Stata 使用大数据集生成样本
我有一个很大的数据集,由于它很大,我要么拆分它,要么一次加载一个变量。我已经加载了唯一标识符id,我需要随机选择50个观察值100次。我搜索并找到了sample和runiform来生成随机样本,但是我的问题是我需要生成100个样本,每个样本有50个观察值,因为我需要从整个数据集中采样,这是一个很大的数据集,我只能在内存中保留一个变量,因此我需要保存100次采样结果。我知道我可以使用for循环,但是它效率不高,甚至10个循环都需要很多时间,有没有更快的方法生成多个样本? 这是我的密码:Stata 使用大数据集生成样本,stata,Stata,我有一个很大的数据集,由于它很大,我要么拆分它,要么一次加载一个变量。我已经加载了唯一标识符id,我需要随机选择50个观察值100次。我搜索并找到了sample和runiform来生成随机样本,但是我的问题是我需要生成100个样本,每个样本有50个观察值,因为我需要从整个数据集中采样,这是一个很大的数据集,我只能在内存中保留一个变量,因此我需要保存100次采样结果。我知道我可以使用for循环,但是它效率不高,甚至10个循环都需要很多时间,有没有更快的方法生成多个样本? 这是我的密码: scala
scalar i=0
forvalues i=1(1)100{
clear all
use generated/data1.dta
sample 50,count
save generated/sample`i'.dta,replace
merge 1:m id using generated/10m.dta
keep if _merge==3 |_merge==1
drop _merge
compress
save generated/sample`i'.dta,replace
}
我的原始文件是面板数据,我将原始文件分割成若干部分以便处理,现在我需要选择100个随机样本,在代码中我使用for循环进行了选择,但我认为这不是有效的方法。
为了更好地描述这个问题,我有一个公司的数据集,每天观察价格、回报、日期股息等,问题是原始文件非常大,因此要加载到内存中,我必须将其拆分为6块,以便Stata可以加载。现在我需要选择100个样本,每个样本有50家公司,我在这个循环中这样做:
***Generate 100 samples***
scalar i=0
forvalues i=1(1)100{
clear all
***Select 50 companies at random***
use generated/ids.dta
sample 50,count
***Merge with part1 of the original file***
merge 1:m permno using generated/ids10m.dta
keep if _merge==1 | _merge==3
drop _merge
compress
***Keep in the both file all the ids***
save generated/both`i'.dta,replace
drop if date==.
***Fill the sample`i' with ids which have a correspondence with the date***
save generated/sample`i'.dta,replace
clear all
***Open the both file and keep only the non-match ids***
use generated/both`i'.dta,replace
keep if date==.
keep id
***Keep the non-matched ids to check at the end what's in there***
save generated/rplc`i'.dta, replace
merge 1:m id using generated/id20m.dta
keep if _merge==1 | _merge==3
drop _merge
compress
save generated/both`i'.dta,replace
drop if date==.
append using generated/sample`i'.dta
save generated/sample`i'.dta,replace
clear all
use generated/both`i'.dta,replace
keep if date==.
keep id
save generated/rplc`i'.dta, replace
merge 1:m id using generated/id30m.dta
keep if _merge==1 | _merge==3
drop _merge
compress
save generated/both`i'.dta,replace
drop if date==.
append using generated/sample`i'.dta
save generated/sample`i'.dta,replace
use generated/both`i'.dta,replace
keep if date==.
keep id
save generated/rplc`i'.dta, replace
merge 1:m id using generated/id40m.dta
keep if _merge==1 | _merge==3
drop _merge
compress
save generated/both`i'.dta,replace
drop if date==.
append using generated/sample`i'.dta
save generated/sample`i'.dta,replace
use generated/both`i'.dta,replace
keep if date==.
keep id
save generated/rplc`i'.dta, replace
merge 1:m id using generated/id50m.dta
keep if _merge==1 | _merge==3
drop _merge
compress
save generated/both`i'.dta,replace
drop if date==.
append using generated/sample`i'.dta
save generated/sample`i'.dta,replace
use generated/both`i'.dta,replace
keep if date==.
keep id
save generated/rplc`i'.dta, replace
merge 1:m id using generated/id60m.dta
keep if _merge==1 | _merge==3
drop _merge
compress
save generated/both`i'.dta,replace
drop if date==.
append using generated/sample`i'.dta
save generated/sample`i'.dta,replace
erase generated/both`i'.dta
erase generated/rplc`i'.dta
}
现在,这段代码的问题是创建100个样本大约需要40分钟,有没有更快的方法来完成同样的事情
这是一个事件研究,大小在这里不是问题,问题不在于采样,而在于循环的效率。在您的do文件中有一个值得改进的地方:您正在进行600次采样ID与“大”文件的合并。这里的代码只需要对每个大文件进行一次合并,在您的情况下是六次合并。诀窍是将样本数据从长格式改为宽格式,每个id一行,并为选择id的样本指定指示器。将此文件与每个大数据集合并后,重新组装样本。玩具示例有两个大文件和三个示例
clear
/* Generate 1st BIG data set */
input id t
10 1
10 2
40 1
40 2
40 3
50 1
50 2
55 2
55 6
90 2
90 3
end
save big1, replace
* Generate 2nd BIG data set */
clear
input id t
90 4
90 5
100 1
100 2
100 3
140 1
140 2
143 2
155 1
155 2
180 2
180 3
end
save big2, replace
/* Generate three sample data sets-you'll do this with "sample" */
clear
input sample id
1 40
1 180
end
tempfile samp1
save `samp1'
clear
input sample id
2 10
2 90
end
tempfile samp2
save `samp2'
clear
input sample id
3 100
3 155
end
/* Step 1. Append all samples */
append using `samp1' `samp2'
order id sample
sort id sample
list
/* Step 2. Reshape Wide with one obs per id */
tempvar set
gen `set' = sample
reshape wide sample, i(id) j(`set')
tempfile t2
save `t2'
list
/* Step 3. Merge sample ids with each "big" data set
and append the results */
clear
tempfile t3
save `t3', emptyok replace
forvalues g = 1/2 {
use big`g', clear
merge m:1 id using `t2'
keep if _merge ==3
drop _merge
append using `t3'
save `t3', replace
}
sort id t
list, sepby(id)
/* Step 4: Reassemble samples with data into
one data set, saved in advance */
clear
/*temporary file to hold results */
tempfile allsamps
save `allsamps', emptyok
/* Cycle through samples: change 3 to n. of samples */
forvalues i = 1/3 {
use `t3', clear
gen sample = `i' if sample`i'==`i'
drop if sample==.
append using `allsamps'
save `allsamps', replace
}
drop sample?
order sample id
sort sample id t
save allsamples,replace
list, sepby(sample)
结果:
+------------------+
| sample id t |
|------------------|
1. | 1 40 1 |
2. | 1 40 2 |
3. | 1 40 3 |
4. | 1 180 2 |
5. | 1 180 3 |
|------------------|
6. | 2 10 1 |
7. | 2 10 2 |
8. | 2 90 2 |
9. | 2 90 3 |
10. | 2 90 4 |
11. | 2 90 5 |
|------------------|
12. | 3 100 1 |
13. | 3 100 2 |
14. | 3 100 3 |
15. | 3 155 1 |
16. | 3 155 2 |
+------------------+
其他一些意见:
sample
需要各种数据。如果ID文件非常大,请考虑采取不需要排序的示例的方法。Fan等人(1962年)描述了具有此特征的抽样计划《技术与数字计算机》,《美国统计协会杂志》,57387-402。你能给我们一些代码吗?它有用吗?这仅仅是一个效率问题吗?你所说的“大”数据集到底是什么意思?请参阅和的询问部分。从原始数据集中实际需要多少变量?您是否同时使用
sample
和runiform()
?若有,原因为何?您希望如何组织样本?每个样本一个文件,一个大文件,等等。如果没有明确的问题,很难提供帮助。您的原始数据有什么结构?是否为面板数据,横截面?你的目标是什么结构?如果您决定回答其中任何一个问题,请编辑您的原始帖子,而不是通过评论部分的评论。谢谢您的编辑。然而,许多事情仍然不清楚,其中包括:1)数据集中到底有多少个观测值?2) 有多少家公司?3) 这项研究的目的是什么?4) 你为什么需要100个样品?您是如何选择每个n=50的?5) 在许多机构的研究中,规模(无论定义如何)通常是一个重要的分类变量;在这种情况下,按大小分层或按与大小成比例的概率抽样可能是有利的。这里是这样吗?