Bem-vindo ao Instituto de Pesquisa e Educação Digital Stata FAQ Como posso recodificar valores em falta em categorias diferentes A Stata nos permite codificar diferentes tipos de valores em falta numéricos. Possui 27 categorias desaparecidas numéricas. Quot. a quot. z quot e quot. Quot. Nesta página, mostraremos como codificar valores em falta em diferentes categorias. Primeiro criamos um conjunto de dados com a finalidade de ilustração. Neste conjunto de dados, todas as variáveis são numéricas e as variáveis feminino e ses têm valores faltantes. Os valores não faltantes para fêmeas variáveis são 0 (para masculino) e 1 (para fêmea). Os valores não faltantes para variable ses são 0 (baixo), 1 (med) e 2 (alto). O resto dos valores são considerados valores faltantes. Digamos que queremos codificar -999 em uma categoria, -99 para outra e o resto dos valores em falta em uma terceira categoria para todas as variáveis. Método 1: Usando o comando replace Nós podemos substituir os valores faltantes manualmente por quot. a quot for -999, quot. b quot for -99 e. c pelo resto dos valores que faltam. Por exemplo, para variável feminina. Podemos fazer o seguinte: o comando do livro de códigos acima mostra que a fêmea variável possui três tipos de valores em falta e 4 valores faltantes. Método 2: Usando o comando mvdecode O método 1 pode não ser a melhor maneira de recodificar valores em falta em diferentes categorias. Por um lado, temos que fazer uma variável de cada vez. O comando Statas mvdecode é útil para nós. Melhor ainda, podemos usar a palavra-chave para referir todas as variáveis no conjunto de dados. Passando dos códigos de valores em falta para valores numéricos O outro problema que abordaremos aqui é como alterar os códigos de valores em falta de volta aos valores numéricos. O comando mvencode é emparelhado com o comando mvdecode que acabamos de abordar acima e é o único a usar aqui. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da University of California. Running for Excel: Regressão Múltipla com Variáveis Independentes Qualitativas I Além da taxa de pulso antes e depois A corrida ocorreu, o registro de dados, seja o aluno correu ou não, se eles fumaram, seu sexo, altura (em polegadas), peso (em libras) e nível de atividade. Este último é codificado e são ordenados dados categóricos codificados numericamente. (Os números refletem a ordem, mas não podem ser tomados também, literalmente, quotmoderatequot não significa duas vezes a atividade de quotlowquot.) Você pode encontrar todo o conjunto de dados em nosso site como um arquivo de texto simples ou como uma planilha do Excel. Variáveis independentes qualitativas com duas categorias Existem muitas situações nas quais uma variável quantitativa depende de variáveis quantitativas e qualitativas. Observaremos o caso simples em que temos uma variável independente quantitativa e uma variável independente qualitativa com apenas duas categorias. Em particular, veremos como o peso dos alunos nos dados PULSE varia de acordo com suas alturas e se a relação é diferente para os dois sexos. Scatterplots Um argumento apropriado para ver como o peso depende da altura e do sexo é simplesmente um diagrama de dispersão de peso versus altura em que os pontos de dados são de alguma forma codificados para distinguir os machos das fêmeas. Para desenhar o diagrama de dispersão para distinguir machos e fêmeas, siga o seguinte procedimento em excel. Primeiro, precisamos classificar colunas de altura e peso de acordo com machos e fêmeas. Para essas colunas selecionadas Sexo, Altura e Peso. Selecione a opção Dados na barra de menu superior, escolha Ordenar. Então clique na seta para baixo na opção Classificar por. Clique em Sexo. Então, clique em Ok. A seguir, selecione a opção Inserir na barra de menu superior, escolha o assistente de gráfico. Selecione a dispersão do tipo de gráfico. Clique em Avançar. Depois clique na série. Pressione o botão Adicionar. Digite o nome como Masculino. Insira os dados para valores x como o Heights para machos, y-valores como pesos para machos. Agora, pressione o botão Adicionar. Digite o nome como feminino. Entre valores de x como alturas para fêmeas e valores de y como peso para fêmeas. Finalmente, pressione terminar. Você receberá o seguinte diagrama de dispersão. Verificamos uma tendência linear geral com peso aumentando a altura tanto para os homens como para os dados como um todo. No entanto, se olharmos apenas para as mulheres, eles parecem pesar cerca de 120 libras mais ou menos, independentemente da altura. Podemos também notar dois valores invulgarmente elevados, uma fêmea a uma altura de 61 e um peso de 140, o outro macho em (72, 215). Anote isso. Estes poderiam ser outliers, mas também poderiam ser o resultado de outra variável, talvez um nível de atividade incomum. Codificação 0-1 Para trabalhar com variáveis qualitativas, como o sexo, muitas vezes precisamos codificá-las numericamente. Para duas categorias é conveniente codificar um como 0 e o outro como 1. Se fizermos isso, as estatísticas de resumo da variável 0-1 têm um significado útil. Essas variáveis 0-1 também são chamadas de variáveis de indicadores ou variáveis falsas. Para criá-los, selecione a coluna Sexo. Copie a coluna e cole a mesma coluna ao lado de ActivityL em duas colunas. Agora, substitua o sexo do rótulo por Masculino da primeira coluna e por Feminino para a segunda coluna. Agora, selecione a coluna denominada Masculino. Em seguida, selecione a opção Editar na barra de menu superior, clique em
No comments:
Post a Comment