11 Fortgeschrittene Themen

11.1 Wertelabels

Wertelabels helfen, Informationen aus dem Codebuch direkt im Datensatz abzulegen und so das arbeiten zu erleichtern. Während Stata-Datensätze häufig mit Labels geliefert werden, müssen wir bei neu erstellten Variablen diese Labels selbst erstellen.

Bspw. wenn wir aus der Altersvariable des Allbus 2018 eine neue Altersgruppen-Variable erstellen:

egen age_cat = cut(age), at( 18 35 60 100 )

tabulate age_cat

    age_cat |      Freq.     Percent        Cum.
------------+-----------------------------------
         18 |        718       20.68       20.68
         35 |      1,527       43.98       64.66
         60 |      1,227       35.34      100.00
------------+-----------------------------------
      Total |      3,472      100.00

Um age_cat besser zu beschriften definieren wir ein Wertelabel. Dazu verwenden wir label define, gefolgt von einem Objektnamen für dieses Label (hier age_cat_lab) und dann jeweils die Ausprägungen zusammen mit dem entsprechenden label in "". Dieses Label-Objekt wenden wir dann mit label values auf die Variable age_cat an:

label define age_cat_lab 18 "18-34 Jahre" 35 "35-29 Jahre" 60 "über 60 Jahre" 
label values age_cat age_cat_lab
tab age_cat

      age_cat |      Freq.     Percent        Cum.
--------------+-----------------------------------
  18-34 Jahre |        718       20.68       20.68
  35-29 Jahre |      1,527       43.98       64.66
über 60 Jahre |      1,227       35.34      100.00
--------------+-----------------------------------
        Total |      3,472      100.00

Wir können außerdem mit label variable "Beschreibung" die Variable selbst beschriften, um sie so leichter auffindbar zu machen

describe age_cat

              storage   display    value
variable name   type    format     label      variable label
--------------------------------------------------------------------------------
age_cat         double  %10.0g

label variable age_cat "3er Alterseinteilung"

zB. wird dieses Label mit lookfor gefunden:

lookfor "Alters"

              storage   display    value
variable name   type    format     label      variable label
----------------------------------------------------------------------------------------------------
age_cat         double  %13.0g     age_cat_lab
                                              3er Alterseinteilung

11.2 sortieren

Mit sort können wir unseren Datensatz sortieren. Dazu geben wir einfach die Variablen an, nach denen sortiert werden soll:

sort age educ sex

sort sortiert dabei immer in aufsteigenden Reihenfolge. Mit gsort können wir darüber hinaus auch in umgekehrter (fallender) Reihenfolge sortieren, indem wir - vor die entsprechende Variable stellen. Hier zb von alt nach jung, innerhalb des gleichen Alters dann aufsteigend nach Bildung und für gleich alte und gebildetet Befragte dann die Frauen (sex=2) vor den Männern (sex=1):

gsort -age educ -sex

11.3 Informationen aus mehreren Variablen

Manchmal liegt die gewünschte Information nur aufgeteilt auf mehrere Variablen vor. Ein Beispiel hierfür ist die Alterskonstellation von (Ehe-)Paaren. Im Allbus werden sowohl das Alter der Befragten (age) als auch (ggf.) das Alter der*des Partner*in abgefragt. Zudem unterscheidet der Allbus zwischen Lebens- (page) und Ehepartner*innen (scage). Möchten wir jetzt die jeweils den Altersabstand zwischen dem Alter der männlichen und weiblichen (Ehe-)Partner berechnen¹, so müssen wir durch eine Kombination aus gen und replace in mehreren Schritten vorgehen.

set linesize 120
cd ""
use "Allbus_1980-2018.dta", clear
// missings ausschließen:
replace mstat = . if mstat < 0
mvdecode *yborn, mv(-41 / -1 )
mvdecode *age,   mv(-41 / -1 )
mvdecode *educ,  mv(-41 / -1 )

// Alter von ihr: entweder Befragtenalter wenn sie befragt wurde oder 
gen her_age =  age if sex == 2
// scage wenn *er* befragt wurde und verheiratet ist -> ihr Alter ist in scage
replace her_age = scage if sex == 1 & mstat == 1
// üage *er* befragt wurde und unverheiratet ist -> ihr Alter ist in page
replace her_age = page if sex == 1 & mstat != 1

// Alter von ihm: entweder Befragtenalter wenn er befragt wurde oder 
gen his_age =  age if sex == 1
// scage wenn *sie* befragt wurde und verheiratet ist -> ihr Alter ist in scage
replace his_age = scage if sex == 2 & mstat == 1
// page wenn *sie* befragt wurde und verheiratet ist -> ihre Alter ist in scage
replace his_age = page if sex == 2 & mstat != 1

gen age_diff = his_age - her_age if !missing(his_age) & !missing(her_age)
su age_diff

11.4 egen

egen ist die Erweiterung von gen und gibt uns die Möglichkeit, eine ganze Reihe von Berechnungen durchzuführen. Hier einige hilfreiche Befehle:

Variable in Kategorien teilen mit cut, hier 18 bis <29, 30 bis <60 und 60 bis <80 (Werte <18 und >80 werden zu .)

egen age_cat = cut(age), at(18 30 60 80)

Mittelwert über mehrere Variablen erstellen mit rowmean, hier zum Vertrauen in staatliche Institutionen (siehe d pt01 pt02 pt03 pt04 pt08 pt12 pt14)

use "Allbus2018.dta", clear
mvdecode pt01 pt02 pt03 pt04 pt08 pt12 pt14, mv(-9) // missings raus
egen trust = rowmean(pt01 pt02 pt03 pt04 pt08 pt12 pt14)

Eine vollständige Liste findet sich unter help egen.

11.5 gruppierte Berechnungen

Mit dem Präfix bys können wir Berechnungen innerhalb von Gruppen durchführen. So können wir beispielsweise eine Variable erstellen, die jeweils den Mittelwert von inc für jede Altergruppe (agec) spezifischen Mittelwert enthält:

cd 
use  "Allbus2018.dta",clear
drop if inc < 0
drop if agec < 0
bys agec: egen mean_inc = mean(inc)
sort respid // sonst ist alles nach agec sortiert
list agec mean_inc in 1/10

     +------------------------+
     |        agec   mean_inc |
     |------------------------|
  1. | 60-74 JAHRE   1565.642 |
  2. | 60-74 JAHRE   1565.642 |
  3. | 18-29 JAHRE   1026.236 |
  4. | 45-59 JAHRE   1915.664 |
  5. | 30-44 JAHRE   1729.861 |
     |------------------------|
  6. | 30-44 JAHRE   1729.861 |
  7. | 30-44 JAHRE   1729.861 |
  8. | 30-44 JAHRE   1729.861 |
  9. | 30-44 JAHRE   1729.861 |
 10. | 60-74 JAHRE   1565.642 |
     +------------------------+

11.6 Subgruppen-Variablen erstellen mit `separate`

separate ist eine Abkürzung, um Angaben einer Variable entlang der Ausprägungen einer zweiten Variablen aufzuteilen. Das hilft uns bspw. die Aufteilung von inc nach dem Geschlecht (sex) zu vereinfachen. Wir können dies entweder mit zwei Befehlen mit gen und if durchführen oder diese zwei Schritte mit einem separate Befehl durchführen:

gen inc_m = inc if sex == 1
gen inc_f = inc if sex == 2
separate inc, by(sex)
list inc sex inc_m inc_f inc1 inc2 in 1/10

(1704 missing values generated)

(1773 missing values generated)

              storage   display    value
variable name   type    format     label      variable label
--------------------------------------------------------------------------------
inc1            int     %17.0g     inc        inc, sex == MANN
inc2            int     %17.0g     inc        inc, sex == FRAU

     +-----------------------------------------------------------+
     |          inc    sex   inc_m   inc_f   inc1           inc2 |
     |-----------------------------------------------------------|
  1. |         2200   MANN    2200       .   2200              . |
  2. |         1500   FRAU       .    1500      .           1500 |
  3. |         1400   MANN    1400       .   1400              . |
  4. |         3600   MANN    3600       .   3600              . |
  5. |         1700   FRAU       .    1700      .           1700 |
     |-----------------------------------------------------------|
  6. |         3450   MANN    3450       .   3450              . |
  7. |          854   FRAU       .     854      .            854 |
  8. |         1500   MANN    1500       .   1500              . |
  9. | KEINE ANGABE   FRAU       .      -9      .   KEINE ANGABE |
 10. |          978   FRAU       .     978      .            978 |
     +-----------------------------------------------------------+

11.7 collapse

Manchmal möchten wir vielleicht nur einen Mittelwert pro Gruppe und die einzelnen Werte interessieren uns gar nicht. Wir möchten unseren Datensatz also verkürzen, sodass er lediglich einen Wert pro Gruppe enthält. Dazu können wir mit collapse den Datensatz zusammenfassen. Wir geben dabei zunächst die gewünschte Funktion an, also z.B. mean, gefolgt von der zusammenzufassenden Variable. Wenn gewünscht können wir neuer_varname = voranstellen, um den Namen der zusammengefassten Variable festzulegen. Mit by() können wir Gruppen angeben, für die jeweils separate Werte berechnet werden:

cd D:\oCloud\Home-Cloud\Lehre\Methodenseminar\ // wo liegt der Datensatz?
use  "Allbus_1980-2018.dta",clear
keep  if year == 2014 & inc>0

collapse (mean) mean_inc=inc (median) median_inc=inc, by(educ sex)

browse

Anstelle von mean können alle Funktionen, die wir auch bei tabstat gesehen haben, verwenden siehe Kapitel 3.

11.8 Indikatoren umdrehen

Manchmal haben wir eine einzelne Likert-Skala, die wir “umdrehen” möchten. Bspw. stehen hohe Werte der Variable mm01 für eine hohe Zustimmung zur Aussage, dass die Ausübung des Islams in Deutschland beschränkt werden sollte. In mm02 stehen hohe Werte hingegen für eine hohe Zustimmung zur Aussage, dass der Islam zu Deutschland gehört:

use  "Allbus_1980-2018.dta",clear
keep if year == 2016 
mvdecode mm01 mm02, mv(-10 -9 -1)
d mm01 mm02
tab mm01
tab mm01,nol

              storage   display    value
variable name   type    format     label      variable label
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
mm01            byte    %12.0g     mm01       ISLAMAUSUEBUNG IN BRD BESCHRAENKEN
mm02            byte    %12.0g     mm02       ISLAM PASST IN DIE DEUTSCHE GESELLSCHAFT


  ISLAMAUSUEBUNG IN |
   BRD BESCHRAENKEN |      Freq.     Percent        Cum.
--------------------+-----------------------------------
STIMME GAR NICHT ZU |        799       23.82       23.82
                 .. |        351       10.46       34.28
                 .. |        233        6.94       41.22
                 .. |        492       14.66       55.89
                 .. |        419       12.49       68.38
                 .. |        341       10.16       78.54
  STIMME VOELLIG ZU |        720       21.46      100.00
--------------------+-----------------------------------
              Total |      3,355      100.00


ISLAMAUSUEB |
 UNG IN BRD |
BESCHRAENKE |
          N |      Freq.     Percent        Cum.
------------+-----------------------------------
          1 |        799       23.82       23.82
          2 |        351       10.46       34.28
          3 |        233        6.94       41.22
          4 |        492       14.66       55.89
          5 |        419       12.49       68.38
          6 |        341       10.16       78.54
          7 |        720       21.46      100.00
------------+-----------------------------------
      Total |      3,355      100.00

Um aus beiden Variablen einen Index zu bilden, muss eine Variable umgedreht werden, sodass die Skalen beide inhaltlich in die gleiche Richtung laufen. Da mm01 von 1-7 reicht, können wir durch 1 - mm01 die Skala umkehren. Zur Kontrolle vergleichen wir die alte und die neue Variable abschließend:

gen mm01a = 8 - mm01
tab mm01a mm01

(131 missing values generated)

           |                      ISLAMAUSUEBUNG IN BRD BESCHRAENKEN
     mm01a | STIMME GA         ..         ..         ..         ..         ..  STIMME VO |     Total
-----------+-----------------------------------------------------------------------------+----------
         1 |         0          0          0          0          0          0        720 |       720 
         2 |         0          0          0          0          0        341          0 |       341 
         3 |         0          0          0          0        419          0          0 |       419 
         4 |         0          0          0        492          0          0          0 |       492 
         5 |         0          0        233          0          0          0          0 |       233 
         6 |         0        351          0          0          0          0          0 |       351 
         7 |       799          0          0          0          0          0          0 |       799 
-----------+-----------------------------------------------------------------------------+----------
     Total |       799        351        233        492        419        341        720 |     3,355

Nachdem wir mm05 ebenfalls zu mm05a umgedreht haben, können wir einen Mittelwert aus den Indikatoren mm01-mm05 bilden:

d mm05a // höherer wert -> positive einstellung
gen mm05a = 8 - mm05 //umdrehen

egen islam_einst = rowmean(mm01a mm02 mm03 mm04 mm05a)

11.9 recode

Mit der recode Funktion können Variablen umcodiert werden. Hier werden die Werte der Variable x2 zusammengefasst: 1 und 2 zu 1, aus 3 wird 2 und aus 4 bis 7 wird 3 - diese neue Codierung wird in der Variable nx2 abgelegt:

// beispiel erzeugen:
clear
set obs 7
egen x2 = seq(), f(1) t(7)
recode x2 (1 2 = 1) (3 = 2) (4/7 = 3), gen(nx2)
list x2 nx2

     +----------+
     | x2   nx2 |
     |----------|
  1. |  1     1 |
  2. |  2     1 |
  3. |  3     2 |
  4. |  4     3 |
  5. |  5     3 |
     |----------|
  6. |  6     3 |
  7. |  7     3 |
     +----------+

11.10 Informationen aus mehreren Datensätzen

Mit merge können wir Informationen aus mehreren Datensätzen zusammenfügen.

11.11 Arbeiten mit Textvariablen

Dafür helfen uns sog. “regular expressions”, in Stata stehen hierfür zb substr regexr und regexm zur Verfügung.

11.12 Link Liste

Internet Guide to Stata
Hilfeseiten der UCLA
StataList-Forum
Germán Rodríguezs Seiten enthalten viele Beispiele, Tricks und Erklärungen

Diese Beispiel bezieht sich also nur auf heterosexuelle Paare.↩︎