter le_male le_female year

 

图4.1.1（同3.2.1）

 

对于这幅图，我们没有定义点的颜色、形状、大小等等参数，而是接受了Stata给出的默认值。我们也可以对此进行更改。

 

例如：

 

下图的Stata代码（蓝色背景部分为新增内容）：

graph twoway scatter le_male le_female year, mcolor(red blue) msymbol(circle diamond) msize(vsmall vsmall)

 

图4.1.2（图3.2.1改进）

 

在这行code中，我们调整了点的颜色(mcolor)，形状(msymbol)，大小(msize)。括号里的顺序(red blue)应按照y变量的顺序 (le_male le_female) 依次对应，这样红色代表le_male，blue代表le_female。

 

除了点的颜色、形状、大小外，Stata还给了我们多种改进的方案，如点内部颜色、点外周颜色、点外周宽度等等。读者可以通过在命令行里输入help scatter##marker_options得到更加详尽的介绍。

 

我们也可以更改连线的属性。让我们回到3.2.2这幅图。

 

下图Stata代码：twoway line le_male le_female year

 

图4.1.3（同图3.2.2）

 

对于这幅图，我们同样可以改进。

 

下图Stata代码（蓝色背景部分为新增内容）：

twoway line le_male le_female year, lcolor(red blue) lpattern(solid dash) lwidth(thin thin)

 

图4.1.4（图3.2.2改进）

 

在这行code中，我们调整了线的颜色(lcolor)，连接方式(lpattern)，宽度(lwidth)。括号里的顺序(red blue)应按照y变量的顺序 (le_male le_female) 依次对应，这样红色代表le_male，blue代表le_female。

 

除了线的颜色、连接方式、宽度外，Stata还给了我们多种改进的方案，如线如何连接（阶梯/直线/曲线）、线条风格等。

 

5. 改进图像整体

 

在下图分性别和人种的预期寿命比较中，1920年的预期寿命看起来近似于0，但其实是30左右。

 

图5.1.1（同图3.2.4）

 

上图Stata代码：twoway line le_wmale le_wfemale le_bmale le_bfemale year

 

我们怎样调整坐标轴的范围、单位，以更适应我们的预期呢？

 

(1) 改变坐标轴的最大值、最小值

 

下图代码（蓝色背景部分为新增内容）：

. twoway line le_wmale le_wfemale le_bmale le_bfemale year, yscale(range(0))

 

yscale(range(0)) 要求y轴的范围包括0

 

图5.1.2

 

下图代码（蓝色背景部分为新增内容）：

. twoway line le_wmale le_wfemale le_bmale le_bfemale year, yscale(range(0 90))

 

※ yscale(range(0 90)) 要求y轴的范围包括0到90

 

图5.1.3

 

同理，我们也可以改变使用xscale(range())来改变x轴的范围。

 

(2) 改变坐标值的刻度

 

在图3.1.2中，我们虽然包含了0和90，但是图看起来仍然很丑，因为y轴的刻度值仍然是从30到80。因此我们要改变坐标轴刻度的起止点和范围。

 

下图代码（蓝色背景部分为新增内容）：

. twoway line le_wmale le_wfemale le_bmale le_bfemale year, yscale(range(0 90)) ylabel(0(10)90)

 

※ ylabel(0(10)90)的意思是y轴的刻度从0开始，到90结束，每隔10添加一个刻度

 

图5.2.1

 

同理，对于x轴，我们希望每隔5年标记一个刻度。我们加上了xlabel(1900(5)2000)

 

下图代码（蓝色背景部分为新增内容）：

twoway line le_wmale le_wfemale le_bmale le_bfemale year, ///

yscale(range(0 90)) ylabel(0(10)90) xlabel(1900(5)2000)

 

图5.2.2

 

然而，现在x轴的坐标重叠到了一起，不是很好看清楚。

 

我们将xlabel稍作更改：xlabel(1900(5)2000)改为xlabel(1900(10)2000) ，并加上了xtick(1900(5)2000)。我们使用xtick(1900(5)2000)，意味着每隔5年在x轴上加一个小标记，而xlabel(1900(10)2000)意味着每隔10年在x轴上写上具体的年份。

 

下图代码（蓝色背景部分为新增内容）：

twoway line le_wmale le_wfemale le_bmale le_bfemale year, ///

yscale(range(0 90)) ylabel(0(10)90) xlabel(1900(10)2000) xtick(1900(5)2000)

 

图5.2.3

 

(3) 加标题

 

现在，我们添加了title("20世纪美国预期寿命变化图") subtitle("1900年-2000年") ytitle("预期寿命") xtitle("年份")，其中：

 

• 用title("20世纪美国预期寿命变化图") 给图像加上大标题；

• 用subtitle("1900年-2000年")加上小标题；

• 用ytitle("预期寿命")给y轴加上标题；

• 用xtitle("年份") 给x轴加上标题。

 

下图代码（蓝色背景部分为新增内容）：

 

图5.3.1

 

还可以加上说明文字和注释。

 

下图代码（蓝色背景部分为新增内容）：

 

 

图5.3.2

 

 (4) 改变图例

 

在Stata中，图例默认按照变量的标签(label)添加，堆积在图像的底部。我们怎么能把图例做得更美观呢？比如，加上中文？改变位置？改变排列顺序？我们可以添加legend()选项进行改变。

 

在下图中，我们添加了legend(ring(0) pos(5) label(1 "白人男性") label(2 "白人女性") label(3 "黑人男性") label(4 "黑人女性") cols(1))，其中：

 

• ring(0)代表把图例放在图像内部；

• pos(5)代表了图例在图像的5点钟的位置（和钟表的数字位置相同）；

• label改变了图例的文字，从1-4对应着命令中le_wmale le_wfemale le_bmale le_bfemale的顺序；

• cols(1)代表希望他们在一列中显示（同理，rows(1)代表希望同一行显示）。

 

下图代码：

 

 

图5.3.3

科研资讯(站内)： 临床研究,医学统计,研究设计,统计咨询,研究方法,研究进展,医咖会,研医论道,yikahui,yika

科研搜索(百度)：医学科研 临床研究,医学统计,研究设计,统计咨询,研究方法,研究进展,医咖会,研医论道,yikahui,yika