Hi all,
I am trying to analyze a panel dataset. The data has three years of observations (2016, 2018, and 2020). However, it is a two-wave panel since respondents of 2020 are partially from 2016 and others are from 2018. Therefore, the way the variables are named are 'variable'_1a for 2016, 'variable'_1b for 2018, and 'variable'_2 for 2020. The following is an example of how the data is currently structured. I want to restructure this in a way that each respondent has two rows (either 2016 and 2020 or 2018 and 2020), like a typical panel data structure. Can anyone let me know how to do this? Thanks.

Code:
* Example generated by -dataex-. To install: ssc install dataex
clear
input long yearid int(year_1a year_1b year_2 id_1a id_1b id_2) byte(age_1a age_1b age_2 sex_1a sex_1b sex_2 rank_1a rank_1b rank_2)
20160001 2016 .i 2020   1 .i   1 47 .i 51 1 .i 1  1 .i  3
20160002 2016 .i 2020   2 .i   2 61 .i 65 1 .i 1  5 .i  5
20160004 2016 .i 2020   4 .i   3 43 .i 47 2 .i 2  3 .i  4
20160008 2016 .i 2020   8 .i   4 23 .i 27 2 .i 2  4 .i  5
20160009 2016 .i 2020   9 .i   5 45 .i 49 1 .i 1  5 .i  5
20160023 2016 .i 2020  23 .i   6 23 .i 27 2 .i 2  6 .i  6
20160025 2016 .i 2020  25 .i   7 25 .i 29 2 .i 2  5 .i  7
20160027 2016 .i 2020  27 .i   8 71 .i 75 1 .i 1 .n .i  2
20160030 2016 .i 2020  30 .i   9 75 .i 79 2 .i 2  1 .i  3
20160031 2016 .i 2020  31 .i  10 32 .i 36 1 .i 1  8 .i  5
20160032 2016 .i 2020  32 .i  11 68 .i 72 2 .i 2  5 .i  5
20160036 2016 .i 2020  36 .i  12 35 .i 39 1 .i 1  6 .i  4
20160037 2016 .i 2020  37 .i  13 59 .i 63 1 .i 1  6 .i  6
20160041 2016 .i 2020  41 .i  14 40 .i 44 2 .i 2  5 .i  1
20160043 2016 .i 2020  43 .i  15 68 .i 72 2 .i 2  5 .i  5
20160046 2016 .i 2020  46 .i  16 28 .i 32 1 .i 1  2 .i  1
20160048 2016 .i 2020  48 .i  17 33 .i 37 1 .i 1  3 .i  1
20160049 2016 .i 2020  49 .i  18 23 .i 27 1 .i 1  3 .i  6
20160050 2016 .i 2020  50 .i  19 47 .i 51 2 .i 2  4 .i  2
20160053 2016 .i 2020  53 .i  20 20 .i 24 1 .i 1  3 .i  4
20160058 2016 .i 2020  58 .i  21 57 .i 61 2 .i 2  4 .i  3
20160063 2016 .i 2020  63 .i  22 51 .i 56 2 .i 2  6 .i  4
20160070 2016 .i 2020  70 .i  23 74 .i 78 2 .i 2  5 .i  8
20160077 2016 .i 2020  77 .i  24 36 .i 40 2 .i 2  3 .i  3
20160083 2016 .i 2020  83 .i  25 33 .i 37 1 .i 1  5 .i  5
20160089 2016 .i 2020  89 .i  26 41 .i 45 2 .i 1  6 .i  6
20160092 2016 .i 2020  92 .i  27 72 .i 76 1 .i 1  5 .i  5
20160095 2016 .i 2020  95 .i  28 40 .i 44 1 .i 1  3 .i  6
20160096 2016 .i 2020  96 .i  29 58 .i 62 1 .i 1  4 .i  4
20160097 2016 .i 2020  97 .i  30 43 .i 47 1 .i 1  5 .i  6
20160099 2016 .i 2020  99 .i  31 33 .i 37 1 .i 1  3 .i  5
20160103 2016 .i 2020 103 .i  32 66 .i 70 1 .i 1  5 .i  5
20160107 2016 .i 2020 107 .i  33 78 .i 82 2 .i 2  5 .i  5
20160109 2016 .i 2020 109 .i  34 50 .i 54 1 .i 1  5 .i  5
20160112 2016 .i 2020 112 .i  35 54 .i 58 2 .i 2  4 .i  4
20160114 2016 .i 2020 114 .i  36 48 .i 52 1 .i 1  4 .i  3
20160116 2016 .i 2020 116 .i  37 29 .i 33 2 .i 2  3 .i  3
20160125 2016 .i 2020 125 .i  38 71 .i 75 1 .i 1  3 .i  3
20160128 2016 .i 2020 128 .i  39 26 .i 30 1 .i 1  4 .i  3
20160130 2016 .i 2020 130 .i  40 36 .i 40 1 .i 1  8 .i  1
20160132 2016 .i 2020 132 .i  41 27 .i 31 2 .i 2  1 .i  2
20160133 2016 .i 2020 133 .i  42 60 .i 64 2 .i 2  1 .i  1
20160138 2016 .i 2020 138 .i  43 64 .i 68 2 .i 2  1 .i  5
20160144 2016 .i 2020 144 .i  44 47 .i 51 2 .i 2  5 .i  3
20160150 2016 .i 2020 150 .i  45 30 .i 34 1 .i 1  3 .i  3
20160154 2016 .i 2020 154 .i  46 61 .i 65 2 .i 2  9 .i  5
20160155 2016 .i 2020 155 .i  47 58 .i 62 1 .i 1  7 .i  6
20160157 2016 .i 2020 157 .i  48 52 .i 57 2 .i 2  5 .i  5
20160159 2016 .i 2020 159 .i  49 25 .i 29 2 .i 2  5 .i  5
20160162 2016 .i 2020 162 .i  50 33 .i 37 1 .i 1  4 .i  4
20160163 2016 .i 2020 163 .i  51 61 .i 65 2 .i 2  4 .i  1
20160168 2016 .i 2020 168 .i  52 57 .i 61 2 .i 2  3 .i  3
20160175 2016 .i 2020 175 .i  53 49 .i 53 2 .i 2  8 .i  5
20160179 2016 .i 2020 179 .i  54 67 .i 71 1 .i 1  7 .i  4
20160182 2016 .i 2020 182 .i  55 66 .i 70 1 .i 1  3 .i  4
20160185 2016 .i 2020 185 .i  56 46 .i 50 1 .i 1  5 .i  1
20160187 2016 .i 2020 187 .i  57 67 .i 71 1 .i 1  3 .i  5
20160194 2016 .i 2020 194 .i  58 40 .i 44 2 .i 2  6 .i  5
20160196 2016 .i 2020 196 .i  59 38 .i 42 1 .i 1  1 .i  1
20160202 2016 .i 2020 202 .i  60 55 .i 59 1 .i 1  5 .i  6
20160206 2016 .i 2020 206 .i  61 67 .i 71 2 .i 2 .n .i  4
20160217 2016 .i 2020 217 .i  62 61 .i 65 2 .i 2  4 .i  5
20160224 2016 .i 2020 224 .i  63 45 .i 49 1 .i 1  4 .i  3
20160227 2016 .i 2020 227 .i  64 25 .i 29 1 .i 1  4 .i  5
20160230 2016 .i 2020 230 .i  65 72 .i 76 1 .i 1  4 .i  4
20160234 2016 .i 2020 234 .i  66 81 .i 75 1 .i 1  3 .i  2
20160248 2016 .i 2020 248 .i  67 49 .i 53 1 .i 1  5 .i  4
20160249 2016 .i 2020 249 .i  68 49 .i 53 2 .i 2  3 .i  3
20160252 2016 .i 2020 252 .i  69 29 .i 33 1 .i 1  5 .i  5
20160254 2016 .i 2020 254 .i  70 31 .i 35 1 .i 1  6 .i  4
20160258 2016 .i 2020 258 .i  71 62 .i 66 1 .i 1  4 .i  4
20160264 2016 .i 2020 264 .i  72 30 .i 33 2 .i 2  5 .i  1
20160267 2016 .i 2020 267 .i  73 47 .i 51 2 .i 2 .n .i  3
20160269 2016 .i 2020 269 .i  74 44 .i 48 1 .i 1  5 .i  4
20160271 2016 .i 2020 271 .i  75 44 .i 48 2 .i 2  5 .i  5
20160273 2016 .i 2020 273 .i  76 62 .i 66 2 .i 2  4 .i  4
20160281 2016 .i 2020 281 .i  77 54 .i 58 2 .i 2  6 .i  6
20160284 2016 .i 2020 284 .i  78 .n .i 52 2 .i 2  5 .i  5
20160286 2016 .i 2020 286 .i  79 38 .i 42 1 .i 1  3 .i  4
20160289 2016 .i 2020 289 .i  80 73 .i 77 2 .i 2  4 .i  8
20160291 2016 .i 2020 291 .i  81 55 .i 59 1 .i 1  2 .i  5
20160293 2016 .i 2020 293 .i  82 50 .i 54 1 .i 1  3 .i  4
20160298 2016 .i 2020 298 .i  83 36 .i 40 2 .i 2  4 .i  4
20160300 2016 .i 2020 300 .i  84 40 .i 44 1 .i 1  5 .i  5
20160303 2016 .i 2020 303 .i  85 60 .i 64 1 .i 1  8 .i 10
20160308 2016 .i 2020 308 .i  86 52 .i 56 2 .i 2  5 .i  5
20160310 2016 .i 2020 310 .i  87 25 .i 29 2 .i 2  7 .i 10
20160315 2016 .i 2020 315 .i  88 69 .i 73 1 .i 1  4 .i  4
20160316 2016 .i 2020 316 .i  89 66 .i 70 1 .i 1  4 .i .s
20160323 2016 .i 2020 323 .i  90 62 .i 66 2 .i 2  7 .i  4
20160326 2016 .i 2020 326 .i  91 68 .i 72 2 .i 2  5 .i  5
20160331 2016 .i 2020 331 .i  92 56 .i 60 1 .i 1  3 .i  3
20160336 2016 .i 2020 336 .i  93 42 .i 46 2 .i 2  3 .i  4
20160339 2016 .i 2020 339 .i  94 59 .i 63 2 .i 2  3 .i  2
20160341 2016 .i 2020 341 .i  95 44 .i 48 1 .i 1  4 .i  3
20160343 2016 .i 2020 343 .i  96 62 .i 66 2 .i 2  5 .i  5
20160344 2016 .i 2020 344 .i  97 59 .i 63 1 .i 1  8 .i  4
20160345 2016 .i 2020 345 .i  98 51 .i 55 2 .i 2  5 .i  5
20160346 2016 .i 2020 346 .i  99 37 .i 41 1 .i 1  5 .i  6
20160349 2016 .i 2020 349 .i 100 53 .i 57 1 .i 1  5 .i  5
end
label values age_1a AGE
label values age_1b AGE
label values age_2 AGE
label values sex_1a SEX
label values sex_1b SEX
label values sex_2 SEX
label def SEX 1 "male", modify
label def SEX 2 "female", modify
label values rank_1a RANK
label values rank_1b RANK
label values rank_2 RANK
label def RANK 1 "1 - top", modify
label def RANK 10 "10 - bottom", modify