如何根据另一个变量的范围简单地创建新变量

Question

假设我有 var1 是连续的：

clear
set obs 1000
gen var1 = runiform()
sum var1

现在我想根据 var1 的范围创建 var2。我可以这样做：

gen var2 = "Lowest" if var1<.25
replace var2 = "Low" if var1>=.25 & var1<.5
replace var2 = "High" if var1>=.5 & var1<.75
replace var2 = "Highest" if var1>=.75

我希望能够在一行中做到这一点。伪代码：

gen var2 = (ranges(0 .25 .5 .75 1) values("Lowest" "Low" "High" "Highest"))

在 Create categorical variable in R based on range

中可以找到使用 cut 执行与 R 非常相似的方法

在 Stata 中有没有类似 R 版本的命令？想象一下，有 10,000 个范围需要进入 var2。那么更好的方法会有很大帮助。

另一种在 Stata 中在一行中执行此操作的方法很笨拙，可以在 http://www.stata.com/support/faqs/data-management/multiple-operations/:

找到

generate var2 = cond(var1<=.25, "Lowest", cond(var1<=.50, "Low", cond(var1<=.75, "High", cond(var1<=1.00, "Highest", ""))))

有没有更好的方法？

Answer 1

Stata 确实有一个 cut 函数，作为 egen 命令的一部分。使用它的选项并定义和分配一个值标签可以得到你想要的结果（虽然是三行而不是一行，但它们是相当简洁的三行）。例如,

clear
set obs 15
gen var1 = runiform()
sum var1

gen var2 = "Lowest" if var1<.25
replace var2 = "Low" if var1>=.25 & var1<.5
replace var2 = "High" if var1>=.5 & var1<.75
replace var2 = "Highest" if var1>=.75

// =======================================================
// Using egen , cut()
// =======================================================
label define rank 0 "Lowest" 1 "Low" 2 "High" 3 "Highest"
egen var3 = cut(var1) , at(0(.25)1) icodes
label values var3 rank

li

结果

     +------------------------------+
     |     var1      var2      var3 |
     |------------------------------|
  1. | .6658295      High      High |
  2. | .3690664       Low       Low |
  3. | .5983131      High      High |
  4. | .2658775       Low       Low |
  5. | .1211114    Lowest    Lowest |
     |------------------------------|
  6. | .2296222    Lowest    Lowest |
  7. | .7229139      High      High |
  8. | .2501513       Low       Low |
  9. | .7775574   Highest   Highest |
 10. | .2839603       Low       Low |
     |------------------------------|
 11. | .8396428   Highest   Highest |
 12. | .4838379       Low       Low |
 13. | .2610629       Low       Low |
 14. | .3855471       Low       Low |
 15. | .3447088       Low       Low |
     +------------------------------+

Answer 2

cond() 函数是所谓的笨拙函数。有关示例，请参见下面的 var3。它具有明显的优势，您可以在代码中明确显示不等式，并且完全按照您的意愿进行，而 egen, cut() 两者都不是这样。

在这个特定的例子中，至少还有一个技巧是可能的。请参阅下面的 var4 了解它是什么。

. clear

. set obs 15
number of observations (_N) was 0, now 15

. set seed 2803 

. gen var1 = runiform()

. sort var1 

. gen var2 = "Lowest" if var1<.25
(9 missing values generated)

. replace var2 = "Low" if var1>=.25 & var1<.5
(4 real changes made)

. replace var2 = "High" if var1>=.5 & var1<.75
(2 real changes made)

. replace var2 = "Highest" if var1>=.75
variable var2 was str6 now str7
(3 real changes made)

. gen var3 = cond(var1 < .25, "Lowest", cond(var1 <.5, "Low", cond(var1 <.75, "
> High", "Highest"))) 

. gen var4 = word("Lowest Low High Highest", ceil(4 * var1)) 

. list 

     +----------------------------------------+
     |     var1      var2      var3      var4 |
     |----------------------------------------|
  1. | .0200225    Lowest    Lowest    Lowest |
  2. | .0360774    Lowest    Lowest    Lowest |
  3. | .0934085    Lowest    Lowest    Lowest |
  4. | .0950848    Lowest    Lowest    Lowest |
  5. | .1040797    Lowest    Lowest    Lowest |
     |----------------------------------------|
  6. | .1795591    Lowest    Lowest    Lowest |
  7. | .3326341       Low       Low       Low |
  8. | .3383934       Low       Low       Low |
  9. | .3870576       Low       Low       Low |
 10. | .3980427       Low       Low       Low |
     |----------------------------------------|
 11. | .6264514      High      High      High |
 12. | .6305373      High      High      High |
 13. | .7739685   Highest   Highest   Highest |
 14. | .7935746   Highest   Highest   Highest |
 15. | .9243789   Highest   Highest   Highest |
     +----------------------------------------+

但是，如果您真的有 10,000 个范围要指定，并且它们没有归结为一些简单的规则，那么您自然不会采用这两种方式中的任何一种。您应该将它们放在一个文件中，并使用一些基于 merge 的代码。

如何根据另一个变量的范围简单地创建新变量

How to Simply Create New Variable Based on Ranges of Another

variables

stata