我的数据
我正在处理以下格式的拼写数据集:
cls
clear all
set more off
input id spellnr str7 bdate_str str7 edate_str employed
1 1 2008m1 2008m9 1
1 2 2008m12 2009m8 0
1 3 2009m11 2010m9 1
1 4 2010m10 2011m9 0
///
2 1 2007m4 2009m12 1
2 2 2010m4 2011m4 1
2 3 2011m6 2011m8 0
end
* translate to Stata monthly dates
gen bdate = monthly(bdate_str,"YM")
gen edate = monthly(edate_str,"YM")
drop *_str
format %tm bdate edate
list, sepby(id)
对应于:
+---------------------------------------------+
| id spellnr employed bdate edate |
|---------------------------------------------|
1. | 1 1 1 2008m1 2008m9 |
2. | 1 2 0 2008m12 2009m8 |
3. | 1 3 1 2009m11 2010m9 |
4. | 1 4 0 2010m10 2011m9 |
|---------------------------------------------|
5. | 2 1 1 2007m4 2009m12 |
6. | 2 2 1 2010m4 2011m4 |
7. | 2 3 0 2011m6 2011m8 |
+---------------------------------------------+
这里给定的人 (id
) 可以有两种类型的多个法术 (spellnr
) (unempl
: 1 表示失业;0 表示就业)。每个咒语的开始和结束日期分别由 bdate
和 edate
定义。
假设数据已经被清理过,并且没有法术重叠彼此。 但是,任何两个法术之间可能会有“缺失”的时期。 这是由上面的虚拟数据集捕获的。
我的问题:
对于每个失业期,我需要计算过去 6 个月、12 个月和 24 个月内在工作中花费的月数。
请注意,重要的是,每个 id
都可以入职和离职,并且应该考虑所有 过去的工作时间(不仅仅是最后一个)。
在我的示例中,这将导致以下所需的输出:
+--------------------------------------------------------------+
| id spellnr employed bdate edate m6 m24 m48 |
|--------------------------------------------------------------|
1. | 1 1 1 2008m1 2008m9 . . . |
2. | 1 2 0 2008m12 2009m8 4 9 9 |
3. | 1 3 1 2009m11 2010m9 . . . |
4. | 1 4 0 2010m10 2011m9 6 11 20 |
|--------------------------------------------------------------|
5. | 2 1 1 2007m4 2009m12 . . . |
6. | 2 2 1 2010m4 2011m4 . . . |
7. | 2 3 0 2011m6 2011m8 5 20 44 |
+--------------------------------------------------------------+
我的(工作)尝试:
以下代码返回所需的结果。
* expand each spell to one observation per time unit (here "months"; works also for days)
expand edate-bdate+1
bysort id spellnr: gen spell_date = bdate + _n - 1
format %tm spell_date
list, sepby(id spellnr)
* fill-in empty months (not covered by spells)
xtset id spell_date, monthly
tsfill
* compute cumulative time spent in employment and lagged values
bysort id (spell_date): gen cum_empl = sum(employed) if employed==1
bysort id (spell_date): replace cum_empl = cum_empl[_n-1] if cum_empl==.
bysort id (spell_date): gen lag_7 = L7.cum_empl if employed==0
bysort id (spell_date): gen lag_24 = L25.cum_empl if employed==0
bysort id (spell_date): gen lag_48 = L49.cum_empl if employed==0
qui replace lag_7=0 if lag_7==. & employed==0 // fix computation for first spell of each "id" (if not enough time to go back with "L.")
qui replace lag_24=0 if lag_24==. & employed==0
qui replace lag_48=0 if lag_48==. & employed==0
* compute time spent in employment in the last 6, 24, 48 months, at the beginning of each unemployment spell
bysort id (spell_date): gen m6 = cum_empl - lag_7 if employed==0
bysort id (spell_date): gen m24 = cum_empl - lag_24 if employed==0
bysort id (spell_date): gen m48 = cum_empl - lag_48 if employed==0
qui drop if (spellnr==.)
qui bysort id spellnr (spell_date): keep if _n == 1
drop spell_date cum_empl lag_*
list
这工作正常,但在使用(数百万)每日数据时变得非常低效。您能否建议任何不涉及扩展数据集的替代方法?
我上面所做的就是:
- 我将数据扩展为每月一行;
- 我用
-tsfill-
填充法术之间的“空白”
- 我计算就业所花费的运行时间,并使用滞后运算符获得三个感兴趣的数量。
这与所做的一样 here ,在我发布的过去的问题中。然而,那里的工作示例不必要地复杂并且存在一些错误。
解决方案性能
我尝试了下面接受的答案中建议的不同方法(包括使用早期版本的答案中建议的 joinby
)。为了创建更大的数据集,我使用了:
expand 500000
bysort id spellnr: gen new_id = _n
drop id
rename new_id id
它创建了一个包含 500,000 个 ID 的数据集(总共 3,500,000 个法术)。
第一个解决方案在很大程度上主导了使用 joinby
或 rangejoin
的解决方案(另请参阅下面对已接受答案的评论)。
最佳答案
下面的代码可能会节省一些运行时间。
bys id (employed): gen tag = _n if !employed
sum tag, meanonly
local maxtag = `r(max)'
foreach i in 6 24 48 {
gen m`i' = .
forval d = 1/`maxtag' {
by id: gen x = 1 + min(bdate[`d'],edate) - max(bdate[`d']-`i',bdate) if employed
egen y = total(x*(x>0)), by(id)
replace m`i' = y if tag == `d'
drop x y
}
}
sort id bdate
同样的逻辑,连同-rangejoin- (ssc) 也值得一试。请在使用您的(大量)实际数据进行测试后提供一些反馈。
preserve
keep if employed
replace employed = 0
tempfile em
save `em'
restore
foreach i in 6 24 48 {
gen _bd = bdate - `i'
rangejoin edate _bd bdate using `em', by(id employed) p(_)
egen m`i' = total(_edate - max(_bd,_bdate)+1) if !employed, by(id bdate)
bys id bdate: keep if _n==1
drop _*
}
关于stata - 使用移动时间窗口计算运行总和,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54593797/