Introducción a Stata II

class: center, middle, inverse, title-slide

# Introducción a Stata II
## Programación para el análisis de datos
### Departamento de Ciencias Sociales, UCU - Martín Opertti

---

class: inverse, center, middle

# Limpiar datos

---

## Sort

- A veces queremos ordenar los datos según una variable, para eso utilizamos el comando `sort` que ordena las observaciones en orden ascendente (de menor a mayor).

- Los casos perdidos son tratados como infinitos por lo que quedan al final.

- La sintáxis es `sort varlist`

- El argumentos `stable` sirve para mantener el orden anterior dentro de cada subgrupo nuevo

- Con `gsort` podemos ordenar de forma descendente

```r
sort country_name

sort region, stable

sort region country_name

gsort - country_name
```

---

## Orden de variables

- El comando `order` sirve para cambiar el orden las columnas en la base de datos.

- La sintaxis es `order varlist [, options]`. Algunas de las opciones o argumentos son `first`, `last`, `before(varname)`, `after(varname)`.

```r
order country_name region, first

order country_code, after(country_name)
```

---

## Filtrar observaciones

Para filtrar observaciones podemos utilizar dos comandos: `drop` y `keep`. Estos comandos van seguidos de un condicional, `drop if *exp*`.

```r
keep if edad == 20

drop if edad > 80
```

`drop` y `keep` también nos sirven para seleccionar o quitar variables (columnas). Su uso para este caso es: `drop *varlist*`

```r
keep edad educacion

drop ingreso genero
```

---

## Operadores y expresiones

<table class="table table-striped table-hover table-condensed" style="font-size: 16px; margin-left: auto; margin-right: auto;">
 <thead>
  <tr>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> Operadores aritméticos </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> Operadores relacionales </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> Operadores lógicos </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> + sumar </td>
   <td style="text-align:left;"> &amp; y </td>
   <td style="text-align:left;"> == igual a </td>
  </tr>
  <tr>
   <td style="text-align:left;"> - restar </td>
   <td style="text-align:left;"> | o </td>
   <td style="text-align:left;"> != no igual a </td>
  </tr>
  <tr>
   <td style="text-align:left;"> * multplicar </td>
   <td style="text-align:left;"> ! no </td>
   <td style="text-align:left;"> &lt; menor a </td>
  </tr>
  <tr>
   <td style="text-align:left;"> / dividir </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;"> &gt; mayor a </td>
  </tr>
  <tr>
   <td style="text-align:left;"> ^ elevar a una potencia </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;"> &lt;= menor o igual a </td>
  </tr>
  <tr>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;"> &gt;= mayor o igual a </td>
  </tr>
</tbody>
</table>

---

## Operadores y expresiones

```r
keep if tasa_desempleo > 5 & tasa_desempleo <= 11

keep if country_name == "Uruguay" | country_name == "Argentina"

keep if region != "North America"

drop if tasa_desempleo <= 10
```

---

## Ejercicio

.content-box-red[
*Filtrar la base para quedarse solamente con las observaciones que corresponden a países de América del Norte y Uruguay*
]

---
class: inverse, center, middle

# Variables

---

## Crear nueva variable (expresiones genéricas)
 
Para crear una nueva variable en Stata se puede utilizar el comando `generate` o su abreviación `gen`.

`generate` crea una nueva variable a partir de una expresión, y tiene la siguiente sintáxis: `generate newvar = exp`.

```r
gen poblacion_total_m = pob_total/1000000

gen area_no_selvatica = area_total - area_selvatica

gen area_selvatica_per = (area_selvatica * 100) / area_total

gen co2 = co2_pc * pob_total
```

---

## Funciones

---

## Ejercicio

.content-box-red[
*1. Crear una nueva variable de `pib_pc` llamada `pib_pc_2` a partir de otras variables en la base. Chequear que coincidan los valores de `pib_pc` y `pib_pc_2`*

*2. Redondear al número entero más cercano la variable co2_pc*

]

---

## Crear nueva variable (expresiones específicas)

Para crear una variable a partir de expresiones específicas sobre valores de otra variable (ej. una variable que indique si el país es miembro del Mercosur o no), utilizamos nuevamente `gen` pero en conjunto con `replace`.

De esta forma, la creación de la nueva variable se divide en al menos dos líneas. `replace` cambia el contenido de una variable ya existente (que en estos casos generamos previamente utilizando  `gen`). La sintáxis abreviada de `replace` es: `replace varname = exp`.

```r
gen mercosur = 0 // Primero creo variable con el valor 0 para todos
replace mercosur = 1 if country_name == "Argentina"  
replace mercosur = 1 if country_name == "Brasil"  
replace mercosur = 1 if country_name == "Paraguay"  
replace mercosur = 1 if country_name == "Uruguay"  
```

---

## Crear nueva variable (expresiones específicas)

.codefont[

```r
gen pob_m3 = 0
replace pob_m3 = 1 if pob_total >= 3000000
replace pob_m3 = . if missing(pob_total)

gen td_rec = 0
replace td_rec =  1 if tasa_desempleo < 10
replace td_rec =  2 if tasa_desempleo >= 10 & tasa_desempleo < 15 
replace td_rec =  3 if tasa_desempleo >= 15
replace td_rec = . if missing(tasa_desempleo)

gen crec_ele = 0
replace crec_ele = 1 if pob_crecimiento > 2 & acceso_electricidad < 90
replace crec_ele = . if missing(pob_crecimiento) | missing(acceso_electricidad)
```
]

---

## Ejercicio

.content-box-red[
*Crear una variable que:*

*- tome el valor 2 si el gasto en educación y en salud es mayor a 6%*

*- tome el valor 1 si el gasto en una de estas dos variables es mayor al 6% pero no en la otra*

*- tome el valor 0 si el gasto en ambas variables es menor a 6%*

*- sea missing si tenemos valores perdidos en alguna de estas dos variables.*
]

---

## Crear nueva variable (expresiones específicas)

En recodificaciones complejas tener cuidado con el **orden**. Estas líneas de código producen resultados muy diferentes! Vamos de general a particular, es decir, si tenemos dos condiciones y una incluye a la otra, debemos ir por la más general primero (tener más de 6% de gasto en educación o salud) y luego por la particular (tener más de 6% de gasto en ambas).

Para nuestro ejercicio este código es el correcto:

.codefont[

```r
gen var_ej = 0
replace var_ej = 1 if gasto_salud > 6 | gasto_educacion > 6 # general
replace var_ej = 2 if gasto_salud > 6 & gasto_educacion > 6 # particular
replace var_ej = . if missing(gasto_salud) | missing(gasto_educacion)
```
]

Este es incorrecto:

.codefont[

```r
gen var_ej = 0
replace var_ej = 2 if gasto_salud > 6 & gasto_educacion > 6 # particular
replace var_ej = 1 if gasto_salud > 6 | gasto_educacion > 6 # general
replace var_ej = . if missing(gasto_salud) | missing(gasto_educacion)
```
]

---

## Crear nueva variable con egen

- `egen` sirve para crear nuevas variables con funciones propias.

- Algunas de las funciones de egen son:
  - `rowmean` crea la media de las variables especificadas 
  - `cut` recodifica la variable con los intervalos especificados con `at`
  - `rank` ranking de valores

- La sintaxis de `egen` es:  `egen newvar = funcion(argumentos)`

.codefont[

```r
egen promedio_gasto = rowmean(gasto_salud gasto_educacion gasto_militar)

egen td_rec_2 = cut(tasa_desempleo), at(0, 10, 15) label

egen indice_de_gini_rec = rank(indice_de_gini)
```
]

---

## Ejercicio

.content-box-red[
*Explicar las operaciones realizadas en las siguientes dos líneas de código*
]

```r
gen country_rec = word(country_name, 1)

replace country_rec = usubinstr(country_rec , ",", "", .)
```

---

## Ejercicio

.content-box-red[
*Encontrar y utilizar una función del comando egen que nos indique la suma de un grupo de variables para cada observación. Aplicar obteniendo el total de las variables que comienzan con gasto_ *
]

---

## Recodificar variables

- Con `recode` es posible recodificar los valores numéricos de una variable categórica.

- La sintaxis es:  `recode varlist (rule)`

- Con `/` podemos establecer intervalos, ej `0/5 = 1` implica que todos los valores de 0 a 5 corresponderán a 1.

.codefont[

```r
recode region (5 = 3) (6 = 1)
recode region (5 = 3) (6 = 1), gen(region_rec)

recode tasa_desempleo  (0/5 = 1) (5/10 = 2) (10/15 = 3) (15/max = 4), gen(td_rec)
recode tasa_desempleo (0/5 = 1 Baja) (5/10 = 2 Media) (10/15 = 3 Alta) (15/max = 4 Muy_alta), gen(td_rec_2)
```
]

---
class: inverse, center, middle

# Gráficos

---

## Gráficos

- Stata tiene comandos para realizar distintas [visualizaciones de datos](https://www.stata.com/support/faqs/graphics/gph/stata-graphs/).

- Stata [cheat sheet](https://www.stata.com/links/resources-for-learning-stata/cheat-sheets/StataCheatSheet_visualization_2016_June-REV.pdf) de visualizaciones

- El comando `graph` es la base de las visualizaciones en Stata. Alguno de los tipos que permite son:

- El comando `hist` sirve para crear histogramas, muy útiles para explorar una base de datos.

---

## Histogramas

```r
# Histograma simple
hist tasa_desempleo
```

.center[
<img src="ima/plot_1.png" width="500px" />
]

---

## Histogramas

```r
# Graficar porcentajes en lugar de densidad
hist tasa_desempleo, percent
```

.center[
<img src="ima/plot1_b.png" width="500px" />
]

---

## Histogramas

```r
# Frecuencia
hist tasa_desempleo, frequency
```

.center[
<img src="ima/plot1_c.png" width="500px" />
]

---

## Histogramas

```r
# Agregar título
hist tasa_desempleo, percent title("Tasa de desempleo en 2018")
```

.center[
<img src="ima/plot_2.png" width="500px" />
]

---

## Histogramas

```r
hist tasa_desempleo, percent by(region)
```

.center[
<img src="ima/plot_3.png" width="500px" />
]

---

## Gráfico de dispersión

Gráfico de dispersión simple:

```r
graph twoway scatter pib_pc co2_pc
```

.center[
<img src="ima/plot_4.png" width="500px" />
]

---

## Gráfico de dispersión

No es necesario incluir `graph twoway`

```r
scatter pib_pc co2_pc
```

.center[
<img src="ima/plot_4.png" width="500px" />
]

---

## Gráfico de dispersión

Agregar etiquetas de variables para los ejes y título:

```r
label variable pib_pc "PIB per cápita"
label variable co2_pc "Emisiones de CO2 per cápita"
scatter pib_pc co2_pc, ///
 title("Relación entre PIB per cápita y CO2 per cápita")
```

.center[
<img src="ima/plot_5.png" width="400px" />
]

---

## Gráfico de dispersión

Agregar etiqueta para puntos:

```r
scatter pib_pc co2_pc, ///
  title("Relación entre PIB per cápita y CO2 per cápita") ///
 mlabel(country_code)
```

.center[
<img src="ima/plot_6.png" width="500px" />
]

---

## Gráfico de barras

Media de variable númerica según categoría de otra variable:

```r
graph bar pib_pc, over(region) ///
 title("Media de PIB per cápita según región") 
```

.center[
<img src="ima/plot_7.png" width="500px" />
]

---

## Gráfico de barras

Barras horizontales para mejorar la visualización:

```r
graph hbar pib_pc, over(region) ///
 title("Media de PIB per cápita según región") 
```

.center[
<img src="ima/plot_8.png" width="500px" />
]

---

## Gráfico de barras

Agregar medias, medianas y máxima:

```r
graph hbar (mean) pib_pc (median) pib_pc (max) pib_pc, over(region) ///
 title("Media de PIB per cápita según región") 
```

.center[
<img src="ima/plot_9.png" width="500px" />
]

---

## Temas

- Con `scheme` (dentro de las opciones de `graph`) o `set scheme` por cada sesión es posible establecer temas.

```r
graph hbar (mean) pib_pc (median) pib_pc (max) pib_pc, over(region) ///
 title("Media de PIB per cápita según región") scheme(economist)
```

.center[
<img src="ima/plot_10.png" width="400px" />
]

---

## Guardar gráficos

Para guardar un gráfico generado en Stata se puede utilizar tanto `graph save` como `graph export`.

La sintaxis es: `graph export newfilename.suffix`.

Ver otros formatos con `help graph export`

```r
# Exportar como gph (formato Stata)
graph save ejemplo

# Exportar como png
graph export ejemplo.png

# Exportar como pdf
graph export ejemplo.pdf
```

---

## Ejercicio

.content-box-red[
*Graficar la relación entre gasto en salud y gasto en educación de la forma que te parezca más conveniente y con la mayor cantidad de información posible*
]

---
class: inverse, center, middle

# Estadística inferencial

---

## t-test

- Las pruebas t (t-test) independientes están diseñadas para comparar medias de la misma variable entre dos grupos.

- Recodifiquemos la variable de ingreso para que tenga dos categorías, bajos y altos.

```r
recode income_group (1/2=1 Bajos) (3/4=2 Altos), gen(income_group_2)

ttest co2_pc, by(income_group_2)
```

.center[
<img src="ima/ttest.png" width="500px" />
]

---

## Modelos de regresión

- Con el comando `regress` o `reg` se pueden estimar regresiones lineales.

- La sintaxis del comando es: `regress depvar [indepvars] [if] [in] [weight] [, options]`

- Para las variables categóricas se debe incluir `i.` antes del nombre de la variable

```r
reg co2_pc pib_pc i.region
```

.center[
<img src="ima/reg.png" width="600px" />
]