Séance 1 : Prise en main de STATA CORRECTION. Allouer la mémoire nécessaire pour pouvoir ouvrir la base

Transcription

1 Marianne Tenand - TD d introduction à STATA Département d économie de l ENS ( ) Séance 1 : Prise en main de STATA CORRECTION Base de données : World Values Survey (WWS) Issue d un projet de recherche international de grande ampleur, qui vise à récolter des informations dans un grand nombre de pays (développés et non-développés), sur les positions individuelles sur les questions de religion, de genre, de démocratie, de famille, etc. Elle contient aussi des données sur le bien-être subjectif. Très utilisée en «économie du bonheur» et en économie politique Bases de données gratuites à télécharger sur le site : Une documentation sur la base est également fournie 1. Ouvrir la base de données Ouvrir STATA Allouer la mémoire nécessaire pour pouvoir ouvrir la base La base WWS est une base contenant plus de variables, avec au moins individus par pays. Les nouvelles versions de STATA allouent automatiquement la mémoire vive nécessaire (dans la limite des possibilités de la machine). En revanche, dans les versions plus anciennes, STATA ne pourra pas ouvrir la base avec la mémoire vive allouée par défaut. Il faut donc demander à STATA d en allouer davantage pour qu il fonctionne : o Taper dans la fenêtre COMMAND l instruction : set memory 700m (700m signifie qu on alloue 700 mégabytes à STATA) Ouvrir la base de données dans STATA o Aller dans l onglet «file», cliquer sur «ouvrir» o Chercher le fichier (format.dta, nom complet : WVS_Longitudinal_ _stata_v_2014_11_25.dta) o Cliquer sur ouvrir Une autre possibilité pour ouvrir la base consiste à utiliser la commande use : use «chemin_dossier_td économétrie\nom_du_fichier WVS_Longitudinal_ _stata_v_2014_11_25.dta», clear 1

2 Dans de nombreux cas de figure, vous aurez à travailler avec plusieurs bases de données (soit que vous ayez plusieurs fichiers sources, soit que votre travail aboutisse à la création de plusieurs bases distinctes). Il peut alors être fastidieux d avoir à réécrire à chaque fois le chemin du dossier dans lequel vous voulez placer toutes vos bases. Dans ce cas, il est plus efficace de commencer par spécifier un emplacement dans lequel STATA ira chercher les bases à ouvrir et enregistrera les données. Vous procédez ainsi : cd «chemin_du_dossier» «cd» signifie «current directory». Vous pouvez ensuite ouvrir la base de données en faisant simplement : use nom_du_fichier WVS_Longitudinal_ _stata_v_2014_11_25.dta, clear Vérifier que l ouverture a correctement fonctionné : o Une ligne commençant par use est apparue dans la fenêtre RESULTS sans message d erreur (sans rouge) o Une ligne d instruction (en noir) est également apparue dans la fenêtre REVIEW o Les variables de la base se sont affichées dans les fenêtres PROPERTIES et Variables 2. Créer un do-file et un log-file Ouverture du do-file : o Aller dans l onglet «file» > «new do-file» > «ouverture du dofile» o Vous pouvez aussi utiliser l icône ouvrant l éditeur de do-file Ouverture du log-file : o Taper en commande log using nom_du_fichier.log 3. Décrire les données Pour nom du fichier, vous spécifiez le nom que vous voulez donner à votre log. Son extension sera «.smcl» Faire apparaître dans une fenêtre la base de données en exécutant la commande browse o Explorer la base : prenez le temps de la comprendre, de vérifier que vous comprenez quelle est l unité d observation, les variables (labels présents? sont-ils explicites?) et les valeurs qu elles prennent, etc. Vous pouvez prendre quelques variables qui vous intéressent et leur appliquer les commandes summarize et describe Prenons par exemple la variable A001 (attention, STATA est sensible aux majuscules!). On va essayer de comprendre ce que contient cette variable : - Son label indique «Important in life : Family» elle contient les réponses à la question «la famille est-elle pour vous un élément important de la vie?» - Commande desc A001 format, type de stockage - Commande tab A001 donne les fréquences de chaque modalité 2

3 - Commande sum A001, d cette variable est bien une variable numérique ; or la commande tab faisait apparaître le label de chaque modalité et non la valeur prise > comment la retrouver? - Commande codebook A001 donne beaucoup d informations Le type de la variable (numérique) L intervalle des valeurs prises par la variable («range») La correspondance entre la valeur numérique prise par chaque modalité et le label attribué à cette modalité La fréquence de chaque modalité Le nombre de valeurs uniques (8) Le nombre de valeurs manquantes, qui sont signalées dans STATA par des «.» à la place de la valeur prise. Remarquez qu ici il y a bien eu des valeurs manquantes (non-réponse sans doute), mais cela a été codé comme une des modalités (valeur -5) Combien de variables y a-t-il dans la base? Combien d observations? Il y a observations et 1377 variables (voir dans tableau PROPERTIES), ou lorsque vous ouvrez la fenêtre correspondant à la base de données, l information s affiche en bas. Pour retrouver le nombre d observations : commande disp _N Combien y a-t-il de pays dans la base? Combien d années? Il faut commencer par repérer les variables correspondantes : - Variable pays/région : il y a 100 valeurs uniques d après la commande codebook S003 ; du fait de ce grand nombre de valeurs possibles, la commande ne nous donne pas la liste de toutes les modalités mais seulement quelques exemples. Pour avoir la liste de tous les pays représentés il nous faut faire la commande tab S003. Attention toutefois! Cette commande ne nous donne pas le nombre de pays représentés, car certaines modalités peuvent ne pas correspondre à des pays (mais à une information manquante par ex.). On préfèrera donc, pour avoir la liste des modalités d une variable, utiliser la commande suivante : label list S003 On voit qu il y a 5 modalités qui ne correspondent pas à des pays il y a donc 95 pays représentés dans la base. - Variable années il s agit en fait d une variable donnant la vague de l enquête (chaque vague s étalant sur plusieurs années) (variable S002). Il y a en tout 6 vagues - Tous les pays n ont pas participé toutes les années. Vous pouvez croiser les deux variables précédents pour voir quels pays sont représentés dans une vague donnée, et avec combien d individus. tab S002 S003 3

4 - Si vous voulez compter le nombre d observations pour la France, vous devez d abord trouver la valeur (numérique) de la variable pays qui correspond à la modalité «France» (label list S003 nous indique que c est 250). Puis utilisez la commande count : count if S003 == 250 La commande count if S003!= 250 donne quant à elle le nombre d observations qui ne concernent pas des individus français. Calculer le pourcentage d hommes et de femmes dans l échantillon, en repérant au préalable la variable correspondant au genre (X001) tab X001 51,06% de femmes et 47,56% d hommes. La somme ne donne pas 100% car il y a des nonréponses, de la non-question, de l information manquante. Faites également un label list X001 pour voir quelle est la valeur associée à la modalité «homme» et à la modalité «femme» (là encore, même si chaque modalité a un label, la variable de sexe est numérique). Pour avoir le nombre de femmes (par exemple), on aurait pu aussi taper : count if X001 == 2 En faisant ensuite disp 100*175278/ (soit la division du nombre de femmes par le nombre d individus dans la base, on aurait obtenu le pourcentage de femmes (via un calcul). Croiser la variable genre (X001) et l année (S002) pour obtenir le pourcentage d hommes et de femmes par année dans l échantillon o Note : on peut ajouter une option à la commande tabulate pour obtenir le pourcentage plutôt que les fréquences de chaque sous-groupe : tab variable1 variable2, row nofreq Attention à mettre dans le «bon» ordre les deux variables. Notez qu à la première vague le sexe n avait pas été demandé pour 1/3 de l échantillon total. Utiliser la variable «X028» (statut professionnel) pour obtenir le pourcentage d actifs occupés, de retraités, de chômeurs, d étudiants, etc. parmi les hommes et parmi les femmes Utiliser la commande label list pour voir les codes associées aux différentes modalités de la variable. Les différents statuts professionnels sont : - Temps plein (salarié) - Temps partiel (salarié) - Travailleur indépendant (retraité) - Femme au foyer - Etudiant - Chômeur - Autre - NR, NSP, manquant, etc. (5 premières modalités) 4

5 tab X001 X028, row nofreq On remarque que parmi les femmes, 28% sont femmes au foyer. On peut regarder si cette proportion a évolué au cours du temps : tab X001 X028 if S002 == 2, row nofreq tab X001 X028 if S002 == 6, row nofreq (on regarde la distribution des statuts professionnels séparément pour les différentes vagues de l enquête). Répéter l opération en vous limitant aux personnes dont l âge (X003) est compris entre 15 et 64 ans, puis entre 18 et 60 ans. o Pour que STATA ne réalise les calculs que sur une sous-population, précisez lui la condition de restriction de l échantillon avec «if» : tab variable1 variable2 if a < variable3 < b, row nofreq tab X001 X028 if X003 < 65 & X003 >= 15, row nofreq tab X001 X028 if X003 < 60 & X003 >= 18, row nofreq o Vous pouvez aussi refaire cet exercice en ne gardant que le France. Le taux d activité obtenu vous semble t il cohérent avec les données publiées par l Insee? Taux d activité : rapport entre actifs (occupés et chômeurs) et population totale (sur un tranche d âge correspondant à la vie active). En France, en 2007, il s élevait à 69,7% (Insee ; la population de référence correspond aux ans). tab X001 X028 if X003 < 60 & X003 >= 18 & S003 == 250 & S002 == 5, row nofreq Vous pouvez calculer à la main le taux d activité à partir des pourcentages de chaque modalité ; ou alors, vous pouvez créer une variable correspondant au fait d être ou non inactif. Il suffit alors de faire un «tabulate» de cette nouvelle variable indicatrice pour avoir le taux d activité. gen active = 0 replace active = 1 if X028 == 1 X028 == 2 X028 == 3 X028 == 7 NB: bien-sûr se pose la question de la catégorisation des non-réponses, des valeurs manquantes, etc. Dans le cas de la France, pas très gênant ; mais dans le cas général il vaut mieux recoder en valeurs manquantes les modalités qu on ne sait pas si on doit considérer comme actif ou non-actif : replace active =. if X028 == - 5 X028 == - 4 X028 == - 3 X028 == - 2 X028 == - 1 Décrire la variable «life satisfaction» (A170) o Min, max? o Moyenne? 5

6 o Modalités? Les réponses à la question peuvent aller de 1 (pas satisfait du tout) à 10 (très satisfait). Mais la variable elle-même peut prendre 5 modalités négatives (correspondant aux cas de valeurs manquantes ou de NR). Il vaut donc mieux calculer les statistiques descriptives en éliminant les observations correspondant à ces observations bizarres. sum A170 if A170 >= 0 50% des individus de la base ont un niveau de satisfaction supérieur ou égal à 7, la moyenne étant de 6,6. En France, la moyenne est de 6,9 et la médiane est aussi à 7. Calculer la satisfaction moyenne par statuts professionnels (X028), par niveau de diplôme (X025), par classe sociale (X045), selon la taille de la ville (X049), le pays (S003), la profession (X036), et toute autre variable qui vous intéresse o Vous pouvez utiliser la condition d exclusion «if» o Mais il est plus efficace d utiliser une commande qui permet automatiquement de faire l opération désirée pour chaque modalité de la variable bysort variable: sum variable1 Sans surprise les chômeurs sont en moyenne moins satisfaits de leur vie. Les individus venant d une classe sociale modeste sont en moyenne moins satisfaits de leur vie. Calculer la satisfaction moyenne selon le sexe Les femmes sont en moyenne légèrement plus satisfaites de leur vie que les hommes (différence significative à 1%). En utilisant les éléments précédents, comparez la satisfaction moyenne des hommes et des femmes selon qu ils ou elles vivent en couple (X007), qu ils ou en elles soient en emploi, selon leur âge, etc. Le nombre d observations pour chacune des sous-catégories que vous avez étudiées lors des calculs précédents vous paraît-il faible? Elevé? Lorsque le nombre d observations par catégorie est faible (disons moins d une dizaine d observations), les statistiques réalisées sur cette catégorie, ou les comparaisons de cette catégorie avec une autre, sont peu fiables (on dit souvent en économie qu elles sont peu «robustes»). 6