ANÁLISIS DE DATOS CON STATA (Manejo de base de datos) Fortino Vela Peón Agosto, 2011

(1)

CON STATA

(Manejo de base de datos)

Fortino Vela Peón

[email protected]

Agosto, 2011

(2)

 Las bases de datos económicos pueden ser de diversos tipos:

1. Corte transversal (cross section).

2. Series de Tiempo (time series)

3. Combinación de cortes transversales (pooling cross section)

4. Datos panel (panel data)

 Las características particulares de cada tipo de datos deben ser consideradas a fin sacar provecho del análisis que se realizara de estos datos.

Introducción

(3)

 “Una base de datos de corte transversal consiste en una muestra de individuos, hogares, empresas, ciudades, estados, países u otras unidades, tomada en algún punto dado en el tiempo” (Wooldrige, 2010: 5).

 Una de sus características más importantes radica que, en muchas ocasiones, se obtienen de un proceso de muestreo aleatorio.

 Constituye el tipo de datos con el que se inicia el estudio del análisis econométrico.

Corte transversal

(4)

Fuente: Tomado de Wooldridge, 2010: 7.

(5)

 “Una base de datos de series de tiempo consiste de las observaciones de una o varias variables a lo largo del tiempo” (Wooldrige, 2010: 8).

 Una de sus características más importantes radica que, rara vez, puede suponerse que las observaciones sean independientes del tiempo.

 Constituye el tipo de datos más común en la economía y su estudio es más complejo.

Series de tiempo

(6)

Fuente: Tomado de Wooldridge, 2010: 9.

(7)

 Al resultado de combinar diferentes cortes transversales se le da el nombre de una base de datos pooling.

 Permite ampliar el tamaño de la muestra.

 Constituye el tipo de datos que permite analizar los efectos de los cambios en políticas públicas al observar las diferencias que presentan las variables en el tiempo.

Combinación de cortes transversales

(8)

Datos panel

 “Un conjunto de datos de panel (o longitudinal) consiste en una serie de tiempo por cada unidad de una base de datos de corte transversal”

(Wooldrige, 2010: 10).

 Su característica que los distingue de las

combinaciones de cortes transversales, es que

durante un intervalo de tiempo se siguen a las

mismas unidades de observación de un corte

transversal.

(9)

Fuente: Tomado de Wooldridge, 2010: 9.

(10)

 Las bases de datos se han constituido en una de las herramientas más ampliamente difundidas en la actual sociedad de la información en todos los campos del conocimiento.

 Dada la variedad de tópicos –en diferentes niveles de análisis- que se captan en una base de datos está puede estar conformada por un conjunto de archivos en los que se distribuye la información obtenida de acuerdo con los temas considerados.

Las bases de datos

(11)

 Existen cuatro comandos (métodos) para combinar bases de datos:

1. Añadiendo (appending).

2. Combinando (merging)

3. Juntando (joining)

4. Cruzando (crossing)

 La versión 11 introduce una nueva sintaxis para el comando merge.

Combinando bases de datos

1/

Para estas notas es necesario obtener los archivos de datos dmus1 y dmus2 de net from http://www.stata-press.com/data/dmus,

en la forma net get dmus1 y net get dmus2. De igual manera, se requiere obtener de net from http://www.stata-

press.com/data/kk2, los archivos net get data y net get kksoep.

(12)

 Los comandos más utilizados son append y merge.

 Para nuestros fines, inicialmente podemos considerar a una base de datos (archivo) como un arreglo rectangular entre observaciones (renglones) y variables (columnas).

 append añade observaciones (renglones) a una base de datos.

 merge se agregan variables (columnas) a

una base de datos.

(13)

id var1

1

2

3

4

5

…

id var1

6

7

8

9

10

…

archivo 1 archivo 2

id var1

1

2

3

4

5

…

id var2

1

2

3

4

5

…

archivo 3 archivo 4

id var1

1

2

3

4

5

…

id var2

1

9

10

5

3

…

archivo 5 archivo 6

id var1

1

2

…

id var2

1

2

3

4

5

…

archivo 7 archivo 8

(hogares) (individuos)

Caso 1: añadir observaciones

Caso 2: combinar variables

Caso 3: seguir observaciones y combinar variables

Caso 4: agregar obs. y añadir var. diferentes niveles

(14)

Appending

 Parte de contar con bases de datos para las mismas variables pero para observaciones distintas.

 Por ejemplo, moms.dta y dads.dta.

 Cada base de datos contiene las mismas variables pero para distintos individuos:

famid= identificador de la familia age= edad

race= raza

hs= nivel de educación de preparatoria

variable clave

(15)

list

+---+

| famid age race hs | |---|

1. | 3 24 2 1 | 2. | 2 28 1 1 | 3. | 4 21 1 0 | 4. | 1 33 2 1 | +---+

+---+

| famid age race hs | |---|

1. | 1 21 1 0 | 2. | 4 25 2 1 | 3. | 2 25 1 1 | 4. | 3 31 2 1 | +---+

use dads

list

(16)

 Se desea añadir a las observaciones en una sola base de datos.

 Existen dos formas de hacer esta tarea.

clear

append using moms dads list

clear use moms

append using dads list

1 ^a

2 ^da

o bien

(17)

+---+

| famid age race hs | |---|

1. | 3 24 2 1 | 2. | 2 28 1 1 | 3. | 4 21 1 0 | 4. | 1 33 2 1 | 5. | 1 21 1 0 | |---|

6. | 4 25 2 1 |

7. | 2 25 1 1 |

8. | 3 31 2 1 |

+---+

(18)

 En la última forma, se denomina al archivo moms.dta como la base de datos maestra (master) debido a que esta se encuentra activa en la memoria.

 Por su parte, a la base de datos dads.dta se le denomina la base de datos usuaria (using) dado que es la que se especifica después de la sintaxis using.

clear use moms

append using dads

list

(19)

 Sin embargo, al añadir los datos no se puede identificar la fuente de datos de donde provienen las observaciones.

 Para ajustar esto se puede emplear la siguiente sintaxis:

clear

append using moms dads,gen(datasrc)

list, sepby(datasrc)

(20)

+---+

| datasrc famid age race hs | |---|

1. | 1 3 24 2 1 | 2. | 1 2 28 1 1 | 3. | 1 4 21 1 0 | 4. | 1 1 33 2 1 | |---|

5. | 2 1 21 1 0 | 6. | 2 4 25 2 1 | 7. | 2 2 25 1 1 | 8. | 2 3 31 2 1 | +---+

 Es posible considerar múltiples bases de datos y

realizar el mismo procedimiento para añadir

observaciones en una sola.

(21)

 Por ejemplo, considerando los archivos br_clarence.dta, br_isaac.dta y br_sally.dta, que contienen información sobre la revisión bibliográfica de tres sujetos distintos para los mismos tres libros.

**dir br*.dta**

use br_clarence list

clear

append using br_clarence br_isaac br_sally,gen(rev)

list, sepby(rev)

(22)

**dir br*.dta**

0.8k 6/26/11 15:22 br_clarence.dta 0.8k 6/26/11 15:22 br_isaac.dta 0.8k 6/26/11 15:22 br_sally.dta

+---+

| booknum book rating | |---|

1. | 1 A Fistful of Significance 5 | 2. | 2 For Whom the Null Hypothesis is Rejected 10 | 3. | 3 Journey to the Center of the Normal Curve 6 | +---+

+---+

| rev booknum book rating | |---|

1. | 1 1 A Fistful of Significance 5 | 2. | 1 2 For Whom the Null Hypothesis is Rejected 10 | 3. | 1 3 Journey to the Center of the Normal Curve 6 | |---|

4. | 2 1 The Dreaded Type I Error 6 | 5. | 2 2 How to Find Power 9 | 6. | 2 3 The Outliers 8 | |---|

7. | 3 1 Random Effects for Fun and Profit 6 |

8. | 3 2 A Tale of t-tests 9 |

9. | 3 3 Days of Correlation and Regression 8 |

+---+

(23)

Errores comunes al aplicar append

 Aunque resulta fácil el aplicar el comando append, existen ciertos problemas cuando existen entre los archivos:

i) diferencias en los nombres de las variables;

ii) conflictos entre las etiquetas de las variables;

iii) conflictos en las etiquetas de valores;

iv) inconsistencias en los códigos de valores; y

v) mezcla de diferentes tipos de variables.

(24)

Diferencias en los nombres de las variables

 Considere

use moms1 list

use dads1 list

use moms1, clear

(25)

| famid mage mrace mhs | |---|

1. | 1 33 2 1 | 2. | 2 28 1 1 | 3. | 3 24 2 1 | 4. | 4 21 1 0 | +---+

+---+

| famid dage drace dhs | |---|

1. | 1 21 1 0 | 2. | 2 25 1 1 | 3. | 3 31 2 1 | 4. | 4 25 2 1 | +---+

Si bien las variables consideradas miden las mismas característica de los individuos (edad, raza y si están graduados), los nombres de ellas difieren en los archivos.

use moms1

append using dads1 list

Al añadir dan por resultado lo

+---+

| famid mage mrace mhs dage drace dhs | |---|

1. | 1 33 2 1 . . . | 2. | 2 28 1 1 . . . | 3. | 3 24 2 1 . . . | 4. | 4 21 1 0 . . . | 5. | 1 . . . 21 1 0 | |---|

6. | 2 . . . 25 1 1 | 7. | 3 . . . 31 2 1 | 8. | 4 . . . 25 2 1 | +---+

 Se tienen diferentes variables para los individuos de la base de datos nueva.

Solución: utilice el mismo nombre de variable

en ambos archivos, o bien, renombrar a las

variables.

(27)

use moms1

rename mage age rename mrace race rename mhs hs

save moms1temp use dads1

rename dage age rename drace race rename dhs hs

save dads1temp clear

append using moms1temp dads1temp list

+---+

| famid age race hs | |---|

1. | 1 33 2 1 | 2. | 2 28 1 1 | 3. | 3 24 2 1 | 4. | 4 21 1 0 | 5. | 1 21 1 0 | |---|

6. | 2 25 1 1 |

7. | 3 31 2 1 |

8. | 4 25 2 1 |

+---+

(28)

Conflictos entre las etiquetas de las variables

 Considere

use momslab describe

use dadslab describe

append using momslab dadslab

describe

(29)

Contains data from dadslab.dta

obs: 4

vars: 4 27 Dec 2009 21:47 size: 80 (99.9% of memory free)

--- storage display value

variable name type format label variable label

--- famid float %5.0g Family ID

age float %5.0g Dad's Age

race float %9.0g eth Dad's Ethnicity

hs float %15.0g hsgrad Is Dad a HS Graduate?

--- Sorted by: famid

age float %5.0g Mom's Age

race float %9.0g eth Mom's Ethnicity

hs float %15.0g grad Is Mom a HS Graduate?

--- Sorted by: famid

etiquetas distintas

etiquetas

distintas

(30)

Contains data from dadslab.dta

obs: 12

--- storage display value

variable name type format label variable label

--- famid float %5.0g Family ID

age float %5.0g Dad's Age

race float %9.0g eth Dad's Ethnicity

hs float %15.0g hsgrad Is Dad a HS Graduate?

--- Sorted by:

Note: dataset has changed since last saved

 Las etiquetas de las variables se basan en el archivo dadslab.dta.

Solución: Utilice etiquetas de variables más

generales.

(31)

Conflictos en las etiquetas de valores

 Considere

use momslab list

use dadslab list

clear

append using momslab dadslab, gen(datasrc)

list

(32)

+---+

| famid age race hs | |---|

1. | 1 33 Mom Black Mom HS Grad | 2. | 2 28 Mom White Mom HS Grad | 3. | 3 24 Mom Black Mom HS Grad | 4. | 4 21 Mom White Mom Not HS Grad | +---+

+---+

| famid age race hs | |---|

1. | 1 21 Dad White Dad Not HS Grad | 2. | 2 25 Dad White Dad HS Grad | 3. | 3 31 Dad Black Dad HS Grad | 4. | 4 25 Dad Black Dad HS Grad | +---+

 Las etiquetas de valores de las variables race y

hs son distintas. Cuando se utilizan append se

tiene:

(33)

| datasrc famid age race hs | |---|

1. | 1 1 33 Mom Black Mom HS Grad | 2. | 1 2 28 Mom White Mom HS Grad | 3. | 1 3 24 Mom Black Mom HS Grad | 4. | 1 4 21 Mom White Mom Not HS Grad | 5. | 2 1 21 Mom White Mom Not HS Grad | |---|

6. | 2 2 25 Mom White Mom HS Grad | 7. | 2 3 31 Mom Black Mom HS Grad | 8. | 2 4 25 Mom Black Mom HS Grad | +---+

 Cuando se utiliza append las etiquetas de valores de las variables race y hs que se emplean en primer lugar (en este caso, momslab.dta)

Solución: Utilice etiquetas de valores para las

variables más generales.

(34)

Inconsistencias en los códigos de valores

 Considere

use momshs list

use dads list

use momshs

append using dads list

tabulate hs

(35)

| famid age race hs | |---|

1. | 3 24 2 2 | 2. | 2 28 1 2 | 3. | 4 21 1 1 | 4. | 1 33 2 1 | +---+

| famid age race hs | |---|

1. | 1 21 1 0 | 2. | 4 25 2 1 | 3. | 2 25 1 1 | 4. | 3 31 2 1 | +---+

+---+

| famid age race hs | |---|

1. | 3 24 2 2 | 2. | 2 28 1 2 | 3. | 4 21 1 1 | 4. | 1 33 2 1 | 5. | 1 21 1 0 | |---|

6. | 4 25 2 1 | 7. | 2 25 1 1 | 8. | 3 31 2 1 | +---+

 La variable hs es dicótomica solo tiene dos códigos: sí/no. Sin embargo cuando se tabula se tienen tres niveles:

hs=

0 no 1 sí hs=

1 no

2 sí

(36)

HS |

Graduate? | Freq. Percent Cum.

---+--- 0 | 1 12.50 12.50 1 | 5 62.50 75.00 2 | 2 25.00 100.00 ---+--- Total | 8 100.00

Solución: Asegurar que los codigos utilizados en los valores de las variables sea el mismo.

use momshs

recode hs (1=0) (2=1) append using dads

list

tabulate hs

(37)

Mezcla de diferentes tipos de variables

 Esto sucede cuando una de las variables en los dos archivos se almacenan en diferente formato, por ejemplo, string y numeric.

 La variable hs es almacenada en moms.dta como numérica, mientras que dadstr.dta como variable de cadena.

 ¿Qué sucede cuándo las añadimos?

use moms

append using dadstr

(38)

 Se observa un mensaje de error.

append using dadstr

hs is str3 in using data r(106);

Solución: Convertir hs del archivo dadstr.dta en una variable numérica y luego emplear append.

use dadstr

destring hs, replace append using moms

list

(39)

+---+

| famid age race hs | |---|

1. | 1 21 1 0 | 2. | 4 25 2 1 | 3. | 2 25 1 1 | 4. | 3 31 2 1 | 5. | 3 24 2 1 | |---|

6. | 2 28 1 1 | 7. | 4 21 1 0 | 8. | 1 33 2 1 | +---+

 También pueden existir otros tipos de conflictos

cuando se añaden variables que fueron

definidas únicamente como variables cadena.

(40)

 Considere :

use momstr describe use dadstr describe

Contains data from momstr.dta

obs: 4

age float %5.0g Age

race float %5.0g Ethnicity hs str1 %9s HS Graduate?

--- Contains data from dadstr.dta

obs: 4

age float %5.0g Age

race float %5.0g Ethnicity hs str3 %9s HS Graduate?

---

str1

str3

(41)

Solución: Cuando se utiliza append. Stata indica que ha cambiado la amplitud de la variable hs para acomodar la información. Lo más importante es que Stata realiza esta acción automáticamente.

use momstr

append using dadstr

(42)

 Lo mismo sucede cuando se añaden variables numéricas que presentan diferentes formatos (byte, int, long, float y double).

Solución: Al emplear append en este caso, Stata elige automáticamente un formato de datos numérico apropiado.

use moms describe

use dadsdbl describe

use moms

append dadsdbl

list

(43)

age float %5.0g Age

race float %5.0g Ethnicity hs float %7.0g HS Graduate?

---

Contains data from dadsdbl.dta

obs: 4

--- famid int %5.0g Family ID

age byte %5.0g Age

race double %5.0g Ethnicity hs long %7.0g HS Graduate?

---

(44)

append using dadsdbl

race was float now double hs was float now double

 Mayor información puede encontrarse sobre el

comando append en help append.

(45)

Merge: one-to-one-match merging

 El procedimiento match-merge combina dos bases de datos (archivos) empleando una o más variables clave para integrar a las observaciones entre las dos bases (Mitchell, 2010:189).

 La(s) variable(s) clave identifica(n) a cada observación en cada base de datos.

 Las ilustraciones siguientes emplean bases de

datos pequeñas pero el funcionamiento es

similar con bases de datos de mayor tamaño.

(46)

 Considere moms1.dta y dads1.dta.

use moms1 list

use dads1 list

use moms1

merge 1:1 famid using dads1 list

variable clave

Nota: Recuerde obtener los archivos de datos dmus1 y dmus2 de:

net from http://www.stata-press.com/data/dmus net get dmus1

net get dmus2

(47)

|---|

1. | 1 33 2 1 | 2. | 2 28 1 1 | 3. | 3 24 2 1 | 4. | 4 21 1 0 | +---+

+---+

| famid dage drace dhs | |---|

1. | 1 21 1 0 | 2. | 2 25 1 1 | 3. | 3 31 2 1 | 4. | 4 25 2 1 | +---+

Result # of obs.

--- not matched 0

matched 4 (_merge==3) ---

+---+

| famid mage mrace mhs dage drace dhs _merge | |---|

1. | 1 33 2 1 21 1 0 matched (3) | 2. | 2 28 1 1 25 1 1 matched (3) | 3. | 3 24 2 1 31 2 1 matched (3) | 4. | 4 21 1 0 25 2 1 matched (3) | +---+

use moms1 list

use dads1 list

merge 1:1 famid using dads1

list

(48)

matched 4 (_merge==3) ---

 El listado denominado Result confirma que, al utilizar el comando merge, cada observación de moms1.dta fue integrado a dads1.dta.

 Con list podemos apreciar que la variable clave famid (identificador del hogar) ha permitido combinar a las variables de los dos archivos: dmoms1.dta y dads1.dta.

+---+

| famid mage mrace mhs dage drace dhs _merge | |---|

1. | 1 33 2 1 21 1 0 matched (3) | 2. | 2 28 1 1 25 1 1 matched (3) | 3. | 3 24 2 1 31 2 1 matched (3) | 4. | 4 21 1 0 25 2 1 matched (3) | +---+

(49)

 En el lenguaje del comando merge de Stata, moms1.dta es la master dataset, dads1.dta es la using dataset y famid es la key variable.

 ¿Qué si algunas observaciones “no empatan” en los archivos?

 Veamos un segundo ejemplo.

(50)

 Considere moms2.dta y dads2.dta.

use moms2 list

use dads2 list

use moms2

merge 1:1 famid using dads2 list

+---+

| famid mage mrace mhs fr_moms2 | |---|

1. | 1 33 2 1 1 | 2. | 3 24 2 1 1 | 3. | 4 21 1 0 1 | 4. | 5 39 2 0 1 | +---+

+---+

| famid dage drace dhs fr_dads2 | |---|

1. | 1 21 1 0 1 | 2. | 2 25 1 1 1 | 3. | 4 25 2 1 1 | +---+

(51)

 El comando merge resume la forma en que se realizo el empate de las observaciones.

 Se puede observar que las familias 3 y 5 tienen datos para moms2.dta pero no para dads2.dta.

from master 2 (_merge==1) from using 1 (_merge==2)

matched 2 (_merge==3) ---

+---+

| famid mage mrace mhs fr_moms2 dage drace dhs fr_dads2 _merge | |---|

1. | 1 33 2 1 1 21 1 0 1 matched (3) | 2. | 3 24 2 1 1 . . . . master only (1) | 3. | 4 21 1 0 1 25 2 1 1 matched (3) | 4. | 5 39 2 0 1 . . . . master only (1) | 5. | 2 . . . . 25 1 1 1 using only (2) | +---+

(52)

Merging: one-to-many match merging

 El procedimiento 1:1 merge combino uno a uno las observaciones de dos bases de datos (archivos) empleando una variable clave.

 En contraste cuando se combinan madres e hijos es claro que una madre puede tener más de un hijo lo que da origen al procedimiento denominado one-to-many (uno a muchos).

 moms1.dta es 1 base de datos mientras que

kids1.dta es una base de datos m.

(53)

use moms1 list

use kids1

list

+---+

| famid mage mrace mhs | |---|

1. | 1 33 2 1 | 2. | 2 28 1 1 | 3. | 3 24 2 1 | 4. | 4 21 1 0 | +---+

+---+

| famid kidid kage kfem | |---|

1. | 3 1 4 1 | 2. | 3 2 7 0 | 3. | 2 1 8 0 | 4. | 2 2 3 1 | 5. | 4 1 1 0 | |---|

6. | 4 2 3 0 | 7. | 4 3 7 0 | 8. | 1 1 3 1 | +---+

(54)

 La variable clave es famid.

 Se puede observar que la madre de la familia 1 solo tiene un hijo pero la de la familia 4 tiene 3 hijos.

+---+

| famid kidid kage kfem | |---|

1. | 3 1 4 1 | 2. | 3 2 7 0 | 3. | 2 1 8 0 | 4. | 2 2 3 1 | 5. | 4 1 1 0 | |---|

6. | 4 2 3 0 | 7. | 4 3 7 0 | 8. | 1 1 3 1 | +---+

 Se busca combinar las dos bases de datos

(las variables de manera que corresponda a la

misma familia)

(55)

Siguiendo con la sintaxis se tiene

use moms1

merge 1:m famid using kids1

--- not matched 0 matched 8

(_merge==3)

---

 Se señala que todas las observaciones fueron

“empatadas” (match).

 Es posible ordenar la base de datos resultante

considerando las variables famid y kidid.

(56)

 Siguiendo con la sintaxis

sort famid kidid list, sepby(famid)

+---+

| famid mage mrace mhs kidid kage kfem _merge | |---|

1. | 1 33 2 1 1 3 1 matched (3) | |---|

2. | 2 28 1 1 1 8 0 matched (3) | 3. | 2 28 1 1 2 3 1 matched (3) | |---|

4. | 3 24 2 1 1 4 1 matched (3) | 5. | 3 24 2 1 2 7 0 matched (3) | |---|

6. | 4 21 1 0 1 1 0 matched (3) | 7. | 4 21 1 0 2 3 0 matched (3) | 8. | 4 21 1 0 3 7 0 matched (3) | +---+

 De esta manera, por ejemplo, se puede apreciar

que la madre de la familia 4 tiene tres hijos

donde su información se despliega en tres

ocasiones.

(57)

use moms2 list

use kids2 list

 ¿Qué sucede si los archivos no “empatan”

perfectamente?

 Veamos este caso:

+---+

| famid mage mrace mhs fr_moms2 | |---|

1. | 1 33 2 1 1 |

2. | 3 24 2 1 1 |

3. | 4 21 1 0 1 |

4. | 5 39 2 0 1 |

+---+ +---+ | famid kidid kage kfem | |---| 1. | 2 2 3 1 |

2. | 2 1 8 0 |

3. | 3 2 7 0 |

4. | 3 1 4 1 |

5. | 4 2 3 0 |

|---| 6. | 4 3 7 0 |

7. | 4 1 1 0 | +---+

(58)

 Siguiendo con la sintaxis

use moms2

merge 1:m famid using kids2 list

from master 2 (_merge==1) from using 2 (_merge==2)

matched 5 (_merge==3) ---

 Los resultados señalan que 5 observaciones

fueron “empatadas” y 4 no lo fueron. Entre las

no empatadas 2 provienen del master dataset

y las otras 2 del using dataset.

(59)

La base de datos combinada se puede ordenar de acuerdo a famid y kidid.

sort famid kidid list, sepby(famid)

+---+

| famid mage mrace mhs fr_moms2 kidid kage kfem _merge | |---|

1. | 1 33 2 1 1 . . . master only (1) | |---|

2. | 2 . . . . 1 8 0 using only (2) | 3. | 2 . . . . 2 3 1 using only (2) | |---|

4. | 3 24 2 1 1 1 4 1 matched (3) | 5. | 3 24 2 1 1 2 7 0 matched (3) | |---|

6. | 4 21 1 0 1 1 1 0 matched (3) | 7. | 4 21 1 0 1 2 3 0 matched (3) | 8. | 4 21 1 0 1 3 7 0 matched (3) | |---|

9. | 5 39 2 0 1 . . . master only (1) | +---+

(60)

Merging: many-to-one match merging

 El procedimiento ilustrado anteriormente para el comando merge fue 1:m (one-to-many), pero Stata permite también combinar m:1 (many- to-one), en el cual el master dataset puede tener múltiples observaciones que empatar al using dataset en el cual la(s) variable(s) clave(s) identifican de manera única a cada observación.

 En concreto, para el ejemplo anterior, más que

combinar a las madres con los hijos, es posible

combinar a los hijos con las madres.

(61)

La sintaxis sería entonces

use kids1

merge m:1 famid using moms1

matched 8 (_merge==3) ---

 Como se muestra a continuación, las variables

del archivo kids1.dta aparecen antes que las

del archivo moms1.dta debido a que

kids1.dta hace el papel de master dataset

y moms1.dta el de using dataset.

(62)

 Ordenando nuevamente por famid y kidid se tiene

sort famid kidid list, sepby(famid)

+---+

| famid kidid kage kfem mage mrace mhs _merge | |---|

1. | 1 1 3 1 33 2 1 matched (3) | |---|

2. | 2 1 8 0 28 1 1 matched (3) | 3. | 2 2 3 1 28 1 1 matched (3) | |---|

4. | 3 1 4 1 24 2 1 matched (3) | 5. | 3 2 7 0 24 2 1 matched (3) | |---|

6. | 4 1 1 0 21 1 0 matched (3) | 7. | 4 2 3 0 21 1 0 matched (3) | 8. | 4 3 7 0 21 1 0 matched (3) | +---+

(63)

¿Hacia donde vamos?

(64)

 Para algunas instituciones generadoras de información, una base de datos es “un conjunto de tablas con información de diferente tipo, las cuales se relacionan entre sí mediante campos de identiﬁcación que les son comunes y que sirven para poder vincularlas” (INEGI, 2007:1).

 Una tabla almacena datos de un tema en particular, en registros (ﬁlas) y campos (columnas).

ENOE

(65)

 La conformación de la base de datos de la Encuesta Nacional de Ocupación y Empleo (ENOE) lo hace de la siguiente manera:

1. Tabla de vivienda VIV 2. Tabla de hogares HOG

3. Tabla de Sociodemográﬁco SDEM

4. Tabla de cuestionario de ocupación y empleo I COE1

5. Tabla de cuestionario de ocupación y

empleo II COE2

(66)

 El nombre de las tablas de datos se hace añadiendo a las iniciales la letra T y un número a tres dígitos, el cual indica el trimestre y año de la información en cuestión.

 Así, por ejemplo, los nombres asignados para las cinco tablas que conforman la base de datos de la ENOE para el primer trimestre de 2005 son:

1. VIVT105.DBF

2. HOG T 105.DBF

3. SDEM ^T105 .DBF

4. COE1 ^T105 .DBF

5. COE2 ^T105 .DBF

(67)

 Cada tabla de ENOE contiene un número determinado de registros (entiéndase como registro, a cada renglón que existe en la tabla).

 La siguiente imagen representa la relación que

existe entre las tablas y sus registros

(68)

 Se interpreta; para cada vivienda existe uno o más hogares, para cada hogar existe uno o más residentes con sus características sociodemográﬁcas, para cada residente con edad de 12 años cumplidos o más existe un cuestionario de ocupación y empleo.

 http://www.inegi.org.mx/sistemas/microdatos

2/encuestas.aspx?c=14439&s=est

(69)

(70)

Tabla

Terminología de una base de datos

Es la estructura básica de almacenamiento de una base de datos, consiste en una o más columnas y cero o más ﬁlas.

Fila

Es la combinación de los valores de las columnas en una tabla; una ﬁla es comúnmente llamada registro.

Columna

Representa un tipo de datos en una tabla. Esta es descrita

con un nombre y contiene información de un tamaño y tipo

especíﬁco. También conocida como variable.

(71)