Stata 16中的Splitsample :如何根据保存在变量中的不同比例创建示例？

Question

Datastructure: I使用面板数据，其中观察结果代表了特定年份(2015-2021年)的某个个体。只包括对15至25岁之间的个人的观察。总共对1373个人进行了2857次观察。

目标：目标是调查2018年政策变化的影响。在这样做的过程中，我设计了一个准实验设计，其中有两个控制组和一个根据年龄定义的治疗组：

A组: 15-17岁old

• Treatmentgroup:个体18-22岁old

• Controlgroup B: 23-25岁

个体

根据不同的机会将个体分为治疗组和对照组:由于方法学上的原因，可能不会成为治疗组的一部分(随着时间的推移而衰老)，反之亦然。因此，我面临的问题是如何为治疗和控制组选择合适的个体(考虑到他们的年龄和年龄)。为了确保每年都有对各个年龄段个体的观察，我想出了以下设计(见图)。在我的数据中，理论上有17个年龄超过7岁(2015-2021)的个人(垂直的和图片中的一样)。我想根据下面表格中提到的机会，将这些人抽样到治疗和控制组中，以确保所有年龄的人在所有年份都有代表性。

​

​

Programming i构造了一个变量(1-17)，表示个人代表的数字(如上表中的垂直数字)。

gen individualnumber=(age-year)+2007

我构建了三个变量，以下列方式表示处于控制组A、B或治疗的可能性：

 gen Chanceofbeingcontrol_1517=0
replace Chanceofbeingcontrol_1517=1 if individualnumber==1 | individualnumber==2 | individualnumber==3
replace Chanceofbeingcontrol_1517=0.75 if individualnumber==4
replace Chanceofbeingcontrol_1517=0.60 if individualnumber==5
replace Chanceofbeingcontrol_1517=0.50 if individualnumber==6
replace Chanceofbeingcontrol_1517=0.43 if individualnumber==7
replace Chanceofbeingcontrol_1517=0.29 if individualnumber==8
replace Chanceofbeingcontrol_1517=0.14 if individualnumber==9

gen Chanceofbeingcontrol_2325=0
replace Chanceofbeingcontrol_2325=1 if individualnumber==15 | individualnumber==16 | individualnumber==17
replace Chanceofbeingcontrol_2325=0.75 if individualnumber==14
replace Chanceofbeingcontrol_2325=0.60 if individualnumber==13
replace Chanceofbeingcontrol_2325=0.50 if individualnumber==12
replace Chanceofbeingcontrol_2325=0.43 if individualnumber==11
replace Chanceofbeingcontrol_2325=0.29 if individualnumber==10
replace Chanceofbeingcontrol_2325=0.14 if individualnumber==9

gen Chanceofbeingtreated=1-(Chanceofbeingcontrol_1517+Chanceofbeingcontrol_2325)

在那之后我想建造样本..。

splitsample, generate(treatedornot) split(Chanceofbeingcontrol_1517 Chanceofbeingtreated Chanceofbeingcontrol_2325) cluster(individualnumber) rround show

...but I收到了一个错误，因为拆分( numlist )子命令中可能只使用numlist。

问题：如何有效地构造样本或克服此错误？

示例：2015年15岁(1岁控制组)的个体(表中第7位)，2018年将是18岁(即治疗年龄)。但是这个人可能不是治疗组和控制组的一部分，因此应该是这两个组中的一个成员。因此，我想从所有的7个个体中随机抽取三个样本。让我们来说明一下，在表中有100个人，如个人7。

sample

• Sample 2为治疗组，
• 样本1为对照A，个体7为43次，因此个体7在该样本
• 中发生57次，而个体7在样本3中不会发生，因为该人在2015至2021年期间从未超过22岁。

Answer 1

对于所有在2015年9岁、2016年10岁、2017年11岁的人来说，最常见的是他们出生于2006年。2015年所有10岁的人都是2005年出生的。因此，与其创建一个很难理解的变量individualnumber，不如创建一个名为birthyear的变量。这将使你更容易向同龄人解释你的设计。

无论您将变量称为什么或它包含的值代表什么，我都会这样解决它。您可能需要修改这段代码。如果您想要一个可复制的答案，请提供数据的可复制子集(请参阅命令dataex)。

* Example generated by -dataex-. For more info, type help dataex
clear
input byte id int year double age
1 2017 15
1 2017 15
2 2017 15
2 2017 15
3 2017 15
3 2017 15
4 2017 15
4 2017 15
5 2015 12
5 2015 12
end

* Create the var that will display the 
gen birthyear = year-age

    preserve

    * Collapse year-person level data to person level so 
    * that each individual only get one treatment status.
    * You must have an individual id number for this
    * Get standard deviation to test that data is good and the birthyear
    * is identical for each individual across the panel data set
    collapse (mean) birthyear (sd) bysd=birthyear, by(id)

    * Test that birthyear is same across all indivudals - this is not needed,
    * but good data quality assurance test. Then drop the var as it is not needed
    assert bysd == 0
    drop bysd

    * Set seed to make replicable. Replace this seed when you have tested this
    * script using a new random seed. For example from here:
    * https://www.random.org/integers/?num=1&min=100000&max=999999&col=5&base=10&format=html&rnd=new
    set seed 123456

    *Generate a random number based on the seed
    gen random_draw = runiform()

    * For each birthyear, get the rank of the random number divided by the number
    * of individuals in each birthyear
    sort birthyear random_draw
    by birthyear : gen percent_rank = _n/_N

    *Initiate treatmen variable
    gen tmt_status = .
    label define tmt_status 0 "Treated" 1 "ControlA" 2 "ControlB"

    *Assign birthyear 2006-2004 that are all the same
    replace tmt_status = 1 if birthyear == 2006
    replace tmt_status = 1 if birthyear == 2005
    replace tmt_status = 1 if birthyear == 2004

    *Assign birthyear 2003
    replace tmt_status = 0 if birthyear == 2003 & percent_rank <= .25
    replace tmt_status = 1 if birthyear == 2003 & percent_rank >  .25

    *Assign birthyear 2002
    replace tmt_status = 0 if birthyear == 2002 & percent_rank <= .40
    replace tmt_status = 1 if birthyear == 2002 & percent_rank >  .40

    *Fill in birthyear 2001-1999

    *Assign year 1998
    replace tmt_status = 0 if birthyear == 1998 & percent_rank <= .72
    replace tmt_status = 1 if birthyear == 1998 & percent_rank >  .72 & percent_rank <= .86
    replace tmt_status = 2 if birthyear == 1998 & percent_rank >  .86

    *Fill in birthyear 1997-1990

    * Do some tabulates etc to convince yourself the randomization is as expected

    * Save tempfile of data to be merged to later
    * (Consider saving this as a master data set https://worldbank.github.io/dime-data-handbook/measurement.html#constructing-master-data-sets)
    tempfile assignment_results
    save `assignment_results'
    
restore

merge m:1 id using `assignment_results'

使用循环可以使这段代码更加简洁，但是随机赋值是如此重要，因为我个人在这样做时总是追求清晰而不是简洁。

这并不是专门回答关于splitsample的问题，但是它解决了您想要做的事情。您必须决定如何处理没有可拆分成您所喜欢的确切比例的组。