Using a panel dataset (Stata/SE 15.1) where respondents answer once every 2 years for 6 years therefore, each respondent is surveyed 3 times, I have generated 5 variables (using advice from Clyde) below:
*marr_wid (respondent was married in year T and then widowed in year T+2 )
by id (year), sort: egen byte marr_wid = max(marital == 1 & F2.marital == 2)
*nowid_yeswid (respondent was NOT a widow in year T and then widowed in year T+2 )
by id (year), sort: egen byte nowid_yeswid = max(widowed == 2 & F2.widowed == 1)
*marr_div (respondent was married in year T and then divorced in year T+2 )
by id (year), sort: egen byte marr_div = max(marital == 1 & F2.marital == 3)
*marr_separ (respondent was married in year T and then separated in year T+2 )
by id (year), sort: egen byte marr_separ = max(marital == 1 & F2.marital == 4)
; where marital=1 for married, =2 for widowed, =3 for divorced, =4 for separated and widowed=1 for yes, =2 for no.
Here are my questions:
a) looking at id #115 below, marr_separ is 1 1 1 for all 3 years (2006, 2008, 2010) but R was only separated in 2010. Therefore, I would only like to have marr_separ as 0 1 1. How do I only have the marr_separ variable coded as 0 1 1 as I want marr_separ to be coded 1 only if it strictly follows the sequence of married, separated.
b) is this the right way to be organising my data set for my analysis mentioned above? If not, is there a better was to do it?
Code:
* Example generated by -dataex-. To install: ssc install dataex clear input int year float id byte(polviews marital widowed marr_wid nowid_yeswid marr_div marr_separ) 2006 9 6 5 .i 0 0 0 0 2008 9 1 5 .i 0 0 0 0 2010 9 1 1 2 0 0 0 0 2006 10 3 5 .i 0 0 0 0 2008 10 4 5 .i 0 0 0 0 2010 10 2 5 .i 0 0 0 0 2006 11 4 2 .i 0 0 0 0 2008 11 2 2 .i 0 0 0 0 2010 11 4 2 .i 0 0 0 0 2006 12 4 5 .i 0 0 0 0 2008 12 7 5 .i 0 0 0 0 2010 12 2 5 .i 0 0 0 0 2006 13 4 5 .i 0 0 0 0 2008 13 3 5 .i 0 0 0 0 2010 13 1 5 .i 0 0 0 0 2006 14 4 3 2 0 0 0 0 2008 14 3 3 2 0 0 0 0 2010 14 3 4 2 0 0 0 0 2006 15 4 1 2 0 0 0 0 2008 15 3 1 2 0 0 0 0 2010 15 4 1 2 0 0 0 0 2006 17 5 5 .i 0 0 0 0 .i 17 .i .i .i 0 0 0 0 .i 17 .i .i .i 0 0 0 0 2006 18 4 5 .i 0 0 0 0 2008 18 .d 5 .i 0 0 0 0 2010 18 2 5 .i 0 0 0 0 2006 19 4 5 .i 0 0 0 0 2008 19 4 5 .i 0 0 0 0 2010 19 2 5 .i 0 0 0 0 2006 21 4 5 .i 0 0 0 0 .i 21 .i .i .i 0 0 0 0 .i 21 .i .i .i 0 0 0 0 2006 22 2 5 .i 0 0 0 0 2008 22 .d 4 2 0 0 0 0 .i 22 .i .i .i 0 0 0 0 2006 34 4 3 2 0 0 0 0 2008 34 2 1 2 0 0 0 0 2010 34 6 1 2 0 0 0 0 2006 35 .d 1 2 0 0 0 0 2008 35 .d 1 2 0 0 0 0 .i 35 .i .i .i 0 0 0 0 2006 38 4 1 2 0 0 0 0 2008 38 4 1 2 0 0 0 0 2010 38 4 1 2 0 0 0 0 2006 44 4 2 .i 0 0 0 0 .i 44 .i .i .i 0 0 0 0 .i 44 .i .i .i 0 0 0 0 2006 47 4 1 2 0 0 0 0 2008 47 4 1 2 0 0 0 0 .i 47 .i .i .i 0 0 0 0 2006 51 4 5 .i 0 0 0 0 2008 51 6 5 .i 0 0 0 0 2010 51 6 5 .i 0 0 0 0 2006 52 4 2 .i 0 0 0 0 2008 52 4 2 .i 0 0 0 0 2010 52 5 2 .i 0 0 0 0 2006 53 3 1 2 0 0 0 0 .i 53 .i .i .i 0 0 0 0 .i 53 .i .i .i 0 0 0 0 2006 54 2 5 .i 0 0 0 0 2008 54 3 1 2 0 0 0 0 2010 54 3 1 2 0 0 0 0 2006 55 2 5 .i 0 0 0 0 2008 55 2 1 2 0 0 0 0 2010 55 1 1 2 0 0 0 0 2006 56 2 2 .i 0 0 0 0 2008 56 .d 2 .i 0 0 0 0 2010 56 4 5 .i 0 0 0 0 2006 57 3 5 .i 0 0 0 0 2008 57 4 5 .i 0 0 0 0 2010 57 4 5 .i 0 0 0 0 2006 58 4 1 2 0 0 0 0 2008 58 4 1 2 0 0 0 0 2010 58 4 1 2 0 0 0 0 2006 59 2 5 .i 0 0 0 0 2008 59 3 5 .i 0 0 0 0 2010 59 5 5 .i 0 0 0 0 2006 61 1 5 .i 0 0 0 0 2008 61 1 5 .i 0 0 0 0 2010 61 .d 5 .i 0 0 0 0 2006 62 .d 3 2 0 0 0 0 2008 62 .d 3 2 0 0 0 0 2010 62 .d 3 2 0 0 0 0 2006 65 4 1 2 0 0 0 0 2008 65 5 1 2 0 0 0 0 2010 65 6 1 2 0 0 0 0 2006 71 2 1 2 0 0 0 0 .i 71 .i .i .i 0 0 0 0 .i 71 .i .i .i 0 0 0 0 2006 72 2 2 .i 0 0 0 0 .i 72 .i .i .i 0 0 0 0 .i 72 .i .i .i 0 0 0 0 2006 73 .n 3 .d 0 0 0 0 2008 73 4 .n .n 0 0 0 0 .i 73 .i .i .i 0 0 0 0 2006 74 4 1 2 0 0 0 0 2008 74 4 1 2 0 0 0 0 2010 74 5 1 2 0 0 0 0 2006 76 7 1 2 0 0 0 0 2008 76 7 1 2 0 0 0 0 .i 76 .i .i .i 0 0 0 0 2006 81 6 1 2 0 0 0 0 2008 81 4 1 2 0 0 0 0 2010 81 6 1 2 0 0 0 0 2006 83 4 5 .i 0 0 0 0 2008 83 .d 5 .i 0 0 0 0 2010 83 4 5 .i 0 0 0 0 2006 84 4 1 2 0 0 0 0 2008 84 5 1 2 0 0 0 0 .i 84 .i .i .i 0 0 0 0 2006 85 2 2 .i 0 0 0 0 .i 85 .i .i .i 0 0 0 0 .i 85 .i .i .i 0 0 0 0 2006 86 4 1 2 0 0 0 0 2008 86 4 1 2 0 0 0 0 .i 86 .i .i .i 0 0 0 0 2006 87 4 2 .i 0 0 0 0 .i 87 .i .i .i 0 0 0 0 .i 87 .i .i .i 0 0 0 0 2006 88 3 1 2 0 0 0 0 .i 88 .i .i .i 0 0 0 0 .i 88 .i .i .i 0 0 0 0 2006 89 7 5 .i 0 0 0 0 2008 89 6 5 .i 0 0 0 0 2010 89 6 5 .i 0 0 0 0 2006 90 4 5 .i 0 0 0 0 2008 90 4 5 .i 0 0 0 0 2010 90 4 5 .i 0 0 0 0 2006 91 4 2 .i 0 0 0 0 .i 91 .i .i .i 0 0 0 0 .i 91 .i .i .i 0 0 0 0 2006 93 4 1 2 0 0 0 0 .i 93 .i .i .i 0 0 0 0 .i 93 .i .i .i 0 0 0 0 2006 94 3 1 2 0 0 0 0 .i 94 .i .i .i 0 0 0 0 .i 94 .i .i .i 0 0 0 0 2006 101 5 5 .i 0 0 0 0 .i 101 .i .i .i 0 0 0 0 .i 101 .i .i .i 0 0 0 0 2006 103 6 5 .i 0 0 0 0 2008 103 .d 5 .i 0 0 0 0 .i 103 .i .i .i 0 0 0 0 2006 104 6 5 .i 0 0 0 0 2008 104 .d 5 .i 0 0 0 0 .i 104 .i .i .i 0 0 0 0 2006 105 4 5 .i 0 0 0 0 2008 105 7 5 .i 0 0 0 0 2010 105 6 5 .i 0 0 0 0 2006 106 3 1 2 0 0 0 0 2008 106 3 1 2 0 0 0 0 2010 106 3 1 2 0 0 0 0 2006 107 3 5 .i 0 0 0 0 2008 107 4 5 .i 0 0 0 0 2010 107 4 5 .i 0 0 0 0 2006 108 1 3 2 0 0 0 0 2008 108 1 3 2 0 0 0 0 2010 108 1 3 2 0 0 0 0 2006 110 3 1 2 0 0 0 0 2008 110 2 1 2 0 0 0 0 2010 110 2 1 2 0 0 0 0 2006 111 2 1 2 0 0 0 0 2008 111 3 1 2 0 0 0 0 2010 111 3 1 2 0 0 0 0 2006 112 4 5 .i 0 0 0 0 2008 112 3 5 .i 0 0 0 0 2010 112 4 1 2 0 0 0 0 2006 113 4 5 .i 0 0 0 0 2008 113 4 5 .i 0 0 0 0 .i 113 .i .i .i 0 0 0 0 2006 114 4 1 2 0 0 0 0 2008 114 4 1 2 0 0 0 0 2010 114 .d 1 2 0 0 0 0 2006 115 4 1 2 0 0 0 1 2008 115 3 1 2 0 0 0 1 2010 115 3 4 2 0 0 0 1 2006 117 2 5 .i 0 0 0 0 .i 117 .i .i .i 0 0 0 0 .i 117 .i .i .i 0 0 0 0 2006 118 5 5 .i 0 0 0 0 2008 118 4 5 .i 0 0 0 0 2010 118 4 5 .i 0 0 0 0 2006 129 5 1 2 0 0 0 0 2008 129 4 1 2 0 0 0 0 2010 129 5 1 2 0 0 0 0 2006 131 4 4 2 0 0 0 0 2008 131 4 4 2 0 0 0 0 2010 131 4 4 2 0 0 0 0 2006 141 5 1 2 0 0 0 0 2008 141 5 1 2 0 0 0 0 2010 141 6 1 2 0 0 0 0 2006 142 .d 1 2 0 0 0 0 2008 142 4 1 2 0 0 0 0 2010 142 .d 1 2 0 0 0 0 2006 143 4 1 2 0 0 0 0 2008 143 3 1 2 0 0 0 0 2010 143 4 1 2 0 0 0 0 2006 145 4 2 .i 0 0 0 0 2008 145 3 2 .i 0 0 0 0 2010 145 4 2 .i 0 0 0 0 2006 146 1 5 .i 0 0 0 0 .i 146 .i .i .i 0 0 0 0 .i 146 .i .i .i 0 0 0 0 2006 148 6 1 2 0 0 0 0 .i 148 .i .i .i 0 0 0 0 .i 148 .i .i .i 0 0 0 0 2006 149 4 5 .i 0 0 0 0 .i 149 .i .i .i 0 0 0 0 .i 149 .i .i .i 0 0 0 0 2006 152 3 5 .i 0 0 0 0 .i 152 .i .i .i 0 0 0 0 .i 152 .i .i .i 0 0 0 0 2006 154 7 1 2 0 0 0 0 2008 154 7 1 2 0 0 0 0 2010 154 7 1 2 0 0 0 0 2006 155 3 5 .i 0 0 0 0 2008 155 4 5 .i 0 0 0 0 2010 155 4 5 .i 0 0 0 0 2006 156 5 1 2 0 0 0 0 .i 156 .i .i .i 0 0 0 0 .i 156 .i .i .i 0 0 0 0 2006 164 4 5 .i 0 0 0 0 2008 164 4 5 .i 0 0 0 0 2010 164 4 5 .i 0 0 0 0 2006 165 5 5 .i 0 0 0 0 .i 165 .i .i .i 0 0 0 0 .i 165 .i .i .i 0 0 0 0 2006 166 2 5 .i 0 0 0 0 2008 166 2 5 .i 0 0 0 0 .i 166 .i .i .i 0 0 0 0 2006 167 4 5 .i 0 0 0 0 2008 167 5 5 .i 0 0 0 0 2010 167 4 5 .i 0 0 0 0 2006 176 4 1 2 0 0 0 0 2008 176 5 1 2 0 0 0 0 2010 176 4 1 2 0 0 0 0 2006 177 4 5 .i 0 0 0 0 2008 177 4 5 .i 0 0 0 0 2010 177 3 5 .i 0 0 0 0 2006 178 5 1 2 0 0 0 0 2008 178 4 1 2 0 0 0 0 .i 178 .i .i .i 0 0 0 0 2006 180 4 1 2 0 0 0 0 .i 180 .i .i .i 0 0 0 0 .i 180 .i .i .i 0 0 0 0 2006 181 3 1 2 0 1 0 0 2008 181 3 1 1 0 1 0 0 .i 181 .i .i .i 0 1 0 0 2006 182 4 2 .i 0 0 0 0 end label values year LABB label def LABB .i "IAP", modify label values polviews LABIU label def LABIU 1 "extremely liberal", modify label def LABIU 2 "liberal", modify label def LABIU 3 "slightly liberal", modify label def LABIU 4 "moderate", modify label def LABIU 5 "slghtly conservative", modify label def LABIU 6 "conservative", modify label def LABIU 7 "extrmly conservative", modify label def LABIU .d "DK", modify label def LABIU .i "IAP", modify label def LABIU .n "NA", modify label values marital V1852_A label def V1852_A 1 "married", modify label def V1852_A 2 "widowed", modify label def V1852_A 3 "divorced", modify label def V1852_A 4 "separated", modify label def V1852_A 5 "never married", modify label def V1852_A .i "IAP", modify label def V1852_A .n "NA", modify label values widowed LABC label def LABC 1 "yes", modify label def LABC 2 "no", modify label def LABC .d "DK", modify label def LABC .i "IAP", modify label def LABC .n "NA", modify
S.M.
0 Response to Data Arrangement for Categorical Regression
Post a Comment