第五章 描述性统计分析.ppt

第五章 描述性统计分析 5.1 描述性统计的原理 5.1.1定性变量 定义5.1 对给定的类，类（或组）频数是指落入这个类中的观测值的个数。 定义5.2 对给定的类，类（或组）相对频率是指落入这个类中的观测值的个数相对于观测值总数的比例。 因此，频率和频数是描述定性变量的两个重要指标。 5.1.2.定量变量 集中趋势的度量：均值、中位数、众数。 变异程度的度量：极差、方差、标准差 相对位置的度量：标准得分 偏度和峰度:如果数据的分布是对称的，则偏度系数为0；如果偏度系数明显不等于0，表明分布是非对称的。若偏度系数大于1或者小于-1，被称为高度偏态分布。峰度通常是与标准正态分布比较，Stata计算的峰度系数未减3，故而是与3作比较而不是与0作比较。若峰度系数等于3则服从标准正态分布，反之则意味着分布比正态分布更尖或者更平。 5.2描述性统计量的Stata实现 使用summarize命令计算和导出描述性统计量 summarize [varlist] [if] [in] [weight] [, options] summarize命令的选项及其含义 detail 产生更加详细的统计变量，包括偏度、峰度、最小和最 大的四个值以及各种百分位数。 meanonly 仅计算和显示平均数，本选项在编程中比较有用。 format 使用变量的显示格式。 separator(#) 每#个变量画一条分界线，默认为separator(5)，separator(0) 禁止使用分界线。 【例5-1】现在我们利用小时工资数据集举例说明summarize的使用。要求使用summarize命令对wage.dta执行如下操作： （1）对wage、educ、exper、tenure、nonwhite、female、married做基本的统计分析， （2）Summarize命令加上detail选项容许我们对某些重要的变量做更加详尽的分析， （3）在summarize后使用in或者if来限制条件，可以获得对某个子样本的描述性统计。 （4）使用outreg2命令导出描述性统计量。 使用tabstat命令计算描述性统计量 . tabstat varlist [if] [in] [weight] [, options] 选项 含义 mean 平均数 count / n 观测值数目 sum 加总 max/ min 最大值、最小值 range 极差 sd 标准差 var 方差 cv 变异系数 (sd/mean) semean 平均标准误 (sd/sqrt(n)) skewness偏度 kurtosis 峰度 median 中位数 p# #%百分位数 iqr 四分位数间距（p75 - p25） q 等价于写p25 p50 p75 【例5-2】这里使用的是wage1.dta数据集，我们说明使用tabstat计算变量wage和log（wage）的相关统计量。 （1）首先使用stat()要求定制输出地统计指标：观测值的个数、平均数、中位数、标准差、偏度、峰度， （2）如果在命令中加入选项col(stat)通过让统计量以列的方式呈现，可以使结果更便于分析和对比， （3）下面我们加入by(female)选项和long选项，要求Stata根据性别分别统计wage和lwage两个变量，并且标注变量名称： 5.3探测异常值——箱线图 下面的第一个命令绘制纵向图，第二个命令绘制横向图。 graph box yvars [if] [in] [weight] [, options] graph hbox yvars [if] [in] [weight] [, options] graph box命令的选项: over(varname[, over_subopts]):设定分组变量，变量可以是数值型或者字符型变量，可以设置多达三个的分组变量。[, over_subopts]可以指定用于排序的变量名称，也可以使用sort(1)，则表明按照第一个分组变量排序。默认排序方式为从小到大，在[, over_subopts]加入descending则指定为按照中位数从大到小降序排列。 by( ):另一种设置分组的方法，当分组变量过多时，利用该选项可以是图形更加美观明了。 【例5-3】我们仍以wage数据集为例，说明箱线图绘制命令的使用。 （1）首先在不加入任何选项的情况下绘制箱线图： （2）利用箱线图还可以比较不同性别的工资分布情况， 5.4数据的正