如何处理合并两个数据集的问题？

Question

如何处理合并两个数据集的问题？

我正在使用R:svolik和中的两个数据集est。就背景而言，我开发了一种新的概念衡量标准（立法权力共享），并用它来复制之前的一项研究：Svolik (2012)。练习的目的是看看使用我的测量结果是否不同。

这是svolik数据：https://drive.google.com/file/d/1nCBhRXNcBrLEr6-R2pkyuQ9mCtJKkdmm/view ?usp=sharing

这是est数据：https://drive.google.com/file/d/1D-UmHSi9LIEsmY5VBvU8nxu8u1gix7Ay/view ?usp=sharing

我从 Svolik 用于生成结果的数据集开始。我成功地重现了他的结果（图中的模型1、3、5）。然后，我将他的数据集与包含我的新度量的数据集合并，丢弃任何不完全匹配的观察结果：

# load original data (the data used to produce original results)
svolik <- read_dta("svolik.dta")

# load data containing my new measure
est <- read.csv("Merging with Svolik.csv")

# merge
final <- merge(svolik, est, by = c("ccode", "year"), all = FALSE)

Run Code Online (Sandbox Code Playgroud)

接下来，我再次运行他的模型，但将他的立法机构变量替换为我的立法权力共享变量（图中的模型 2、4 和 6）。请注意，尽管数据涵盖同一时间段，但原始模型和我自己的模型包含的观测值数量略有不同（2,903 个而不是 2,934 个）。

我一生都无法弄清楚为什么我会得到这些额外的观察结果。我的猜测是它与合并/重复或类似的事情有关。您觉得这可能是个问题吗？如果是这样，您知道有什么方法可以找出这些观察结果吗？解决方案可能很简单，我可能只是想太多了。任何意见，将不胜感激！请注意，我尝试使用不同的合并策略 --- left_joinin dplyr()--- 但这不起作用。

请注意，我正在 Stata 中运行结果。以下是原始结果（即模型 1、3 和 5）的 Stata 代码：

* SURVIVAL ANALYSIS

use "leaders, institutions, covariates, updated tvc.dta" 

* NATURAL DEATHS
gen c_natural=censoring
replace c_natural=0 if exit!="natural"
replace c_natural=. if exit==""
tab c_natural

stset t, id(leadid) failure(c_natural)

stcox legislature lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED communist mil cw age
outreg2 using survival, replace  ctitle(natural, leg) tex nonotes bdec(3) e(all) ef

* COUPS
gen c_coup= censoring
replace c_coup=0 if exit!="coup"
replace c_coup=. if exit==""

stset t, id(leadid) failure(c_coup)
* REMOVE SOM DUPLICATE OBSERVATIONS
* drop if (t[_n-1]==t &  leadid[_n-1]== leadid) 
stset t, id(leadid) failure(c_coup)

stcox legislature  lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED communist mil cw age
outreg2 using survival, ctitle(coups, leg) tex nonotes bdec(3) e(all) ef
 

* REVOLTS
gen c_revolt= censoring
replace c_revolt=0 if exit!="revolt"
replace c_revolt=. if exit==""
tab c_revolt

stset t, id(leadid) failure(c_revolt)
* COMMUNIST LEFT OUT BECAUSE IT IS A PERFECT PREDICTOR

stcox legislature lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED  mil cw age
outreg2 using survival, ctitle(revolt, leg) tex nonotes bdec(3) e(all) ef

Run Code Online (Sandbox Code Playgroud)

以下是新结果的 Stata 代码（即模型 2、4 和 6）：

* SURVIVAL ANALYSIS

use "merged_test.dta" 

* NATURAL DEATHS
gen c_natural=censoring
replace c_natural=0 if exit!="natural"
replace c_natural=. if exit==""
tab c_natural

stset t, id(leadid) failure(c_natural)

stcox estimate lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED communist mil cw age
outreg2 using survival, replace  ctitle(natural, leg) tex nonotes bdec(3) e(all) ef

* COUPS
gen c_coup= censoring
replace c_coup=0 if exit!="coup"
replace c_coup=. if exit==""

stset t, id(leadid) failure(c_coup)
* REMOVE SOM DUPLICATE OBSERVATIONS
* drop if (t[_n-1]==t &  leadid[_n-1]== leadid) 
stset t, id(leadid) failure(c_coup)

stcox estimate  lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED communist mil cw age
outreg2 using survival, ctitle(coups, leg) tex nonotes bdec(3) e(all) ef
 

* REVOLTS
gen c_revolt= censoring
replace c_revolt=0 if exit!="revolt"
replace c_revolt=. if exit==""
tab c_revolt

stset t, id(leadid) failure(c_revolt)
* COMMUNIST LEFT OUT BECAUSE IT IS A PERFECT PREDICTOR

stcox estimate lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED  mil cw age
outreg2 using survival, ctitle(revolt, leg) tex nonotes bdec(3) e(all) ef

Run Code Online (Sandbox Code Playgroud)

Answer 1

Sam*_*amR 5

问题说明

\n

您的问题不是svolik有 2903 个观察值，final而是有 2934 个观察值，因此是由合并中的一些重复行引起final的超集。svolik您永远不会有 2903 行可以在两个回归中使用。这是因为并非 Svolik 回归中使用的所有完整观测值在数据集中都有相应的行est。首先我们来了解一下 2903 个观测值是svolik从哪里来的：

\n

svolik_reg_cols <- c("legislative", "lgdp_1", "growth_1", "exportersoffuelsmainlyoil_EL2008", "ethfrac_FIXED", "communist", "mil", "cw", "age")\nsvolik_is_complete <- complete.cases(svolik[, svolik_reg_cols])\nsum(svolik_is_complete) # 2903\n

Run Code Online (Sandbox Code Playgroud)\n

正如您所看到的，它是回归中所有列的完整案例数。现在让我们final使用您的 join 方法对执行相同的操作：

\n

final <- merge(svolik, est, by = c("ccode", "year"), all = FALSE)\nfinal_reg_cols <- svolik_reg_cols\nfinal_reg_cols[final_reg_cols == "legislative"] <- "estimate"\nfinal_is_complete <- complete.cases(final[, final_reg_cols])\nsum(final_is_complete) # 2934\n

Run Code Online (Sandbox Code Playgroud)\n

同样，2934 是任何协变量都没有缺失数据的观测值数量。

\n

不过，让我们看看您要加入的数据集。中ccode和中未出现的有 278 组。yearsvolikest

\n

# How many ccode and year are in svolik but not est\ndplyr::anti_join(\n    svolik,\n    est,\n    by = c("ccode", "year")\n) |>\n    group_by(ccode, cabb, year) |>\n    summarise(n = n()) |>\n    arrange(desc(n)) |>\n    print(n = 2)\n\n# # A tibble: 278 \xc3\x97 3\n# # Groups:   ccode [39]\n#   ccode  year     n\n#   <dbl> <dbl> <int>\n# 1   990  1982     4\n# 2   947  2001     3\n# # \xe2\x80\xa6 with 276 more rows\n

Run Code Online (Sandbox Code Playgroud)\n

这意味着根据您拥有的数据，不可能比较所有观察结果。

\n

解决方案

\n

您有三个选择：

\n

获取更多数据。
估算缺失值。
将回归限制为常见观察结果。

\n

您将知道 1. 或 2. 是否可能。然而，由于您的分析目的似乎是将您的新指标与 Svolik 进行比较，因此 3. 似乎是一种合理的方法，特别是当您最终不会删除很多行时。

\n

首先找到公共行（有2830行）并保存到dta：

\n

all_complete <- complete.cases(final[, c("estimate", svolik_reg_cols)])\nsum(all_complete) # 2830\nfinal_complete <- final[all_complete, ]\nwrite_dta(final_complete, "./tmp/svolik_est_merged.dta")\n

Run Code Online (Sandbox Code Playgroud)\n

状态代码

\n

您现在可以在 Stata 中运行回归。首先像之前一样加载并准备数据：

\n

use svolik_est_merged.dta, clear\n\n* NATURAL DEATHS\ncap drop c_natural c_coup c_revolt _d _t _t0\ngen c_natural=censoring\nreplace c_natural=0 if exit!="natural"\nreplace c_natural=. if exit==""\ntab c_natural\n\nstset t, id(leadid) failure(c_natural)\n

Run Code Online (Sandbox Code Playgroud)\n

现在运行 Svolik 回归。您可以看到有 2830 个观测值：

\n

stcox legislative lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED communist mil cw age\n

Run Code Online (Sandbox Code Playgroud)\n

Cox regression with Breslow method for ties\n\nNo. of subjects =   383                                 Number of obs =  2,830\nNo. of failures =    40\nTime at risk    = 3,098\n                                                        LR chi2(9)    =  28.46\nLog likelihood = -157.48569                             Prob > chi2   = 0.0008\n\n-------------------------------------------------------------------------------------\n                 _t | Haz. ratio   Std. err.      z    P>|z|     [95% conf. interval]\n--------------------+----------------------------------------------------------------\n        legislative |   1.006541   .0088251     0.74   0.457     .9893923    1.023988\n             lgdp_1 |   1.437144   .3138694     1.66   0.097     .9366983    2.204962\n           growth_1 |   1.010814   .0283629     0.38   0.701      .956725    1.067962\nexportersoffue~2008 |   2.487166   1.205382     1.88   0.060     .9620061    6.430308\n      ethfrac_FIXED |   1.011694     .00645     1.82   0.068     .9991306    1.024415\n          communist |     2.0526   1.610128     0.92   0.359     .4411573    9.550262\n                mil |    1.06844   .3944057     0.18   0.858     .5182463    2.202744\n                 cw |    4.15784   2.325053     2.55   0.011     1.389562    12.44106\n                age |   1.057077   .0172812     3.40   0.001     1.023744    1.091496\n-------------------------------------------------------------------------------------\n

Run Code Online (Sandbox Code Playgroud)\n

然后运行回归：

\n

stcox estimate lgdp_1 growth_1 exportersoffuelsmainlyoil_EL2008 ethfrac_FIXED communist mil cw age\n

Run Code Online (Sandbox Code Playgroud)\n

输出：

\n

Cox regression with Breslow method for ties\n\nNo. of subjects =   383                                 Number of obs =  2,830\nNo. of failures =    40\nTime at risk    = 3,098\n                                                        LR chi2(9)    =  28.00\nLog likelihood = -157.71273                             Prob > chi2   = 0.0010\n\n-------------------------------------------------------------------------------------\n                 _t | Haz. ratio   Std. err.      z    P>|z|     [95% conf. interval]\n--------------------+----------------------------------------------------------------\n           estimate |   .9742007   .1278445    -0.20   0.842     .7532603    1.259946\n             lgdp_1 |   1.506868   .3265272     1.89   0.058     .9854309    2.304222\n           growth_1 |   1.007996    .028074     0.29   0.775      .954447     1.06455\nexportersoffue~2008 |   2.147553   1.257702     1.31   0.192     .6814636    6.767761\n      ethfrac_FIXED |   1.011719   .0070275     1.68   0.093     .9980384    1.025587\n          communist |   2.064115   1.619767     0.92   0.356     .4433766    9.609369\n                mil |   1.018648   .3747256     0.05   0.960     .4953321    2.094845\n                 cw |   3.961413   2.202203     2.48   0.013     1.332464    11.77727\n                age |   1.054575   .0174756     3.21   0.001     1.020873    1.089389\n-------------------------------------------------------------------------------------\n

Run Code Online (Sandbox Code Playgroud)\n

又是 2830 个观察值。结果似乎与我非常相似：相同的两个协变量 (cw和age) 具有较小的 p 值，并且所有系数都接近 Svolik。如果您正在尝试开发一个衡量标准，该指标会告诉您一些新信息，但可能不是您想听到的。然而，如果您试图通过与既定指标进行比较来确定您的指标是否稳健，也许这是更好的消息。

\n

当然，需要注意的是，要考虑无法连接的行是否完全随机丢失。如果存在系统性问题导致与因变量相关的数据丢失（例如，专制国家更有可能阻止在某些年份发布数据），则推断此处的类似结果可以推断为丢失可能是不合理的数据。查看此问题的一种方法是将包含 2830 行的 Svolik 结果与包含 2903 行的结果进行比较，看看它们是否存在显着差异。

\n

编辑：如何查看哪些行不包含在两者中

\n

在评论中回答您的问题。您想查看c_natural其中包含哪些失败，svolik但没有final：

\n

use svolik_est_merged.dta, clear\n\n* NATURAL DEATHS\ncap drop c_natural c_coup c_revolt _d _t _t0\ngen c_natural=censoring\nreplace c_natural=0 if exit!="natural"\nreplace c_natural=. if exit==""\ntab c_natural\n\nstset t, id(leadid) failure(c_natural)\n

Run Code Online (Sandbox Code Playgroud)\n

您可以对c_coup或执行相同的操作c_revolt。

\n

归档时间：	2 年，1 月前
查看次数：	195 次
最近记录：	2 年，1 月前