學統計程式，有個dataset可以玩會比較能夠進入狀況，不然指令看過就忘了。此外，我覺得學習統計程式也是了解統計觀念的一個好方法，因為你可以直接看到結果。當結果與common sense不合，就會再去找找是不是哪做錯了。
找了很久，終於找到一個不大不小剛剛好，可以拿來練手的dataset，這dataset是general social survey 2000年所做的，你可以到此下載(記得選2000年)，或是直接用我上傳到借來的空間。Gss2000的大小為3.61mb，原汁原味，沒經過任何修改。由於gss的網站好像沒看到可否自由散佈的相關資訊，就假設可以好了 XD 真的不行的話，那到時候再找別的dataset。
use http://twtcsl.org/dataset/gss2000.dta
耶~~~不過，拿到資料後要做什麼？不知道要做什麼，那先來看看種族(race)、姓別(sex)、年齡(age)、收入(income)這幾個變數吧！最簡單直覺的方式就是以表格呈現，在stata裡的指令是tab。所以我們打入tab race，先來看看種族的資料。
tab race
所以我們很快就知道問卷的回答者，大部分是白人，大約15%是黑人。剩下的sex, age, income就請自己試試。
一個一個變數看，可能無法得知全貌。如果想知道種族與性別的關係，最簡單的方式就是作一個交叉表。在stata裡很簡單，tab後打入兩個變數就好了。
tab race sex
可是在寫文章時，一開始不會是cross tab的，都是先看看mean、SD等資訊。好吧，我們有四個變數，那就用sum這個指令，來看看結果。
sum race sex age income
出來結果像上圖這樣。看一看，有什麼問題呢？
問題很大！
第一個問題是問卷的觀察數(obs)不一致，race與sex是2817個，但age降到2809，而income更進一步降到 2685。
第二個問題是race的最小值是1，最大值是3，這一點意義都沒有，因為一者誰知道你的1、2、3是什麼，二者，就算知道1是白人，2是黑人，3是其它種族的人，把1、2、3加起來，有什麼意義？平均值1.276難道意謂著灰人？當然不是！
第一個問題好解決，下個一串if就可以了，第二個問題就要靠虛擬變量(dummy variable)來解決了。簡單地說，虛擬變量就是把原本是類別變數裡面的數字，變成很多個變數，每個變數用0、1來表示原本的值。舉例來說，原本來race=1是white，我們把這個值用另外一個變數來dwhite來表示，dwhite=1表示是白人，dwhite=0為非白人。black就產生一個叫dblack，其它的就叫dother。詳情可參考這篇：Stata: 產生虛擬變量(Create dummy variables)和這篇：Stata: 產生虛擬變量(Create dummy variables)進階篇。
所以race產生虛擬變量的方式如下面，sex也要產生虛擬變量，方法依此類推。
tab race, gen(d)
rename d1 dwhite
rename d2 dblack
rename d3 dother
至於第一個問題怎麼解決，因為要牽涉的東西有點多，所以下次再說。
標籤： 統計分析