Stata学习笔记——关于缺失值处理的新心得

* 查看指定变量的缺失值数量与比例 

misstable summarize y x1 x2 x3 controls 

* 步骤1：打开Stata，在命令窗口输入以下代码（二选一） 

ssc install mi, replace  // 推荐：从Stata官方安装 replace 

* 步骤2：验证安装是否成功 

which mi  

// 若显示mi的安装路径（如C:\ado\plus\m\mi.ado），说明安装成功 

mi    // 输入mi回车，若显示mi的命令说明，确认安装完成

* 绘制缺失值模式图，识别变量间缺失的关联性 

mi patternplot y x1 x2 x3 controls  (miss_pattern)

* Little's MCAR检验 

mi misstable mcar y x1 x2 x3 controls 

* 方法1：删除包含任意缺失值的观测 

drop if missing(edu) | missing(work) | missing(hukou) 

* 方法2：仅删除指定变量的缺失值（保留其他变量有效样本） 

drop if missing(lnc)  // 收入变量缺失率4%，直接删除 

* 方法3：保留核心变量无缺失的样本 

keep if !missing(y) & !missing(digital_capital) & !missing(shzb)

* 均值填充：用变量非缺失值的均值补充缺失值 

foreach var of varlist digital_capital lnc {    replace `var' = rmean(`var') if missing(`var') 

} 

* 中位数填充（更稳健，适用于有极端值的变量） 

summarize digital_capital, detailreplace digital_capital = r(p50) if missing(digital_capital)

* 以志愿服务参与（y）为例，用其他变量预测缺失值 

logit y edu i.sex i.work i.hukou if e(sample) 

predict y_pred, pr   // 预测y=1的概率 

replace y = 1 if missing(y) & y_pred > 0.5 

replace y = 0 if missing(y) & y_pred <= 0.5

* 步骤1：声明缺失值类型 

mi set flong 

mi register imputed digital_capital lnc  

// 声明需要填补的变量 

* 步骤2：执行多重填补（生成5个填补数据集） 

mi impute logit y edu i.sex i.work i.hukou, add(5)  // 分类变量用logit 

mi impute pmm digital_capital lnc edu i.work, add(5)  // 连续变量用pmm 

* 步骤3：在填补后的数据上进行回归分析 

mi estimate: logit y edu i.sex i.work digital_capital shzb

* 步骤1：生成缺失原因标识变量（这一步可有可无，只需要在数据来源部分说明即可）

gen is_b卷 = (missing(y)==0)  // y非缺失=填了B卷（1），缺失=填了A卷（0） 

label define is_b卷 0"A卷（无y值）" 1"B卷（有y值）" 

label values is_b卷 is_b卷 

* 步骤2：仅用有核心变量的样本做分析 

preservekeep if is_b卷==1  // 保留B卷样本（有y值） 

*或

drop if y==.    //剔除y为缺失值的样本本  

restore 

* 步骤3：分层对比分析（可选） 

bysort is_b卷: sum x1 x2 x3  // 对比A/B卷样本特征

本研究数据来源于 XX 问卷调研，共收集有效样本 10136 个。通过misstable命令诊断显示：

    ① 受教育年限、工作状况等控制变量缺失率＜0.1%，为完全随机缺失，采用删除法处理；

    ② 核心自变量X变量缺失率 31.9%，为随机缺失，采用 5 重填补法（MI）补充；

   ③ 因变量 “志愿服务参与” 缺失率 49.1%，由问卷分卷设计导致（仅 B 卷包含该变量），属于结构性缺失，故仅保留 B 卷样本（N=5150）进行核心回归分析。

所有缺失值处理后，最终用于回归的有效样本量为 4821 个。

*第一步：查看变量样本情况

tab edu   //若出现了-2等异常值且频数不多，则在查阅问卷原文后，进行下一步

*第二步：将异常值直接纳为缺失值

replace edu=. if edu<0 

//或

replace edu=. if edu<0 | edu＞20 

//将edu小于0或大于20时的值，均视为缺失值。

*第三步：按照缺失值类型进行处理

*直接生成一个用于标记 “无缺失值样本” 的二元变量 yb，判断多个变量是否存在缺失值

gen yb=!missing( y,x1, x2, x3, 中介变量, 控制变量)   

*解析命令：

///yb是自定义的新变量名（可替换为任意合法名称，如 sample  no_miss 等。

!：逻辑非运算符（等价于 not），表示 “取反”。

missing(varlist)：Stata 内置函数，作用是判断括号内的变量是否存在缺失值：

若所有变量都无缺失，则yb==1；

若任意一个变量有缺失，则yb==0。///

*剔除不符合要求的样本/保留符合需要的样本

drop if yb==0   //剔除有缺失值的样本

*或

keep if yb==1  //保留 “所有关键变量都无缺失” 的样本

研途共勉 

研路漫漫共求索，

虚心聆教启新知。

切磋砥砺同精进，

笃志深耕硕果期。