1

DATAØVING 2 – Introduksjon til Stata II

Oversikt

- Målenivå

- Målefeil

- Å velge land (Split file)

- Histogram, skewness & kurtosis

- Box plot

- Q-q plot

- Missing

Målenivå

Det er viktig nar man velger variabler man skal bruke at man er klar over hvilket maleniva de

er pa. De ulike malenivaene vi kan grovt deles opp i to kategorier: diskre (også kalt

kategorisk) og kontinuerlige.

DISKRE/KATEGORISK KONTINUERLIG

Nominal Ordinal Intervall Forholdstall

Gjensidig utelukkende X X X X

Kan rangeres X X X

Kan si noe om avstaden

mellom verdiene

X X

Naturlig nullpunkt X

Diskre/Kategorisk

Nominal: Enhetene kan bare klassifiseres i gjensidig utelukkende grupper. Verdiene

kan ikke rangeres pa en logisk mate. Eksempel: ja/nei-spørsmal, yrke kjønn, land,

region.

Ordinal: I tillegg til a være gjensidig utelukkende, er det en logisk rangering av

variabelverdiene. Eksempler er holdningsspørsmal som ”Hvor interessert er du i

politikk?” hvor svaralternativene kan rangeres fra ”veldig interessert” til ”ikke

interessert i det hele tatt”. Kodet (1-2-3-4). Alternativene gar som regel fra et

ytterpunkt til et annet, men vi kan ikke si noe nøyaktig om avstanden mellom

svarene.

2

Kontinuerlig

Intervall: Disse variablene kan utrykkes i tall, som kan plottes inn i en skala etter

hverandre, slik at de gir mening. Avstanden mellom svaralternativene har betydning,

det er mulig a spesifisere intervaller mellom verdiene. Eksempel: Temperatur, IQ.

Forholdstall: Som intervall, men med en ekstra betingelse: Alternativene forholder

seg til et bestemt nullpunkt. Eksempel: Alder, antall ar utdanning. Vekt, høyde,

inntekt, landareal, BNP per innbygger.

Hva har det a si?

For at den lineære regresjonsanalysen (OLS) skal gi matematisk mening, kreves det at den

avhengige variabelen er kontinuerlig. Men hvis en ordinal variabel har fem kategorier

(svaralternativer) eller flere, kan den i praksis behandles som en kontinuerlig variabel.

For avhengig variabel med to verdier bruker man logistisk regresjon. Denne skal kodes til

verdiene 0 og 1. Dere kan ogsa bruke en variabel med flere verdier, og kode den om til to.

Mer om dette under! Det ma være minst 10 % i den ene gruppen for a gjøre analysen. Det er

derfor viktig at du sjekker malenivaet og ser pa fordelingen pa den avhengige variabelen din.

Malefeil Det finnes to typer malefeil: tilfeldige og systematiske. De tilfeldige er vanskelige a hindre,

og vi kan for sa vidt leve med dem. Disse følger ikke noe mønster. De systematiske

malefeilene følger derimot et mønster, og er et problem. De er et resultat av darlige

malemetoder eller feilaktig oppfatning av sammenhengen mellom virkelighet og data.

Vi snakker om to typer troverdighet for vitenskapelig analyse:

Reliabilitet eller palitelighet, er spørsmalet om gjentatte malinger med samme

maleinstrument gir samme resultat. Hvis man gjør det riktig, vil man fa omtrent samme

resultat nar man repeterer en bestemt type maling. Vil en annen forsker kunne fa samme

resultat som deg hvis han bruker samme metode pa samme utvalg? Nar en skal vurdere

reliabiliteten av forskningen, vurderer en datasettets kvalitet.

Validitet eller gyldighet, er spørsmalet om en faktisk maler det man er ute etter a male. Er det

sammenheng mellom indikatorene og det teoretiske begrepet du skriver om? Er dataene dine

en gjengivelse av egenskapene ved det du studerer?

3

Det første vi gjør er å starte en ny loggfil for øving 2 via menylinjen (se øving 1). Deretter slår

vi av «more» funksjonen:

Command: set more off enter

Å velge land (Split file)

Når du laster ned ESS datasett fra it's learning inneholder dette alle landene som deltok i

undersøkelsen. For å se alle landene som inngår i dette ESS datasettet kan vi kjøre en

frekvenstabell. På øving 1 gjorde vi dette gjennom kommandovinduet, nå skal vi prøve dette

gjennom menyer, trykk:

Statistics Summaries, tables and tests Frequency tables one-way table

I boksen "Categorical variable" skriver vi inn variabelnavnet (cntry) eller velger den fra

variabellista. Trykk OK.

Vi har nå fått opp en tabell med alle landene som er inkludert i dette ESS datasettet, navngitt

med bokstavkoder. Hvilke land de ulike bokstavkodene representerer finner man på

nettsidene til ESS. Det er også lagt ut en oversikt over bokstavkodene til landene som er med i

ESS6 i mappa «dataøvinger» på its learning.

Av tabellen ser vi at blant annet er Norge (NO) og Polen (PL) med:

4

Til oppgaven din vil du mest sannsynlig bare se på ett, to eller tre land. Dette betyr at du må

fjerne resten av landene. For eksempel hvis du ønsker å se på helse og fysisk aktivitet i

Skandinavia vil du kanskje bare beholde Norge, Sverige og Danmark – mens du fjerner resten

av de europeiske landende fra analysene. Det er to kommandoer du kan bruke til dette: keep

og drop. Med den første må du spesifisere hvilke land du vil beholde, mens med drop forteller

du Stata hvilke land du vil fjerne.

Med begge kommandoene må du spesifisere hvilke respondenter du vil beholde eller fjerne,

dette gjør du med å skrive if condition ==value før verdien du vil beholde/fjerne. Condition

referer her til en variabel, i dette tilfellet cntry (land). Value referer til en spesifikk verdi. For

eksempel kan du skrive drop if agea<18 for å fjerne alle respondenter under 18 år.

5

Først og fremst er det viktig at du har en sikkerhetskopi av datafilen. Dette er ikke så viktig

når du bruker datafil fra its learning, da du alltid har en "sikkerhetskopi" liggende der.

Variabelen cntry måler hvilket land respondentene er fra i ESS. Når du har funnet

bokstavkoden for landene du vil benytte kan vi skrive inn kommandoen. Vi skal nå beholde

Norge (NO) og Polen (PL):

For å beholde flere land, for eksempel Norge og Polen skriver du bare inn "|" etter landet og

legger til ny kode, for eksempel:

Command: keep if cntry =="No"|cntry=="PL" Enter

På denne måten kan du legge til flere land etter Polen hvis du ønsker det. For å beholde kun

ett land. Vi sjekker om vi har gjort det riktig med å kjøre en frekvenstabell for cntry:

Statistics Summaries, tables and tests Frequency tables one-way table

Vi skal nå kun beholde respondenter fra Norge:

Command: keep if cntry == "NO" Enter

Statistics Summaries, tables and tests Frequency tables one-way table

Når vi nå kjører frekvensstatistikk for cntry vil vi få opp denne tabellen:

6

Historgram, skewness & kurtosis

Grafikk er en viktig årsak til Statas popularitet. Histogrammer kan lages både i menyer og

med kommandoer. Vi skal gjøre et eksempel med kommandoer. Du kan lese mer om hvordan

man lager historgrammer i menyer i Midtbø (2012) og Acock (2014).

Frekvensstatistikk gir en tallmessig oversikt over variablene våre. Dette kan også fremstilles

grafisk ved hjelp av et histogram. Å studere en variabel fremstilt i et histogram er kanskje den

enkleste måten å sjekke om en variabel er normalfordelt på. Det er viktig å sjekke

normalfordelingen på variablene dere velger til oppgaven (dette gjelder kontinuerlige

variabler og ordinalvariabler som skal behandles som kontinuerlige). Hvis den avhengige

variabelen ikke er normalfordelt kan det bli et problem for dine statistiske analyser. Vi skal nå

lage et histogram for variabelen eduyrs, som måler utdanningsnivå (antall år):

Command: histogram eduyrs enter

Med denne kommandoen får vi opp et nytt vindu i STATA som viser et histogram for

variabelen eduyrs.

7

Vi kan også be Stata om å legge til normalfordelingskurven på histogrammet ved å legge til

kommandoen normal:

Command: histogram eduyrs, normal width (1) enter

width forteller Stata hvor bred hver stolpe skal være i histogrammet (i dette tilfellet 1). Dette

er rent estetisk.

8

Vi ser av histogrammet og normalfordelingskurven at variabelen eduyrs ikke er helt

normalfordelt, men tilnærmet normalfordelt i alle fall. Å dømme hvorvidt en variabel er

normalfordelt eller ikke basert på et histogram vil alltd være noe subjektivt. Et mer objektivt

mål på en variabels normalfordeling er skewness (skjevhet) og kurtosis (kurtose) som måles i

tallverdier. Vi kan dermed sette ett tallmessig kriteria for hva som er problematisk når det

gjelder normalfordeling. Vi kan bruke både tabstat og summarize her. La oss prøve med en

annen variabel – tvtot (måler hvor mye man ser på TV i hverdagen):

Command: tabstat tvtot, statistics (skew kurtosis) enter

9

Command: summarize tvtot, detail enter

Hovedforskjellen ved å bruke disse to kommandoene er at med tabstat kan man enklere

sammenlikne verdiene til flere variabler.

Verdiene for skew (skjevhet) og kurtosis (kurtose) er begge ganske gode for variabelen tvtot.

På 0.02 er det minimalt med skjevhet i variabelen (0 er ingen skjevhet/skew og en

skjevhet/skew over +/- 2 er generelt problematisk). En kurtose/kurtosis på over 10 gir grunn

til bekymring (Midtbø, 2012; Acock, 2014). I Stata er kurtose/kurtosis sentrert på 3 som betyr

at om variabelen har en kurtose på 3 er variabelen perfekt normalfordelt. En lavere

kurtoseverdi betyr at spredningen i variabelen er bredere enn den burde være, mens en høy

kurtoseverdi betyr at den er "tung" rundt midten (altså er verdiene i midten av variabelen mer

vanlig enn de bør være i en normalfordeling). Selv om skew/skjevhet og kurtosis/kurtose har

10

gode verdier kan vi fortsatt ha problemer med uteliggere/outliers (ekstremverdier). For å

undersøke dette kan vi bruke et box plot. Først skal vi gå gjennom en tredje måte å få en

grafisk fremstilling av normalfordelingen på (q-q plot).

Oppsummering så langt

Frequencies: viser oss antall respondenter innen hver verdi på variabelen.

Skewness: forteller oss noe om plasseringen av gjennomsnittet. Hvis skewness er 0 er

gjennomsnittet i midten av distribusjonen, altså er variabelen normalfordelt.

Kurtosis: forteller oss noe om hvor jevn fordelingen er. Hvis kurtosis er positiv vil det meste

av utvalget være rundt gjennomsnittet. Hvis kurtosis er negativ vil flere respondenter ha mer

perifere verdier

Histogram: viser oss frekvensfordelingen grafisk. I dette tilfellet har vi en litt negativt skjev

distribusjon, men for vår analyse så antar vi at den er normalfordelt.

Q-Q Plot (Q-normal plot)

En annen måte å undersøke normalfordelingen til en variabel er å bruke Q-Q plots. Disse

sammenligner fordelingen av en variabel mot en teoretisk normalfordeling. Et q-q-plot viser

tydeligere hvordan en variabel avviker fra normalfordelingen enn hva et histogram gjør. Hvis

variabelen er normalfordelt skal verdiene ligge langs 45-graderslinjen i dette plottet. Linjen

representerer altså normalfordelingen. Kommandoen for grafen er qnorm. Vi prøver nå med

variabelen tvtot:

11

Command: qnorm tvtot enter

Q-q plottet viser at tvtot er tilnærmet normalfordelt, med noen uteliggere i begge ender.

Vi prøver et nytt eksempel med variabelen agea, alder:

Command: qnorm agea Enter

12

Agea har en kurtoseverdi på under 3 (2.16), som vi også ser her fra S-formen på q-q plottet.

Det er også et par prikker i begge ender av S-formen, disse indikerer uteliggere

(ekstremverdier).

Box plot

Fram til nå har vi konsentrert oss om gjennomsnitt og standardavvik. Men gjennomsnittet kan

bli sterkt påvirket av uteliggere. Dette gjør at vi i noen tilfeller bør undersøke medianen og

kvartilene. Et boksplott kan fortelle oss om sentraltendens, spredning, symmetri og

ekstremverdier (uteleiggere). Kommandoen i Stata er graph box. Vi skal nå lage et box plot

for variabelen eduyrs, utdanning:

Command: graph box eduyrs Enter

13

Boksen er definert av rektangelet midt i figuren. De to loddrette strekene ovenfor og nedenfor

boksen kaller vi "værhårene" og avsluttes med to horisontale linjer som blir kalt "gjerder". I

en symmetrisk fordeling er værhårene like lange. Dersom boksen og værhårene er presset

sammen i bunnen av figuren, slik som her, er fordelingen høyreskjev. Enheter på utsiden

ansees som ekstremverdier (eller uteleiggere) og er angitt med prikker. Av boksplottet for

eduyrs ser i at det bare er et par verdier som ansees som ekstreme. I dette tilfellet er det

sannsynligvis ikke problematisk. Dere kan lese mer om uteliggere og ekstreme verdier i

Acock (2014) på side 283.

Missing

En av statistikkens grunnregler er at jo flere enheter som tas med i analysen, jo bedre er det.

For at utvalgene vi studerer kan kunne fortelle oss noe om populasjonen vi studerer er det

viktig at den enkelte variabel ikke har for mange ”missing values”, personer som har unnlatt a

svare pa det spesifikke spørsmalet – disse vil nemlig ikke bidra med noe til analysen.

14

Hvis man har altfor mange missing values vil dette skape en skjevhet i resultatene dine. Sjekk

derfor alltid om variablene dine har mange ”missing”!

For å spesifisere missing values som missing må vi kunne identifisere verdiene som er

missing. For å gjøre dette i Stata er summarize og tabulate oneway gode kommandoer.

Vanlige verdier for missing er høye doble og triple tall (for eksempel 99, 888, 77). Hvis det er

et svaralternativ som for eksempel "don't know", "no answer" eller liknende, så er dette

missing values – men vi må også kunne identifisere deres tallverdi for å kunne omkode dem.

For å få verdiene på disse svaralternativene må vi bruke kommandoen nolabel sammen med

tabulate oneway. Vi prøver både med og uten nolabel:

Command: tabulate trstprl enter

15

Command: tabulate trstprl, nolabel enter

Istedenfor at den høyeste og laveste verdien sier "no trust" og "complete trust" står det nå bare

0 og 10. Der det sto "don't know" står det nå 88 – det vil si at 88 er tallverdien for

svaralternativet "don't know". I neste dataøving skal vi gå gjennom omkodinger og da er det

nyttig å kunne identifisere slike svaralternativer som "don't know" og "no answer" slik at vi

kan omkode variablene våre til å ekskludere disse missing values.

16

Stata kommandoer fra øving 2

Kommando Forkortelse Anvendelse

histogram Histogram over en variabels

normalfordeling

histogram normal Histogram med

normalfordelingskurve

Summarize x, detail su x, d

graph box Box plot

qnorm q-q plot

(skew kurtosis) Får opp skewness og kurtosis

verdier når de anvendes med

tabstat x, statistics

keep if Beholde respondenter

drop if Fjerne respondenter

nolabel Tallverdier istendenfor labels

– brukes sammen med

tabulate oneway

width Angi bredde på stolpene i

histogrammet (estetisk)