FACE – Faculdade de Administração, Ciências
Contábeis e Ciências Econômicas
Curso de Ciências Econômicas
Direção FACE
Prof. Moisés Ferreira da Cunha
Vice-Direção FACE
Prof. Mauro Caetano de Souza
Coordenação do Curso de Ciências Econômicas
Prof.ª Priscila Casari
NEPEC – Núcleo de Estudos e Pesquisas
Econômicas
Coordenação
Sérgio Fornazier Meyrelles Filho
CURSO DE ANÁLISE DE
MICRODADOS USANDO O
STATA
MATERIAL DE APOIO
Professor:
Sandro Eduardo Monsueto
Assistente de Pesquisa:
Bárbara C. Pereira da Silva Carrijo
NEPEC/FACE/UFG
Goiânia – Agosto/Setembro 2014
Versão 1.0
Endereço
Campus Samambaia, Prédio da FACE – Rodovia
Goiânia/Nova Veneza, km. 0 – Caixa Postal 131,
CEP 74001-970, Goiânia – GO.
Tel. (62) 3521 – 1390
URL
http://www.face.ufg.br/economia
INTRODUÇÃO
Esta apostila serve de material de apoio para a realização do curso. Longe de ser
abrangente, tem como objetivo servir de guia ou de lembrete para a execução de tarefas. Outros
materiais, melhores e mais completos, podem ser facilmente encontrados de forma gratuita na
internet e a mesma empresa que desenvolveu o Stata pública uma série de livros para temas
específicos tanto para iniciantes como para usuários avançados1. Contudo, como qualquer
programa estatístico, dificilmente encontraremos alguém que conhece todos os detalhes e
segredos do Stata, sendo mais comum que cada pesquisador se especialize em um conjunto
específico de funções, como Análise de Regressão, Análise de Painel, Modelos de Sobrevivência,
Séries Temporais e Microdados.
O material toma como base a versão Stata 11. Para este curso, a ênfase será na extração
e análise de microdados do IBGE, com especial atenção aos dados da PNAD. Isso deve facilitar
inclusive o trabalho com outras fontes de dados, ainda que não sejam diretamente tratadas
aqui, tais como o Censo Escolar ou o SAEB.
1. APRESENTAÇÃO GERAL DO PROGRAMA
O Stata é um programa de análise estatística e tratamento de dados amplamente
utilizado por pesquisadores das ciências sociais aplicadas, principalmente economia e
demografia. Apesar de ser um programa pago, seu custo pode ser considerado baixo para
instituições de pesquisas acadêmicas se comparado a outros pacotes licenciados como o SPSS
ou o SAS2.
1.1. Telas principais
A Figura 1 mostra a tela principal do Stata na versão 11.2, com uma base de dados
carregada. É possível observar que a interface está dividida em quatro telas, um menu principal
e um menu de atalhos. A tela central (RESULTS) exibe os resultados dos comandos executados,
exceto os gráficos, que aparecem em uma tela a parte. Estes resultados (e qualquer alteração
na base de dados) não são salvos de forma automática. É possível criar um arquivo de resultados
(logs) que deixa arquivado tudo o que é exibido nesta tela.
A parte inferior (COMMAND) permite a entrada direta de linhas de comandos. Para
executar uma linha, basta digitar e pressionar Enter.
A tela VARIABLES exibe as variáveis que constam na base de dados carregada no Stata,
enquanto a tela REVIEW registra todas as linhas de comandos que foram executadas na tela de
Command.
A Figura 2 mostra alguns detalhes do Menu Principal e dos Atalhos. Durante este curso,
usaremos com pouca frequência a maior parte destes menus, uma vez que a ênfase será dada
na execução de tarefas por meio de linhas de comando (tela Command ou Do-file).
1.2. Abrir bases de dados
Para abrir uma base de dados que já está em formato Stata (DTA), basta cliclar no ícone
da pasta amarela no menu de Atalhos. Antes de abrir alguma base de dados, é recomendado
executar três comandos iniciais, de preferência nesta sequência:
• clear: limpa a base de dados e a memória de sessão do programa
• set memo 100m: isso expande a memória disponibilizada pelo computador para o
Stata. Este comando já não é mais necessário a partir da versão 12 do stata.
1
Veja uma lista de livros da StataCorp em http://www.stata.com/publications/
Link do Wikipedia com comparações de pacotes estatísticos pagos e gratuitos:
http://en.wikipedia.org/wiki/Comparison_of_statistical_packages.
2
•
set dp comma: este comando converte o símbolo separador de casas decimais de
ponto para vírgula, como usado comumente no Brasil.
Commands:
Exibe os
comandos que
foram
executados
Variables:
Lista das
variáveis da
base de dados
Command:
Local de entrada
dos comandos
individuais
Results:
Tela de
resultados
(exceto gráficos)
Figura 1 – Tela principal do Stata
New Do-file Editor:
Abre um novo arquivo de
execução de comandos “em lote”
Atalhos para os principais
comandos do Stata:
• Manipulação de dados
• Assistente de gráficos
• Estatísticas descritivas
• Modelos Estatísticos
Data Editor (Edit/Browse):
Abre a “planilha” de dados
Break:
Para a execução de um comando
ou sequência de comandos.
Figura 2 – Menus superiores
3
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
Para abrir arquivos com outros formatos (Excel, SPSS, dbf) é recomendado usar o
programa Stat/Transfer3 se você estiver com uma versão Stata 11 ou inferior. A partir da versão
12, a importação ficou mais amigável, principalmente quando a base de dados original está em
formato Excel.
A importação de dados no estilo dos microdados do censo e PNAD requer um pouco
mais de cuidado e será abordado posteriormente.
1.3. Estrutura geral dos comandos e variáveis
Em geral, os comandos do stata obedecem à seguinte sintaxe:
[COMANDO] [LISTA DE VARIÁVEIS] [RESTRIÇÕES], [OPÇÕES]
Os comandos devem ser escritos sempre em letras minúsculas. Além disso, deve-se
tomar certo cuidado com os nomes das variáveis:
• Evite usar letras maiúsculas e acentuação ao nomear as variáveis
• As variáveis não podem ter nomes compostos separados.
o Errado: idade do trabalhador
o Correto: idade_do_trabalhador
o Não Recomendado: Educação
o Recomendado: educacao
• Isso ajuda a evitar erros na execução dos comandos
1.4. Alguns exemplos de comandos de estatísticas descritivas
Com a base de dados “desemprego2008.dta” aberta, entre com os comandos abaixo. O
Resultado é exibido na Figura 3.
• tab genero
• tab sindicato,m
• tab genero sindicato, nofreq col
Figura 3 – Exemplos de execução do comando tabulate (tab)
3
https://www.stattransfer.com/
4
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
Execute agora os seguintes comandos
• sum renda
• sum renda idade educacao
Figura 4 – Exemplos de execução do comando summarize (sum)
Por fim, execute os comandos:
• sum renda if genero==1
• bys genero: sum renda
• tab genero, sum(renda)
Figura 5 – Exemplos de combinação dos comandos tabulate e summarize (tab/sum)
5
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
1.5. Comandos de manipulação da base de dados
Abaixo são apresentados alguns exemplos de aplicação dos comandos de manipulação
da base de dados.
• Etiquetar variáveis: LABEL
tab genero
label define sexo 1 “1-Homens” 0 “0-Mulheres”
label value genero sexo
tab genero
•
Criar variável: GEN
gen sh = (renda/horas*4.33)
gen idade2 = idade^2 cria a idade ao quadrado
•
Recodificar Variável: RECODE
gen regiao = .
recode região .=1 if uf<16
recode região .=2 if uf < 30
recode região .=3 if uf < 40
recode região .=4 if uf < 50
recode região .=5 if uf < 60
•
Apagar variáveis ou observações: DROP e KEEP
drop horas deleta a variável horas
drop if sexo==1 deleta as observações de todos os homens
drop if idade >= 40 deleta os dados de indivíduos com 40 anos
ou mais
keep if educacaoo <=10 mantem na base apenas os dados de
quem tem 10 anos ou menos de educação
keep educacao cor sh apaga todas as variáveis, exceto educacao
e cor
2. USO DE DO-FILES
Além da tela de COMMAND, o Stata permite a execução de conjuntos sequenciais de
comando com o uso dos arquivos de extenção *.DO, também conhecidos como “Do-Files”. Para
abrir um novo do-file, clique no botão New Do-file Editor, na parte superior da tela (Figura 2).
Será aberto um novo arquivo, similar a um bloco de notas, onde é possível digitar os comandos
para execução posterior. A Figura 6 mostra um exemplo.
Para executar os comandos, clique no botão Execute(do). O Do-file permite a execução
de todos os comandos do arquivo ou de linhas selecionadas. Além disso, é possível inserir
comentários entre as linhas de comados, como pode ser visto na figura anterior. Esses
comentários aparecem na tela de Resultados, mas não interferem na execução dos comandos.
• Um asterisco (*) no início da linha faz com que toda a linha seja um comentário.
• Duas barras (//) no final da linha informam que a partir deste ponto, o resto da linha
é um comentário
• Podem ser colocados comentários também entre os caracteres /* */
6
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
Execute(do):
Executa a
sequência de
comandos
Figura 6 – Exemplo de Do-file
Outra vantagem de se realizar as tarefas com o uso de um Do-file é que os comandos
não precisam mais ser necessariamente organizados por linhas, mas por blocos. De forma
automática, o Stata reconhece um comando para cada linha do Do-file. No caso do exemplo da
Figura 6, são dois comandos, sendo um por linha (linhas 3 e 4). Para organizar os comandos na
forma de blocos, pode ser usado o recurso do exemplo da Figura 7:
Figura 7 – exemplo de Do-file organizado em blocos
Neste caso, após o comando #d; o Stata passa a reconhecer que a linha de comando
termina apenas quando aparecer um ponto e vírgula (;). Para voltar à delimitação tradicional,
basta usar o comando #d cr.
7
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
3. EXTRAÇÃO DE MICRODADOS
Depois desta revisão dos principais comandos e uso de comandos com o Do-file,
podemos concentrar nosso estudo na extração e análise de microdados da PNAD e do Censo
Demográfico. De acordo com o site do IBGE:
“Microdados consistem no menor nível de
desagregação dos dados de uma pesquisa, retratando,
sob a forma de códigos numéricos, o conteúdo dos
questionários, preservado o sigilo das informações. Os
microdados
possibilitam
aos
usuários,
com
conhecimento de linguagens de programação ou
softwares de cálculo, criar suas próprias tabelas.”
Para os objetivos desta apostila, microdados são informações referentes a cada
indivíduo ou domicílio entrevistado pelo IBGE em suas pesquisas. Iremos concentrar nossa
análise nos microdados da PNAD, mais especificamente a pesquisa do ano de 2008.
3.1. Microdados da Pnad
Os microdados da Pnad estão gravados em um arquivo no formato TXT, disponível no
sistema de FTP do IBGE:
• http://www.ibge.gov.br/home/estatistica/populacao/trabalhoerendimento/pnad2
012/microdados.shtm
De tempos em tempos são feitas atualizações para melhorar a projeção da população
com base nos censos demográficos. Utilizaremos os dados da atualização de 2013, da Pnad do
ano de 2008 (Figura 8):
Baixe este arquivo .ZIP
Figura 8 – Página do IBGE com os arquivos de microdados da Pnad
8
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
Após realizar o download, descompacte os arquivos em uma pasta de seu computador,
de preferência dentro do drive C para deixar um caminho mais curto na leitura dos dados. O
arquivo compactado possui três pastas (dados, dicionário e input), sendo que a primeira contém
dois arquivos com os microdados das informações de domicílios (DOM2008.TXT) e um arquivo
com os dados das pessoas (PES2008.TXT).
Os microdados são organizados em forma de linhas e colunas dentro destes arquivos
TXT. Para cada linha temos uma observação e para cada coluna uma variável. Cada coluna tem
um tamanho predefinido. Para sabermos onde começa e onde termina cada coluna (variável) é
necessário acessar o Dicionário dos dados, disponível em um arquivo no formato Excel dentro
da pasta dicionário.
A Figura 9 mostra uma parte do dicionário da Pnad de 2008. Tenha sempre a mão este
dicionário, tanto para a etapa de extração dos dados como para análises posteriores, pois o
mesmo tem o significado dos valores de cada variável, como pode ser visto na última coluna da
figura.
Figura 9 – Dicionário do arquivo de pessoas da PNAD 2008
9
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
Por exemplo, para obtermos os dados sobre a idade de cada pessoa entrevistada
(variável V8005), devemos observar que sua posição inicial dentro do arquivo é 27 e seu
tamanho igual a três. Logo, as informações sobre a idade de cada indivíduo estão contidas numa
coluna que vai do campo 27 até o campo 29. Já as informações sobre o gênero do entrevistado
(variável V0302) tem posição inicial igual a 18 e tamanho igual a 1.
Para realizar a extração destes dados pelo Stata, o comando utilizado é o infix que pode
ser utilizado da seguinte maneira:
infix [lista de variáveis com suas posições] using “[caminho do arquivo]”
onde [lista de variáveis com suas posições] se refere à posição inicial e final de cada
variável e [caminho do arquivo] é o local onde o arquivo de dados TXT está guardado. Como
exemplo, suponha que desejamos extrair os dados sobre idade de cada entrevistado do arquivo
de pessoas. O comando ficaria desta forma:
infix idade 27-29 using "C:\Dados\PNAD\PNAD_reponderado_2008\dados\PES2008.txt"
Obviamente, mas de uma variável pode ser extraída com a mesma linha de comando,
simplesmente separando por espaço a lista das mesmas e suas respectivas posições dentro do
dicionário de dados. Para extrair as variáveis idade e sexo, podemos entrar com o comando:
infix idade 27-29 sexo 18 using "C:\Dados\PNAD\PNAD_reponderado_2008\dados\PES2008.txt"
Apesar do comando infix poder ser utilizado normalmente por meio do campo
COMMAND do Stata, é extremamente recomendado o uso de um arquivo Do-file para realizar
a extração deste tipo de dados. Além da comodidade de se poder guardar o arquivo de programa
para posterior utilização, podem ser inseridos comentários e outros comandos comumente
utilizados na extração de microdados. A Figura 10 mostra um exemplo para o filtro das variáveis
UF, gênero e idade. Reparem que foram dados três comandos antes da linha de infix. O primeiro
comando (clear) limpa a sessão do Stata, apagando qualquer base de dados que esteja
previamente carregada. O segundo comando (set more off) impede que a tela do Stata fique
travada quando um resultado com muitas linhas é exibido. Por fim, o comando (set memo 300m)
fornece mais memória para o Stata conseguir abrir grandes bases de dados, como é o caso da
Pnad e do Censo Demográfico4.
4
Este último passo já não é mais necessário a partir da versão 13 do Stata.
10
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
Figura 10 – Exemplo de uso do comando infix
Por fim, é também comum a extração de um número relativamente elevado de variáveis
em cada operação de extração. Neste caso, recomenda-se a organização dos comandos em
bloco ao invés de um comando por linha, usando a opção #d; conforme explicado
anteriormente. A Figura 11 mostra um caso mais completo, onde esta alternativa é usada:
Figura 11 – Exemplo de uso do comando infix e #d;
Algumas observações gerais podem ser feitas:
• Pode-se utilizar o comando compress para reduzir o tamanho dos arquivos. Isso
ajuda a consumir menos espaço tanto na memória física como na memória RAM do
computador.
• A extração dos dados de Domicílio segue a mesma sistemática apresentada.
• Tenha em mente que, apesar da estrutura geral ser a mesma, cada ano da Pnad tem
um dicionário diferente e as variáveis podem “mudar de lugar”.
4. COMBINAÇÃO DE BASES DE DADOS
Uma vez realizada a extração das variáveis, podemos realizar combinações entre bancos
de dados de duas formas básicas:
• Empilhando dados de Pnads de anos diferentes
• Combinando as informações de pessoas e de domicílios.
11
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
O empilhamento de dados é usado quando temos interesse em combinar no mesmo
arquivo dados de Pnads de anos distintos. Isso permite, por exemplo, acompanhar a evolução
da escolaridade média ao longo dos anos usando apenas um arquivo. Para realizar essa tarefa,
podemos usar o comando append depois de filtrar e salvar os dados de dois ou mais anos. Por
exemplo, suponha que desejamos combinar as bases de dados dos anos de 2008 e 2009. Com a
base de 2009 aberta, basta usar a seguinte linha de comando, adaptando o caminho do arquivo:
append using "C:\Dados\PNAD\base2008.dta"
Ainda como exemplo, a Figura 12 mostra a tela de um Do-file que mostra essa operação
de modo mais completo. As primeiras linhas são os comandos iniciais (clear, set more off e set
memo). São realizados dois filtros, sendo o primeiro para a base de dados de 2008 e o segundo
para 2009. Por fim, o comando append faz a unificação das bases de dados. Para conferir o
resultado, após a execução deste do-file, execute o comando tab ano.
Figura 12 – Exemplo de “empilhamento” de dados da Pnad
Já para combinar as informações dos arquivos de pessoas e de domicílios de um mesmo
ano, devemos utilizar o comando merge. Suponha que o pesquisador deseje saber se o domicílio
de um trabalhador possui água encanada. Podemos unificar esses dados em um mesmo arquivo.
Para tanto, é necessário que tanto os dados de pessoas como os de domicílio já tenham sido
12
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia
filtrados em arquivos separados com suas respectivas variáveis. Além disso, é necessário que os
dois arquivos possuam ao menos uma variável que seja comum.
No caso da Pnad, as duas variáveis que servem de ligação entre os arquivos são o
número de controle (v0102) e número de série (v0103). A primeira coisa a fazer, é ordenar os
dados da base de dados de domicílio. Para isso, podemos usar a seguintes linhas de comando:
use "C:\Dados\PNAD\domicilio.dta", clear
sort v0102 v0103
save "C:\Dados\PNAD\domicilio.dta", replace
O comando sort faz a ordenação da base de dados de acordo com a lista de variáveis
proposta. Em seguida, faça o mesmo com a base de dados de pessoas:
use "C:\Dados\PNAD\pessoas.dta", clear
sort v0102 v0103
save "C:\Dados\PNAD\pessoas.dta", replace
Agora, com esse último banco de dados aberto, fazemos a junção das informações com
o comando merge:
merge v0102 v0103 using "C:\Dados\PNAD\domicilio.dta"
Após isso, é criada uma nova variável chamada _merge. Essa variável assume três
valores:
_merge=1: observações somente do banco de dados mestre (master data pessoas.dta)
_merge=2: observações somente do banco de dados secundário (using data domicilio.dta)
_merge=3: observações dos dois bancos (master e using)
O melhor dos mundos seria encontrar sempre _merge = 3, ou seja, com informações
que existem nos dois bancos de dados. Contudo, para a Pnad e o Censo é normal encontrar
informações que pertencem apenas ao banco de dados secundário (domicílio). Essas são
observações de domicílios cujas entrevistas não foram realizadas. Portanto, podemos terminar
de organizar nossa base de dados entrando com a linha de comando:
keep if _merge==3
13
Prof. Sandro E. Monsueto
UFG/FACE/Nepec
www.face.ufg.br/economia