L'essentiel de

TM

GL(~BAL
DESIGN
~
Marketing et Edition
RITME
INFORMATIQUE

Global Design Ritme Informatique

10, place Vendôme 34, boulevard Haussmann
75001 Paris 75009 Paris
 Avant-Propos
Ce manuel s'adresse aux nouveaux utilisateurs du logiciel Stata,
qu'ils soient étudiants, chercheurs ou professionnels des
sciences biologiques, économiques ou sociales. Son but est
d'indiquer concrètement aux utilisateurs de Stata les moyens de
traiter leurs données statistiques. Il ne remplace pas les manuels
de référence en anglais fournis par Stata mais permet au
néophyte francophone de mieux s'orienter dans les nombreuses
fonctions du logiciel. En outre, pour aider le lecteur, chaque
section est agrémentée d'exercices et ponctuée d'astuces pour
une meilleure utilisation du logiciel.

Un premier chapitre présente globalement le logiciel et ses

différentes versions en fonction du matériel utilisé. Le deuxième
chapitre résume ce que Stata sait faire et ce qui fait son
originalité. Le troisième chapitre explique comment prendre en
main le logiciel: configuration de la mémoire, chargement et
sauvegarde des fichiers, syntaxe des commandes.

La gestion des fichiers de données fait l'objet d'un chapitre à

part entière: création d'un nouveau fichier, transfert d'un fichier
à partir d'un autre logiciel, gestion de la mémoire, lisibilité des
données, combinaison de fichiers hiérarchisés ou non. Le
chapitre suivant explique comment créer et modifier les
variables: opérateurs et fonctions, utilisation de l'éditeur,
adressage par ligne, calcul sur les fichiers hiérarchisés.

Les statistiques simples et leur représentation graphique font

l'objet du plus long chapitre de ce manuel. Nous y expliquons
comment produire des tableaux complexes croisant plusieurs
variables, comment utiliser les quatre types de pondération dans
le cas de données échantillonnées ou non, et comment obtenir
des graphiques très informatifs.

Dans le dernier chapitre de ce manuel, nous montrons comment

s'orienter dans le dédale complexe de modèles proposés par
Stata, à partir d'une méthode originale basée sur la classification
de la variable dépendante dans la régression.
 Table des Matières
1 MAIS QU'EST-CE QUE C'EST STATA, DIS-DONC ? _ l
1.1 D'abord, comment ça se prononce? 1
1.2 Et puis, à quoi ça sert ? 2
1.3 Encore un nouveau logiciel? 2
1.4 Est-ce que ça marche sur mon ordinateur? 3
2 CE QUE STATA PEUT FAIRE S
2.1 Des calculs directs 5
2.2 Des analyses exploratoires graphiques et statistiques _ _ 6
2.3 Des modèles de régression très diversifiés 8
2.4 De la manipulation de fichiers et de la programmation
avancée 10
2.5 Pour en savoir plus 12
3 LA PRISE EN MAIN DU LOGICIEL 13
3.1 Les règles de base 13
3.1.1 Quelques conventions typographiques 13
3.1.2 Entrer et sortir de Stata 14
3.1.3 Charger un fichier 15
3.1.4 Sauvegarder un fichier 17
3.1.5 Enregistrer les résultats d'une séance de travail 18

3.2 La syntaxe des commandes de Stata 20

3.2.1 Le suffixe [listevar] 21
3.2.2 Le suffixe [by listevar :] 22
3.2.3 Le suffixe [if exp] 23
3.2.4 Le suffixe [in intervalle] 24
3.2.5 Les options 25
3.2.6 Les règles d'abréviation et de raccourcis 26

4 LES FICHIERS DE DONNÉES 29

4.1 Comment créer ou transférer un fichier de données sous
Stata? 30
4.1.1 Le fichier est à saisir 30
4.1.2 Le fichier est saisi en fonnat binaire 32
4.1.3 Le fichier est saisi en fonnat ASCII 33
ii La prise en main du logiciel

4.2 Les commandes pour saisir et lire un fichier de données _ 35

4.2.1 Saisir des petits fichiers: la commande input 35
4.2.2 Saisir des petits fichiers: le tableur de Stata edit 38
4.2.3 Couper dans la fenêtre d'un tableur ou d'un traitement de texte et
coller sur le tableur intégré de Stata 39
4.2.4 Lire un fichier ASCII avec insheet 40
4.2.5 Lire un fichier ASCII avec infile en format libre 42
4.2.6 Lire un fichier ASCII avec infile en format fixe 44
4.2.7 Lire un fichier ASCII avec infix 47
4.2.8 « Et sije n'ai pas assez de mémoire?» 49
4.3 Comment rendre un fichier facilement lisible? 50
4.3.1 Les types de stockage 51
4.3.2 Les formats numériques de lecture et d'affichage 52
4.3.3 Les libellés du fichier, des variables et des valeurs 56
4.3.4 Les notes associées au fichier ou aux variables 58
4.3.5 Mettre en forme le fichier 59
4.4 Comment combiner plusieurs fichiers? 60
4.4.1 La commande append 61
4.4.2 La commande merge pour les fichiers non hiérarchisés 63
4.4.3 La commande merge pour les fichiers hiérarchisés 68

5 CRÉATION ET CORRECTION DE VARIABLES 73

5.1 Les commandes generate et replace 73
5.U Les opérateurs arithmétiques, relationnels et logiques 74
5.1.2 Les fonctions mathématiques, statistiques, etc. 76
5.1.3 Quelques précautions à prendre 77
5.1.4 Les corrections par Edit 79
5.1.5 Les corrections à l'aide d'un fichier *.do 82

5.2 L'adressage par ligne et la commande egen 85

5.2.1 L'adressage par ligne d'enregistrement 85
5.2.2 La commande egen 88

6 LES STATISTIQUES SIMPLES ET LEUR

REPRÉSENTATION GRAPHIQUE 91
6.1 Les tableaux 92
6.1.1 Résumé des variables et fréquence simple 92
6.1.2 Tableaux croisés à deux variables 96
6.1.3 Tableaux croisés à trois variables ou plus 100
6.1.4 Présentation complexe des résumés de variables 103

6.2 Les pondérations et les extrapolations 107

6.2.1 L'option [xweight] 107
6.2.2 Les commandes svy pour les données d'enquêtes 112
6.2.3 Récapitulatif sur les pondérations 115
Les règles de base iii

6.3 Les graphiques 117

6.3.1 Graphiques de répartition discrète: histogrammes, barres,
camemberts et étoiles 118
6.3.2 Graphiques de distribution univariée et ajustement des courbes 125
[Link] Les histogrammes et les boîtes 125
[Link] Le lissage des histogrammes 128
[Link] Diagnostics graphiques de symétrie et de conformité à la loi
normale 132
6.3.3 Graphique de distribution croisée de deux variables continues 137
6.3.4 Graphique de distribution multivariée 141

7 L'ANALYSE STATISTIQUE: APPROCHE PAR TYPE DE

PROBLÈMES 147
7.1 Les différents types de variables dépendantes 148
7.2 Les modèles à variable continue non datée 150
7.2.1 Le modèle de régression linéaire 151
[Link] Violation de l'hypothèse de linéarité 152
[Link] Violation de l'hypothèse de mesure correcte des variables
indépendantes 153
[Link] Violation de 1'hypothèse d'homoscédasticité (homogénéité de
la variance de la variable dépendante) 154
7.2.2 Les estimations robustes de la variance 158
7.2.3 Les estimations robustes des coefficients 159
7.2.4 La régression multivariée et la régression multiple 161
7.2.5 Les régressions non linéaires 164
7.3 Les modèles à variable continue datée 165
7.3. 1 Les processus de comptage 165
7.3.2 Les séries temporelles auto-corrélées 169
7.3.3 Les données issues de panels 172

7.4 Les modèles à variable continue par intervalles 176

7.5 Les modèles à variable dichotomique non datée 179
7.5.1 Les modèles logistique et probi t 179
7.5.2 Le modèle conditionnel logistique appliqué aux données assorties
(échantillon cas-témoin) 183

7.6 Les modèles à variable dichotomique datée 184

7.6.1 Les modèles logistiques et probit appliqués aux données
longitudinales 184
7.6.2 Les modèles de survie 187
7.7 Le modèle à variable polytomique exclusive 191
7.8 Les modèles à variable polytomique ordonnée 193
1 MAIS QU'EST-CE QUE C'EST
STATA, DIS-DONC?

1.1 D'abord, comment ça se prononce?

Comme la plupart des logiciels de statistique commerciaux,
Stata est un logiciel qui a été conçu par des anglophones et qui
s'adresse, dans leur langue, aux anglophones. Cela ne veut pas
dire que les autres n'y comprendront rien: il n'est heureusement
pas nécessaire d'avoir l'anglais pour langue maternelle pour
utiliser le logiciel.

En fait, c'est un peu la règle générale en informatique: on

apprend un logiciel, en même temps qu'on apprend le langage
spécifique dans lequel il est écrit. Si cela peut vous rassurer, les
anglophones ne comprennent pas toujours le langage qui est
utilisé dans les logiciels informatiques. De nouveaux sens sont
parfois associés à des mots bien connus, et de nouveaux mots ou
concepts sont souvent inventés lorsque les anciens ne
conviennent pas aux concepteurs des logiciels.

Mais il faut admettre qu'une connaissance de base de l'anglais

écrit sera utile, et il est probable aussi que l'apprentissage du
logiciel vous fera apprendre de nouveaux mots, quel que soit
votre niveau en anglais.

Mais, comment prononce-t-on Stata? Ce mot rime avec le mot

data qui veut dire «données» en anglais, et que l'on peut
prononcer aussi bien «daata » que «dèïta ». En somme, pour
une fois, les francophones peuvent s'en tenir à la prononciation à
la française de Stata, car ils seront à peu près sûr d'être compris
de tout le monde.
2 L'essentiel de Stata

1.2 Et puis, à quoi ça sert?

Stata est un logiciel statistique commercial pour manipuler,
analyser et représenter graphiquement des données. TI associe
puissance de calcul et convivialité. TI est particulièrement bien
adapté à la recherche médicale, aux biostatistiques, aux
mathématiques appliquées aux sciences sociales (sociologie,
démographie, psychologie...), et à l'économétrie, et en général
au traitement des données d'enquête.

Stata est un logiciel interactif qui possède de nombreuses

procédures d'exploration des données, notamment des
graphiques très informatifs. Il propose aussi des procédures
statistiques avancées: méthodes d'estimation robustes
(régression sur les quantiles, bootstrapping... ), analyse de survie
(modèle de Cox avec troncatures à gauche et sorties temporaires
d'observation...), analyse de séries temporelles, table
d'épidémiologie, etc.

TI est écrit dans un langage de programmation matriciel

accessible à l'utilisateur averti, qui peut ainsi modifier des
procédures déjà existantes ou créer de nouvelles procédures
statistiques. Ainsi, l'utilisateur peut évoluer et devenir un
concepteur, en proposant ses propres programmes aux autres
utilisateurs du logiciel dans le Stata Technical Bulletin,
bimensuel qui diffuse les nouveaux programmes auprès de ses
abonnés. Cela fait de Stata un produit particulièrement évolutif
puisque le logiciel se nourrit en quelque sorte du travail de ses
utilisateurs les plus chevronnés.

1.3 Encore un nouveau logiciel ?

Bon, pas si nouveau que ça : Stata existe depuis 1985. Mais il a
considérablement évolué depuis ce temps-là, essentiellement par
l'introduction de nouvelles procédures, et aussi par l'adaptation
à l'environnement Windows.

Certains logiciels offrent une plus grande variété de statistiques

et de possibilités graphiques et cartographiques. Mais rares sont
ceux qui vont aussi loin dans le domaine de l'analyse des
données d'enquêtes. De plus, le maniement des autres logiciels
 Mais qu'est-ce que c'est Stata, dis-donc?

nécessite souvent d'écrire de longues procédures, et leur

exécution est lente. Il faut en outre attendre plusieurs mois, voir
des années avant que de nouvelles procédures statistiques soient
intégrées à ces logiciels. Au contraire, Stata évolue très
rapidement, en fonction des besoins de ses utilisateurs.
Stata propose deux versions de son logiciel:
1. Une version simple (Small Stata) pour des ordinateurs de
petite capacité et qui ne peut accueillir des fichiers de plus de
1 000 observations et 99 variables; cette version n'est
vraiment utile que pour dispenser des cours sur des
ordinateurs de première génération.
2. Une version standard (appelée encore /ntercooled Stata mais
qu'on appellera simplement Stata) qui peut accueillir des
fichiers largement plus gros que ceux que vous traitez
habituellement; en particulier, le nombre d'observations
n'est limité que par la mémoire vive de votre ordinateur.
Pour analyser vos propres données, vous n'utiliserez jamais
Small Stata, et nous n'y ferons plus référence dans la suite de ce
manuel. Si vous n'avez pas la version standard (/ntercooled) de
Stata, achetez-la immédiatement. Si vous n'êtes pas convaincu,
vous le serez après avoir consulté ce manuel.

1.4 Est-ce que ça marche sur mon ordinateur?

Stata charge les fichiers de travail en mémoire vive. Cela a un
petit inconvénient et un gros avantage.
L'inconvénient est que la taille des fichiers qui peuvent être lus
et modifiés dépend directement de la taille de la mémoire vive
disponible, c'est-à-dire non utilisée par le système d'exploitation
de votre ordinateur.
Si vous disposez de suffisamment de mémoire vive, alors Stata
conserve son avantage majeur: la rapidité d'exécution, dont
vous serez étonné si vous êtes un nouvel utilisateur, et dont vous
aurez du mal à vous passer si vous avez déjà goûté à Stata. De
plus, Stata utilise un format de stockage particulièrement
condensé qui permet de conserver des fichiers deux à trois fois
 L'essentiel de Stata

moins vohimineux que ceux des logiciels statistiques

équivalents.

Le problème de la taille de la mémoire vive peut être contourné

en utilisant la mémoire virtuelle, mais avec une incidence directe
sur la rapidité d'exécution. En somme, si vous avez à vous
plaindre, ce sera plutôt de votre ordinateur que de Stata.

La question de l'espace disponible en mémoire ne se posera

véritablement que pour les rares utilisateurs de gros fichiers de
données. Pour ceux-là, nous conseillons de n'utiliser que les
variables ou les observations qui sont utiles pour une analyse
spécifique: une procédure existe dans Stata pour une telle
sélection, tout en maintenant l'intégrité du fichier original.

Stata fonctionne sous DOS, sous Windows 3.1 ou 95, sous

Macintosh, sous Unix et sous d'autres systèmes moins
courants... à condition évidemment de commander la version
compatible avec l'un ou l'autre de ces systèmes d'exploitation.
Dans le présent manuel, nous ne nous étendrons pas sur les
différences entre les versions de Stata dans la mesure où elles ne
concernent que la mise en marche du logiciel et l'adressage des
fichiers. Ces procédures sont expliquées dans le volume des
manuels Stata intitulé «Getting started» écrit pour chaque
système d'exploitation.

Sinon, une fois le fichier chargé en mémoire, les procédures sont

exactement les mêmes d'un système d'exploitation à l'autre. De
plus, les fichiers de données sont parfaitement lisibles d'un
système à l'autre: votre voisin utilise un Mac, pas de problème,
vous pourrez quand même lire son fichier sous Windows à la
maison, ou sous Unix au bureau.
2 CE QUE STATA PEUT FAIRE

Ce logiciel offre un large éventail de procédures, allant de la

simple calculette à la mise au point par l'utilisateur de ses
propres modèles d'estimation par le maximum de
vraisemblance, en passant par une grande variété de commandes
statistiques.

2.1 Des calculs directs

Avant, après ou pendant le traitement des données, Stata pennet
le calcul arithmétique et l'accès à différentes fonctions
statistiques :
· display 25+(3443/(30~2))
28.825556

· display round(2*(1-normprob(1.96)), .01)

.05

Les résultats des commandes de Stata peuvent être réutilisés

pour faire des calculs particuliers :
· summarize pop

Variable l O b s Mean Std. Dev. Min Max

---------+-----------------------------------------------------
pop 1 50 4518149 4715038 401851 2.37e+07

· di _result(6)-_result(5)
23266051

On peut aussi accéder directement aux coefficients des modèles

de régression pour calculer de nouvelles variables:
6 L'essentiel de Stata

regress pctact pcturb

Source 1 SS df MS Number of obs 50

---------+------------------------------ F ( 1, 48) 10.70
Mode1 1 .003514414 1.003514414 Prob > F o. 0020
Residua1 1 .01575887 48 .00032831 R-squared o. 1823
---------+------------------------------ Adj R-squared 0.1653
Total 1 .019273284 49.000393332 Root MSE .01812

pctact 1 Coef. Std. Err. t p>\tl [95% Conf. 1nterva1]

---------+---------------------------------------------------------------------
pcturb 1 .058773 .0179636 3.272 0.002 .0226548 .0948912
_cons 1 .5628098 .0122964 45.770 0.000 .5380861 .5875334

. generate ajpctact= _br_cons] + _b[pcturb]*pcturb

2.2 Des analyses exploratoires graphiques et statistiques

Stata permet d'obtenir rapidement une description des données,
à l'aide de statistiques de distribution uni-, bi-, ou multivariée:
. summarize medage, detai1
Median age

Percenti1es Sma11est
1% 24.2 24.2
5% 27.1 26.1
10% 27.5 27.1 Obs 50
25% 28.7 27.4 Sum of Wgt. 50

50% 29.75 Mean 29.54

Largest Std. Dev. 1.693445
75% 30.2 32
90% 31.85 32.1 Variance 2.867755
95% 32.1 32.2 Skewness - . 1178646
99% 34.7 34.7 Kurtosis 5.013541

tabulate actif region, a11 exact

Pop active Census region

sup a 60% Nord Est Centre N Sud Ouest i Total
-----------+--------------------------------------------+----------
Non 1 1 9 8 5 1 23
Oui 1 8 3 8 8 1 27
-----------+--------------------------------------------+----------
Total 1 9 12 16 13 1 50

Pearson chi2(3) 8.8735 Pr 0.031

llke1ihood-ratio chi2(3) 9.7154 Pr 0.021
Crarner s V 1
0.4213
gamma -0.0581 ASE 0.206
Kenda11's tau-b -0.0369 ASE 0.131
Fisher's exact 0.030
Ce que Stata peut faire 7

. table region act urb, contents (mean medage) row col center format(%5.2f) scol

----------+------------------------------------------------------------------
1 Pop urbaine sup a 75% and Pop active sup a 60%
Census 1 ------- Non ------- ------- Oui ------- ------ Total ------
region 1 Non Oui Total Non Oui Total Non Oui Total
-----------+------------------------------------------------------------------
Nord Est 30.40 30.53 30.50 31.82 31.82 30.40 31.34 31.23
Centre N 29.52 29.35 29.49 29.90 29.90 29.52 29.53 29.52
Sud 29.23 29.35 29.28 34.70 29.25 31.07 29.91 29.33 29.62
Ouest 28.00 28.30 28.17 26.70 29.27 28.42 27.48 28.79 28.28

Total 29.24 29.31 29.27 29.37 30.38 30.18 29.25 29.79 29.54
-----------+------------------------------------------------------------------

La commande graphique de Stata produit huit types de

graphiques (histogramme, bâton, trait, boîte, point, matrice,
étoile, camembert) qui peuvent être combinés, par exemple
comme ceCI:
012

Medla"1 age
Kernel Denslty Estlmate
(Gr'o .:111"5 CI!"E' 5, ~O, 25, 50, 75, <jO, and 95 perc('n:lle<;1 $ Medlan age
J4 7
?675 , , ,
2954 , 3? 3J

~: 70 0
1

-
ÇJ
1
1 ~

3210

~ r~
:;-,:;,06
- 1-
.~q;!P
A~ -
297:'

~; ~ 0
8
l
...---;;
0 1

---,------ , 1

)] U]
, 1

2.J2L
lnvf'r"e Nomal \Drd Es:: C'C'ltre N S,d Ouest

En outre, on peut associer diverses courbes de lissage aux

graphiques uni- et bivariés (densité de Kemel, méthode des
intervalles, etc.). La combinaison des diverses techniques de
représentations sur un même graphique permet de synthétiser les
informations :
8 L'essentiel de Stata

. graph pctact pcturb [fw=pop], twoway oneway box symbol((state])

connect(m) band(5) tlab rlab
.2 .4 .6 .8 1
f--------~~C=ccc~I-~~--J
1 1 " III III ""

.65 .65
-

=
Callforn ==
-

::
-

""
""f---
.6
~
~
""
- -

. 55 i,------~-------,------,-----,­
.2 1
1
~ .55

Pop urbaine en %

Par ailleurs, de nombreuses commandes graphiques répondent à

des problèmes spécifiques (diagnostic de conformité à la loi
normale, repérage des observations extrêmes, contrôle de
qualité, courbes de survie, etc.).

Sous Windows, Macintosh et Unix, tous les graphiques peuvent

être facilement copiés vers d'autres applications (traitement de
texte, tableur, etc.).

2.3 Des modèles de régression très diversifiés

Les modèles proposés par Stata vont de la simple régression
statistique jusqu'aux régressions les plus complexes pour traiter
les données de panels. Stata est particulièrement adapté au
traitement des données d'enquêtes, qu'elles soient de nature
épidémiologique, économique, sociologique ou démographique.
Des applications originales comme la régression sur les variables
continues à intervalles ouverts ou sur les variables ordonnées,
seront particulièrement appréciées en sciences sociales comme
en biologie et en épidémiologie.
Ce que Stata peut faire 9

Les techniques d'estimation robuste sont disponibles pour

pratiquement tous les modèles de régression. On appréciera
entre autres les options sur la structure de corrélation des erreurs
(par exemple, pour tenir compte des erreurs corrélées au sein des
grappes) et la régression sur les quantiles comme alternative à la
régression simple.
Les pondérations sont prises en compte de quatre manières
différentes (analytique, par fréquence, selon un plan
d'échantillonnage, par simple importance) selon le type de
données utilisées. Mais surtout, les estimations des fréquences,
moyennes, ratios, proportions ainsi que les coefficients de
régression (simple, logit ou probit) peuvent être obtenus pour
des données d'échantillonnage à plusieurs degrés, stratifié ou
non.
Les régressions les plus courantes (simple, logit, probit, cox,
etc.) sont accessibles avec des commandes simples, associées à
de nombreuses commandes de diagnostic graphique.
L'utilisateur averti peut aussi combiner, dans la mesure du
possible, jusqu'à six familles de distribution des erreurs
(gaussienne, inverse gaussienne, binomiale, binomiale négative,
Poisson, gamma) avec huit types de fonction liant les variables
dépendantes et indépendantes (identité, log-linéaire, logit,
probit, log-log, ratio des puissances, puissances simples,
binomiale négative). La plupart de ces distributions et fonctions
valent pour les modèles de régression sur les données issues de
panels.
Les techniques les plus avancées en matière d'analyse de survie
permettent non seulement les troncatures à droite mais aussi à
gauche, ainsi que des sorties temporaires d'observation. De plus,
les variables indépendantes peuvent varier dans le temps, et les
sujets, après avoir connu une première fois l'événement, peuvent
entrer à nouveau dans la population soumise au risque et ainsi
connaître plusieurs événements successifs jusqu'à la date
d'enquête.
Enfin, les techniques d'analyse multivariée (analyse factorielle,
canonique, en composantes principales) dans leur version anglo-
saxonne sont aussi disponibles.
10 L'essentiel de Stata

2.4 De la manipulation de fichiers et

de la programmation avancée
Les fichiers de données Stata sont chargés en mémoire VIve.
Cela permet non seulement une remarquable rapidité
d'exécution mais aussi l'adressage en ligne de chaque valeur
d'une variable. La manipulation des données (vérification et
correction) s'en trouve facilitée, notamment pour les données
complexes, faisant intervenir plusieurs niveaux hiérarchiques
(par exemple, un fichier de naissances pour chaque mère au sein
des ménages classés par îlot d'habitation). Il n'est pas nécessaire
de créer des fichiers intermédiaires pour créer des variables
relatives à chaque niveau hiérarchique: de cette façon les
informations collectées à un niveau supérieur sont directement
disponibles aux niveaux inférieurs.
L'instrument le plus puissant de Stata est certainement son
langage de programmation. Plus que de simples macros, Stata
vous permet d'écrire des programmes spécifiques, accessibles de
la même façon que n'importe quelle autre commande du
logiciel, avec arguments et options.

Ce langage combine à la fois les opérations courantes de la

programmation matricielle, l'accès à des procédures
d'estimations par le maximum de vraisemblance et l'accès à des
procédures déjà existantes dans Stata (comme le ferait une
simple macro). En outre, dans les versions pour Windows,
Macintosh et Unix, vous pouvez introduire des boîtes de
dialogue dans les programmes.
Reprenons l'exemple donné dans le User's Guide de Stata, à la
section 24.12.5 Development of a sample ado-command, du
chapitre consacré à la programmation [U] 24 Programming
Stata. Dans ce programme qui calcule une statistique d'influence
pour chaque observation dans une régression simple, nous avons
indiqué en commentaire les aspects spécifiques de la
programmation sous Stata :
 Ce que Stata peut faire 11

program deflne hinflu

version 5.0
if "SS_E_cmd"-="fit" { error 301 } /* Le programme ne peut s'exécuter
qu'après la commande fit */
tempvar Hi /* Des variables temporaires sont
créées par souci d'économie
de temps et d'espace en mémoire */

local varlist "required new max(l) " /* Le programme prévoit un seul

argument qui correspond à la
nouvelle variable à créer */

parse ,," *, "

rename 'varlist' 'Hi'
tempvar hii ei di2
quietly { /* La suite du programme utilise
des commandes existantes de Stata:
fpredict, fit, generate ... */

fpredict 'hii', hat

fpredict 'ei', resid
quietly fit
/* Les résultats des commandes
de Stata sont accessibles sous
forme de variables systèmes:
par exemple _result(#) */

gen 'di2' = ('ei'*'ei')/_result(4)

replace 'Hi' = ((_result(3)+l}/(1-'hii'))*('di2'/(1-'di2')) + /*
*/ 'hii'/(l-'hil')

rename 'Hi' 'varlist'

end /* Les variables temporaires sont
automatiquement éliminées après
l'exécution du programme */

Pour exécuter ce programme, il suffira de taper le nom du

programme suivi du nom de la nouvelle variable à calculer:
1. hinflu nouvar

Ce mode de programmation a permis aux concepteurs de Stata

de développer rapidement leur logiciel: chaque nouveau
programme est d'abord diffusé rapidement via le bulletin
bimensuel de liaison (Stata Technical Bulletin - STB) avant
d'être éventuellement intégré dans une version supérieure du
logiciel. De cette manière, les nouveaux programmes sont
disponibles rapidement et sont testés par les utilisateurs eux-
mêmes à une large échelle (heta-test),
12 L'essentiel de Stata

2.5 Pour en savoir plus

En dépit du plaisir que vous aurez certainement à lire le présent
manuel, nous devons admettre que les ouvrages de théorie
statistique et les manuels de référence de Stata restent
indispensables pour l'approfondissement des connaissances et
pour un traitement avancé des données. Par ailleurs, le bulletin
de liaison de Stata (Stata Technical Bulletin - STB) est un outil
très efficace pour se mettre à la page des derniers
développements en statistique. Il permet d'obtenir les
programmes pour des nouvelles procédures à moindre frais.

Par ailleurs, Stata diffuse les dernières informations sur le

logiciel sur le Web ([Link] Les
internautes peuvent également échanger leurs informations par
l'intermédiaire du Statalist (listserver de Stata). Des cours
payants de différents niveaux (NetCourses) sont aussi dispensés
par Internet. Pour tout renseignement complémentaire et pour les
inscriptions, adresser un courrier à stata@[Link].
3 LA PRISE EN MAIN DU LOGICIEL

3.1 Les règles de base

Pour faciliter l'apprentissage du logiciel et de ses possibilités
graphiques et statistiques, nous utiliserons principalement un
fichier de données, « [Link] », tout au long de ce manuel. Ce
fichier, fourni avec le logiciel Stata, contient des données du
recensement des États-Unis de 1980.

3.1.1 Quelques conventions typographiques

Pour nous rapprocher des conventions utilisées dans les manuels
de Stata, nous avons adopté les règles typographiques suivantes:

• Ce que Stata comprend ressemble a ca dans notre texte,

c'est-à-dire à du caractère courrier gras. Notez l'absence
d'accent et de caractères spécifiques au francais. Cela
concerne aussi bien les commandes que vous taperez à
l'écran que les résultats produits à l'écran. En somme, tout ce
que Stata comprend est écrit en caractères courrier et avec
un fort accent anglais !

• Lorsque après une commande, on veut indiquer que le lecteur

doit taper un mot de son choix, par exemple, une liste de
variables après la commande list, les caractères italiques
seront utilisés, comme dans list listevar, by (vargroupe).
14 L'essentiel de Stata

• En plus des deux conventions précédentes, nous encadrerons

ce que Stata montre à l'écran:
. 1ist var1 var2

var1 var2
1. 3 42
2. 5 23
3. 3 15
4. la 4
5. 2 15
6. a la
3.1.2 Entrer et sortir de Stata
Avant d'entrer dans Stata, il est préférable de contrôler la place
en mémoire vive qui sera allouée au fichier de données. En effet,
par défaut, Stata n'allouera que 1 Mo de mémoire vive (RAM).
C'est peu, et il serait dommage en plein travail de se trouver à
court de mémoire et d'être obligé de sortir de Stata pour allouer
de la mémoire supplémentaire.

Comme on l'a dit plus haut, la configuration optimale dépend

des capacités de l'ordinateur et de la place occupée par les autres
logiciels. Sachez par exemple que Windows 3.1 occupe au
minimum 4 Mo de RAM. Pour Windows 95, 6 à 7 Mo de RAM
doivent être réservé. Ainsi, lorsque l'ordinateur dispose de 16
Mo de RAM, on allouera au maximum 9 Mo de RAM pour
Stata : au delà, Stata fonctionnera quand même, mais beaucoup
plus lentement car il copiera une partie des fichiers sur le disque
dur, ce qui accroît le temps de lecture et d'écriture.

Le tableau qui suit donne la formule approximative pour

connaître le nombre maximum de Mo de RAM à allouer à Stata
selon le système d'exploitation Windows (<< Total» signifie le
nombre total de Mo de RAM disponible sur l'ordinateur).

~~
Ainsi, avec 32 Mo de RAM sous Windows 95, un maximum de
21 Mo (= (32 * 3/4) - 3) devra être alloué à Stata.

Pour configurer la mémoire utilisée par Stata, on devra modifier

les propriétés associées au programme exécutable de Stata. La
 La prise en main de Stata 15

procédure diffère d'un système d'exploitation à l'autre (par

exemple pour configurer à 9 Mo) :

• Pour DOS, il suffit de taper « c: >stata /k9000 ».

• Pour Unix, il suffit de taper « % stata -k9000 ».

• Pour Windows (3.1 et 95), les propriétés de l'icône de Stata

doivent être modifiées. Dans Windows 95, on accède à la
fenêtre des propriétés de Stata dans le sous-répertoire
C:\Windows\Menu démarrer\Programmes\Stata.
Pour obtenir la fenêtre des propriétés de l'icône, cliquer une
fois sur l'icône, dérouler le menu Fichier et cliquer sur
Propriétés (et Raccourci pour Windows 95). Ensuite,
modifier la cible (appelée ligne de commande dans Windows
3.1) tel que « c: \Stata\[Link] /k9000» (au lieu
de /klOOO par défaut).

• Pour Macintosh, cliquer une fois sur l'icône correspondant à

l'application de Stata. Dérouler le menu Fichier et cliquer sur
Informations. Ensuite, sous la rubrique Mémoire, modifier
la taille souhaitée à 9000 par exemple (au lieu de 1000 par
défaut). Ne pas modifier la taille minimum.
Ensuite, le mode d'entrée dans Stata dépend du système
d'exploitation. Le tableau qui suit indique quelles sont les
commandes à exécuter pour entrer dans Stata. Cela suppose
évidemment que Stata soit correctement installé sur
l'ordinateur :

DOS Windows Windows 95 Macintosh Unix

3.1

Démarrer
c: >stata Stata Programmes [Link] % stata
(icône) Stata (icône)

3.1.3 Charger un fichier

Pour être chargé en mémoire vive par Stata, le fichier doit
d'abord exister physiquement en mémoire morte, c'est-à-dire sur
le disque dur de l'ordinateur. Stata travaille en mémoire vive sur
 16 L'essentiel de Stata

un fichier de travail qui est une copie du fichier original. Il

appartient ensuite à l'utilisateur de sauvegarder correctement le
fichier de travail.

Il n'y a qu'une manière de charger un fichier en mémoire vive.

Ainsi, pour charger le fichier « [Link] » par exemple, il suffit
de taper:
l' use census
(1980 Census data by state)

Mais plutôt que le gentil message indiquant que vous venez de

charger les données du recensement de 1980, vous obtiendrez
quelque chose de plus méchant du genre:
· use census
file [Link] not found
r(60l);

Sur un écran couleur, le message d'erreur indiquant que Stata

n'a pas trouvé le fichier « [Link] » est en rouge, couleur qui
suggère que Stata s'est fâché contre vous.

Ce n'est pas totalement injuste. Le fichier existe bel et bien mais

pas dans le répertoire courant de travail. Lorsque vous avez
installé Stata pour la première fois, il vous a été demandé de
choisir un répertoire de travail, soit « c: \data » par défaut, soit
un autre répertoire existant. Par la suite, à chaque fois que Stata
sera exécuté, il se placera automatiquement dans ce répertoire de
travail.

Or le fichier «[Link]» fait partie des fichiers copiés

automatiquement lors de l'installation du logiciel, dans le
répertoire « c : \ stata » où figurent tous les fichiers
(programmes ou données) fournis par Stata.

Pour lire « [Link] », il faut donc changer de répertoire. Pour

cela, on peut procéder de deux façons :

• dans le cas où vous connaissez par cœur le chemin qui mène

à votre fichier, taper simplement sous DOS ou sous
Windows:
· cd\stata

· use census
(1980 Census data by state)
 La prise en main de Stata 17

... ou bien sous Unix:

· cd /usr/local/stata

· use census
(1980 Census data by state)

• dans le cas où votre mémoire vous ferait défaut, utilisez les

facilités du menu sous Windows, Macintosh ou Unix, et
cliquez sur File puis Open, pour avoir accès au répertoire de
fichiers de l'ordinateur et choisir ainsi le fichier tant désiré.

Sous Windows 95, le chemin d'accès doit le cas échéant tenir compte
de l'abréviation des noms étendus de répertoires ou de fichiers. Ainsi
pour rechercher le fichier c: \Mes données \mon fichier. dta
on devra taper:

· cd\mesdon-1
· use monfic-1

Remarquez l'absence d'espace entre les mots, ainsi que le

caractère - suivi d'un numéro (qui peut être différent s'il y a plusieurs
fichiers qui commencent par 6 caractères identiques).

Comme on le voit, il faut être prudent en nommant les répertoires et

les fichiers avec des noms étendus comme le permet Windows 95.
"est préférable d'utiliser de simples noms de 8 lettres (comme sous
DOS ou Windows 3.1).

3.1.4 Sauvegarder un fichier

Les commandes pour sauvegarder un fichier sont parmi les
premières que l'on apprend, et pourtant on se fait toujours avoir
un jour ou l'autre en perdant tout ou partie de ses données. C'est
ce qu'on appelle les joies de l'informatique.
La commande pour sauvegarder un fichier est pourtant simple:
il suffit de taper save nomfichier. Mais regardons ce qui se
passe:
· save census
file [Link] already exists
r (602) ;

Stata se fâche encore tout rouge pour vous dire que le fichier
existe déjà. En effet, le fichier en mémoire vive n'est qu'une
copie du fichier « [Link] » conservé en mémoire morte. En
exécutant save vous devez indiquer si le fichier « [Link] »
 18 L'essentiel de Stata

doit être actualisé par la copie éventuellement modifiée en

mémoire vive. Le fichier doit être sauvegardé soit sous un
nouveau nom de fichier:
,. save census2
flle [Link] saved

... soit SOUS le même nom de fichier avec l'option replace, ce

qui aura pour effet de remplacer l'ancien fichier sur la mémoire
morte de l'ordinateur :
. save census, replace
file [Link] saved

Remarquez dans les deux cas la teneur du message (en bleu) :

Stata vous dit que le fichier est sauvegardé, mais il ne dit pas s'il
a remplacé ou non un ancien fichier par une version plus récente.
C'est à vous de savoir ce que vous faites en utilisant l'option
replace, car il ne sera pas possible de récupérer l'ancien
fichier, écrasé par le nouveau.

L'option replace peut tout aussi bien être utilisée sans

spécifier le nom du fichier à remplacer:
l' save, replace
file [Link] saved

Cette utilisation de l'option replace est très risquée: persuadé

que vous travaillez sur le fichier «[Link] », vous réalisez
trop tard qu'il n'en est rien et que vous avez écrasé votre fichier
original «[Link]» en ayant voulu économiser quelques
secondes de votre temps précieux.

Pour sauvegarder un fichier, prenez l'habitude de toujours taper

le nom du fichier:

. save nom_fichier, replace

Vous réduirez ainsi les risques d'erreurs.

3.1.5 Enregistrer les résultats d'une séance de travail

Sortir des résultats, c'est bien, les conserver, c'est encore mieux.
Avant de commencer l'analyse de vos données, il est préférable
de penser à conserver les résultats qui apparaissent à l'écran
dans un fichier que vous pourrez consulter librement, en tapant
la commande log using nomfichier:
 La prise en main de Stata 19

· log using resultat

(suivent les commandes et les résultats)
Cette commande a pour effet d'ouvrir un fichier texte (format
ASCII) avec extension «[Link]» où seront conservées
toutes les sorties à l'écran, c'est-à-dire non seulement les
commandes que vous avez exécutées mais aussi les résultats
produits par Stata. Ce fichier texte est récupérable dans
n'importe quel éditeur de texte.

Pour fermer ce fichier texte, il suffit de taper:

1. log close
Lors d'une séance de travail interactive, il est fort possible que
les résultats obtenus ne vous satisfassent pas, ou plus souvent
encore, que vous ayez fait des erreurs en tapant vos commandes.
Dans ce cas, le fichier de résultats sera inutilement long. Il est
donc préférable de vérifier d'abord l'utilité d'une commande ou
d'un résultat avant de le faire figurer dans le fichier de résultats.
Pour cela, on peut temporairement interrompre l'écriture sur le
fichier « *.log» :
· log off

(suivent plusieurs commandes pour explorer les données et qui n'apparaÎtront pas
dans le fichier des résultats)
· log on

(suivent les commandes utiles à conserver dans le fichier des résultats)

Les fichiers de résultats sont aussi très utiles pour ajouter des
commentaires sur le traitement des données. Pour cela, placez
une étoile avant le commentaire :
· * Ceci est un commentaire tres pertinent

Pour ajouter au fichier de résultats de la veille, les résultats de la

session de travail du jour, on ajoute l'option append :
1. log using resultat, append

Pour effacer un vieux fichier de résultat et rouvrir un nouveau

fichier de résultat sous le même nom, on ajoute l'option
replace:
1. log using resultat, replace

Toutes ces commandes et options sont accessibles à partir du

menu dans les versions de Stata pour Windows. Le Tableau
20 L'essentiel de Stata

suivant indique la correspondance entre les termes utilisés dans

les commandes interactives et les entrées du menu déroulant
sous Windows:

options interactives menu déroulant Log

• log close Close log file

• log off Suspend log file

• log on Resume

L'avantage de Windows est de permettre d'amener à l'écran

(dans une fenêtre) le fichier « *.log » en cours de session, même
si vous ne l'avez pas encore fermé, temporairement ou
définitivement. Pour cela, déroulez le menu Log et choisissez
Bring log window to top. Vous pourrez ainsi voir les résultats
que vous avez produits en début de session de travail, et qui
n'apparaissent pas dans la fenêtre des résultats que vous venez
de produire. Cela évite de répéter plusieurs commandes
inutilement, et on peut plus facilement comparer les résultats
entre eux, sans sortir de la session de travail.

Ajoutons enfin, que le fichier « *.log» en cours d'utilisation est

automatiquement fermé en quittant Stata.

3.2 La syntaxe des commandes de Stata

Stata comme tous les logiciels, utilise un langage qui n'est ni de
l'anglais, ni du français, mais son propre langage. Certes, les
mots sont empruntés à la langue de Shakespeare, mais la syntaxe
n'a rien à voir avec l'anglais. Hormis quelques exceptions, la
syntaxe des commandes de Stata est:
[by listevar:] commande [listevar] [=exp]
[if exp] [in intervalle] [pondération]
[, options]

Le nom de la commande est évidemment obligatoire, et il peut

éventuellement être précédé d'un préfixe by, et le plus souvent il
est suivi d'un ou de plusieurs suffixes. Dans le cas de
commandes particulièrement usuelles, il peut parfois être abrégé,
comme par exemple d pour describe. Les suffixes sont
 La prise en main de Stata 21

entourés de crochets pour indiquer leur caractère optionnel:

listevar correspond à une liste de variables, exp à une
expression logique, intervalle à une série d'observations
dans le fichier de données, et pondéra t i on à une expression
indiquant la variable et le mode de pondération des données.
Enfin, après une virgule, on peut ajouter une ou plusieurs
options pour l'exécution de la commande.

La syntaxe complète pour chaque commande figure dans les

manuels de référence de Stata, qui restent de ce point de vue
irremplaçables. Mais puisque le préfixe by et les suffixes if, in
et la pondération sont communs à la majorité des commandes,
nous nous en tiendrons dans les chapitres suivants à exposer la
syntaxe de base qui prend la forme:
commande [listevar] [=exp] [, options]

Dans le User's Guide de Stata, la syntaxe est expliquée à l'aide

de la commande swmnarize. Plutôt que de reprendre le même
exemple, nous préférons expliquer la syntaxe de la commande
list, qui nous permettra par la même occasion de montrer
comment on explore un fichier de données :
[by listevar:] !ist [listevar]
[if exp] [in intervalle]
[, [no]~isplay nolabel noobs

Cette commande n'utilise pas les suffixes [=exp] et

[pondéra ti on], sur lesquels nous reviendrons dans les
prochains chapitres à propos d'autres commandes.

3.2.1 Le suffixe [listevar]

Immédiatement après le nom de la commande, une liste de

variables indique sur quelles variables doit s'effectuer la
commande. Pour explorer le fichier « [Link] », on tapera:
list state region pop

state region pop

1. Alabama South 3893888
2. Alaska West 401851
3. Arizona West 2718215
4. Arkansas South 2286435
5. California West 23667902
(suite de la liste)
22 L'essentiel de Stata

La première colonne indique le numéro d'ordre de l'observation

dans le fichier. Au sommet de chacune des colonnes suivantes
est indiqué le nom de la variable.

Certaines commandes de traitement statIstIque nécessitent de

spécifier au moins une variable. Dans ce cas, le manuel de Stata
(et l'aide en ligne ou au menu) indique la liste de variables
obligatoires sans crochets. Par exemple, regress depvar
[listevarl (listevar2)} ... indique que le nom de la
variable dépendante est nécessaire tandis que les noms des
variables indépendantes entre crochets sont optionnels.

Dans les autres cas, la liste de variables par défaut est la totalité
des variables du fichier. Ainsi, pour obtenir la liste de toutes les
variables pour chaque observation, on tape:
1ist

Observation 1

state Alabama region South pop 3893888

pop1t5 296412 pop5_ 17 865836 pop18p 2731640
pop65p 440015 popurban 2337713 medage 29.30
death 35305 marriage 49018 divorce 26745

Observatlon 2

state Alaska region West pop 401851

pop1t5 38949 pop5_ 17 91796 pop18p 271106
pop65p 11547 popurban 258567 medage 26.10
death 1604 marriage 5361 divorce 3517

Observation 3
(suite de la liste)
On remarque immédiatement que la présentation a changé:
faute de place dans la fenêtre de résultats (qui fait 80 caractères
de large), la commande list a choisi une présentation où la
liste des variables (en vert sur l'écran couleur) et leur contenu
(en jaune) sont indiqués en colonne pour chaque observation.

3.2.2 Le suffixe [by 1 is tevar :]

Ce préfixe avant la commande est une originalité de Stata qu'il

est absolument nécessaire de connaître pour bien maîtriser les
calculs complexes (notamment à l'aide de la fonction
d'adressage) sur lesquels nous reviendrons plus loin.
 La prise en main de Stata 23

Le préfixe by permet d'exécuter la commande pour chaque

sous-ensemble d'observations défini pour chaque valeur de
listevar. Avant d'exécuter la commande, le fichier doit
d'abord être trié (avec la commande sort listevar) selon la
même variable utilisée par le préfixe by. Par exemple, on aura:
sort region

by region: list region state pop medage

-> region= NE
region state pop medage
1. NE Massachusetts 5737037 31. 20
2. NE Rhode Island 947154 31.80
3. NE Maine 1124660 30.40
4. NE New York 17558072 31.90
5. NE Vermont 511456 29.40
6. NE New Jersey 7364823 32.20
7. NE Pennsylvania 11863895 32.10
8. NE New Hampshire 920610 30.10
9. NE Connecticut 3107576 32.00

-> region= N Cntrl

region state pop medage
10. N Cntr1 Kansas 2363679 30.10
11. N Cntrl S. Dakota 690768 28.90
12. N Cntrl N. Dakota 652717 28.30
13. N Cntrl Iowa 2913808 30.00
14. N Cntrl Ohio 10797630 29.90
15. N Cntrl Michigan 9262078 28.80
16. N Cntrl Illinois 11426518 29.90
17. N Cntrl Nebraska 1569825 29.70
18. N Cntrl Wisconsin 4705767 29.40
19. N Cntrl Missouri 4916686 30.90
20. N Cntrl Indiana 5490224 29.20
21. N Cntrl Minnesota 4075970 29.20
(suite de la liste)
Dans ce cas, il n'est pas utile d'inclure dans la liste la variable
region, puisque chaque groupe de région est indiqué par son
libellé «-> region= libellé de la région»: la
variable region est identique dans chaque groupe d'États.

3.2.3 Le suffixe [i f exp]

Le suffixe if restreint l'exécution de la commande au sous-

ensemble des observations pour lesquelles l'expression logique
exp est vraie, c'est-à-dire différente de la valeur O.

Nous reviendrons dans la section consacrée aux calculs sur la

manipulation de ces expressions logiques, dites encore
booléennes. Pour l'heure, un exemple suffit à comprendre le
fonctionnement de ce suffixe:
 24 L'essentiel de Stata

list region state pop medage if region==l

region state pop medage

1. NE Massachusetts 5737037 31.20
2. NE Rhode Island 947154 31. 80
3. NE Maine 1124660 30.40
4. NE New York 17558072 31.90
5. NE Vermont 511456 29.40
6. NE New Jersey 7364823 32.20
7. NE Pennsylvania 11863895 32.10
8. NE New Hampshire 920610 30.10
9. NE Connecticut 3107576 32.00

Le résultat est le même si l'on tape ...

1. list region state pop medage if region=="NE"

... c'est-à-dire si l'on mentionne le libellé exact de la région

codée 1 pour « NE » (North-East).

3.2.4 Le suffixe [in intervalle]

Le suffixe in est moins courant dans la pratique, car il suppose
de bien connaître l'ordre dans lequel sont classées les
observations du fichier. TI permet d'exécuter la commande pour
certaines observations, par exemple:
. list region state pop medage in 10/12

10. N Cntrl Kansas 2363679 30.10

11. N Cntrl S. Dakota 690768 28.90
12. N Cntrl N. Dakota 652717 28.30

On peut aussi utiliser un code pour la première observation (<< f »

comme first) et la dernière (<< 1» comme last), ou bien des
chiffres négatifs pour mentionner les observations depuis la
dernière. Par exemple, pour faire la liste depuis l'avant-dernière
observation jusqu'à la cinquième observation avant la fin, on
exécutera la commande:
list region state pop medage in -5/-2

region state pop medage

46. West Alaska 401851 26.10
47. West Wyoming 469557 27.10
48. West New Mexico 1302894 27.40
49. West Colorado 2889964 28.60

Ces subtilités sont en fait rarement utilisées car le résultat

dépend totalement de l'ordre des observations dans le fichier.
Ainsi, après avoir trié le fichier par ordre alphabétique des noms
d'Etats, on obtiendra un résultat fort différent du précédent
(remarquez les numéros d'ordre) :
 La prise en main de Stata 25

sort state

1ist region state pop medage in -5/-2

region state pop medage

46. South Virginia 5346818 29.80
47. South W. Virginia 1949644 30.40
48. West Washington 4132156 29.80
49. N Cntr1 Wisconsin 4705767 29.40

On préférera toujours sélectionner un sous-ensemble

d'observation avec le suffixe if en fonction de variables bien
connues et qui font sens, plutôt que de se fier à un ordre
arbitraire des observations dans le fichier.

3.2.5 Les options

Ces suffixes, appelés plus communément options, modifient
l'exécution de la commande mais pas le nombre d'observations
sur lesquelles portent la commande. Les options sont spécifiques
à chaque commande: il faut donc lire attentivement la syntaxe
de chaque commande pour comprendre quel est l'objet de
chaque option.

Ajoutons enfin que la commande list est la seule commande à

avoir son équivalent sous Windows ou Macintosh: en effet le
bouton Browse permet d'accéder à l'éditeur de Stata en mode
lecture seule. Sans risquer de modifier les données originales,
vous pouvez ainsi consulter les données comme vous le feriez
dans un tableur.

Comparer les résultats des commandes suivantes:

by region : 1ist region state pop medage if region!=l

1ist state pop pop1t5 popurban medage death

1ist state pop pop1t5 popurban medage death, noobs

1ist region state pop pop1t5 popurban medage death

1ist region state pop pop1t5 popurban medage death, nodisp1ay

1ist region state pop

1ist region state pop, no1abe1

browse in 1/20

browse if region==3, no1abe1

(Placez-vous sur une colonne et taper sur la touche Hide)
 26 L'essentiel de Stata

3.2.6 Les règles d'abréviation et de raccourcis

La plupart des noms de commandes, de variables, d'options,
etc., peuvent être abrégés. En ce qui concerne les commandes et
les options, le minimum de lettres requis pour l'abréviation est
indiqué par un soulignement, comme vous l'avez peut-être
remarqué à propos de la commande list expliquée ci-dessus.
Par exemple, on pourra abréger:
1. by region list state pop. nolabel

... par:
1. by region l state pop, nol

... ou mIeux encore:

1. by reg l st pop, nol

Stata ne prend aucun risque et ne confondra jamais une variable

abrégée avec une autre. On remarque en particulier que pop
n'est pas une abréviation pour popurban, pour pop65p ou pour
toute autre variable commençant par les caractères pop, mais
désigne bien la variable pop (population totale de l'État).
L'abréviation popu ne pourra désigner que popurban. TI n'en
est pas de même pour l'abréviation po qui pourrait désigner
toutes les variables de population:
. by reg : l po

-> region= NE po ambiguous abbreviation

r(l11) ;

Si votre intention était de faire la liste de toutes les variables qui

commencent par les mêmes caractères, utilisez le caractère * :
. by reg : l po*

-> region= NE
pop poplt5 pop5_17 pop18p pop65p popurban
1. 5737037 337215 1153174 4246648 726531 4808339
2. 947154 56692 186159 704303 126922 824004
3. 1124660 78514 242873 803273 140918 534072
4. 17558072 1135925 3551938 12870209 2160767 14858068
5. 511456 35998 109320 366138 58166 172735
6. 7364823 463289 1527572 5373962 859771 6557377
7. 11863895 747458 2375838 8740599 1530933 8220851
8. 920610 62512 195570 662528 102967 480325
9. 3107576 185188 637731 2284657 364864 2449774

-> region= N Cntrl

pop poplt5 pop5_17 pop18p pop65p popurban
10. 2363679 180877 468158 1714644 306263 1575899
11. 690768 58446 147160 485162 91019 320777
(suite de la liste)
 La prise en main de Stata 27

Remarquez que la liste des variables pop* apparaît dans l'ordre

de classement dans le fichier de données. La commande
précédente est absolument équivalente à :
1. by reg : l pop-popu

Le tiret indique une suite de variables dans l'ordre du fichier.

On peut ainsi faire varier à l'infini les possibilités d'abréviations

et de raccourcis au cours du traitement des données. En
revanche, on risque de s'y perdre à la relecture des résultats:
utilisez les abréviations, mais modérément et de manière
compréhensible.

Comparer les résultats des commandes suivantes:

l region state pop MedAge

l reg state pop medage region

l state popurban medage pop-pop5, noob

l state pop* noob

l d* medage-divorce

l d* divorce-medage

l pop* *age

l pop* m* reg*

l pop "Median age"

l state popurbainedansetat
4 LES FICHIERS DE DONNÉES

Dans un fichier Stata (comme dans la plupart des autres logiciels

statistiques), les lignes représentent les unités d'observation, et
les colonnes représentent les caractéristiques de ces unités,
appelées encore variables. Chaque variable est repérée par un
nom, tandis que chaque observation n est repérée par un numéro
d'ordre allant de 1 à N, le nombre total d'observations dans le
fichier.

Les fichiers Stata sont toujours rectangulaires, c'est-à-dire que

chaque ligne a le même nombre de colonnes, et chaque colonne
le même nombre de lignes. Cela signifie en particulier que l'on
ne peut avoir une case vide dans le fichier lorsqu'une variable
n'est appliquée à aucune unité d'observation, ou lorsqu'une
unité d'observation ne dispose d'aucune variable. Chaque fois
que c'est le cas, Stata attribuera à cette case un code spécial
correspondant à une valeur manquante, qui apparaît sous fonne
d'un point « . ».

Un fichier de données comprend donc une série de chiffres ou de

caractères pour chaque individu et chaque variable. Mais pour
faciliter sa lecture et sa manipulation, le fichier comprend aussi
des libellés, des fonnats, des notes et d'autres caractéristiques,
qui seront attribuées aux individus, aux variables ou à
l'ensemble des données.
30 L'essentiel de Stata

4.1 Comment créer ou transférer un fichier de données

sous Stata ?
Stata n'est pas un logiciel de SaiSIe, mais de traitement
statistique des données. On peut bien sûr y introduire des
données manuellement, mais il n'y a pas comme dans d'autres
logiciels, de modules spécifiques permettant de mettre au point
des feuilles de saisie originales. En revanche, il offre une grande
flexibilité de lecture de données déjà saisies.

Trois cas de figure peuvent se présenter à l'utilisateur: le fichier

n'est pas encore saisi sous forme de fichier, le fichier est saisi
mais dans un format binaire, ou bien le fichier est saisi sous
format ASCII.

4.1.1 Le fichier est à saisir

Les différentes possibilités offertes dans le cas d'un grand ou
d'un petit fichier sont représentées dans la Figure 1.

Lorsque les données figurent dans des questionnaires issus

d'une enquête ou des dossiers (telles qu'on en trouve dans les
administrations et les entreprises) et que les informations
concernent beaucoup de répondants et un nombre appréciable de
variables, il est préférable de faire appel à un logiciel de saisie.
La plupart des tableurs ont maintenant des modules de
programmation qui permettent de mettre au point des feuilles de
saisie. 11 existe par ailleurs des logiciels statistiques qui offrent
aussi la possibilité de mettre au point des masques de saisie.

Nous ne nous étendrons pas sur ces logiciels, ce qui dépasserait

les objectifs de ce manuel. Simplement, il faut être conscient que
pour une matrice de données de plus de 200 cases (c'est-à-dire
20 observations croisées avec 10 variables), la saisie devient un
exercice fastidieux: il est préférable de s'entourer de toutes les
précautions pour éviter les erreurs, surtout dans le cas de
questionnaires qui présentent de nombreuses questions-filtres et
autres renvois. Un programme de saisie permet en outre d'éviter
les erreurs de saisie en spécifiant notamment les limites de
valeurs pour chaque variable, les codes pour les données
manquantes, etc. Une fois les données saisies à l'aide d'un
Les fichiers de données 31

programme spécifique, reportez-vous plus bas à la section

concernant les fichiers saisis en format binaire.

1
Fichier à saisir 1
1
1 1

Grand fichier Petit fichier

(plus de 200 cases) (m oin s de 200 cases,
par ex. 20 observ. X 10 var.)
1
1 1

Inform ations Informations

sur questionnaire sur tableau
1
1 1 1

Tableur ou Tableur Scanner edit input

programme (ASCII)
de saisie

1 1 1
voir fichier saisi voir fichier saisi
en format binaire en format ASCII

Figure 1 : Possibilités de saisie selon le type de données

Lorsque les données figurent dans un tableau synthétique (par

exemple: une feuille de routine, un tableau publié dans un
ouvrage, etc.), la mise au point d'un programme de saisie est la
plupart du temps inutile. li suffit alors de reproduire dans un
tableur la forme du tableau de données, et de saisir ces données
en ligne ou en colonne. Dans ce cas, après la saisie, reportez-
vous plus bas à la section concernant les fichiers saisis en format
binaire.

Une autre possibilité vous est offerte dans le cas où le tableau

publié est suffisamment bien imprimé: le scanner, qui restitue
(sous réserve de bonne qualité des caractères imprimés du
tableau original) les données sous format ASCII. Une fois le
tableau passé au scanner, reportez-vous au paragraphe sur les
fichiers saisis en format ASCII.
32 L'essentiel de Stata

Lorsque le fichier à saisir est petit (moins de 200 cases, comme

on l'a expliqué plus haut), on peut alors utiliser deux procédures
de Stata, edit et input, que nous décrivons plus loin.

4.1.2 Le fichier est saisi en format binaire

Lorsque le fichier est déjà saisi dans un format lisible seulement
par un tableur (feuille de calcul) ou un autre logiciel statistique,
on dit alors qu'il est saisi en format binaire.

Fichier déjà saisi

en form at binaire
1
1 1

sous un tableur 1 1 sous un log iciel statistiq u e

----r-----------
edit StatiTransfer ASCII

1
voir fichier déjà saisi
en format ASCII

Figure 2 : Possibilités de conversion de fichier binaire

Les différentes possibilités offertes dans le cas d'un fichier saisi

en format binaire sont représentées dans la Figure 2. Dans ce
cas, le plus aisé est de faire appel au logiciel Stat/Transfer, qui
permet de convertir les fichiers d'à peu près n'importe quel
logiciel à n'importe quel autre!, y compris Stata. Ce logiciel
existe pour DOS, Windows et MacIntosh.

Alpha Four, Clipper, Crunch, dBASE, Excel, FoxBASE, Gauss, Lotus 1-2-3,
Paradox, Quattro Pro, SAS (fichiers *.tpt), S-Plus, SPSS (fichier *.xpt), Symphony,
SYSTAT.
 Les fichiers de données 33

Si vous ne disposez pas de Statffransfer, la situation n'est pas

aussi désespérée:

• utilisez la possibilité qu'offre certainement le tableur ou le

logiciel statistique de produire un fichier en format ASCII;
reportez-vous ensuite à la section suivante sur les fichiers
saisis en format ASCII ;

• dans le cas où les données sont saisies par un tableur, utilisez

la commande edi t de Stata en vous aidant des fonctions
« couper-coller» des environnements Windows où
MacIntosh, comme il est expliqué plus loin.

Dans le cas où vous ne disposeriez pas de toutes ces possibilités,

votre situation est effectivement désespérée: le mieux est de
courir acheter Statffransfer.

4.1.3 Le fichier est saisi en format ASCII

Lorsque le fichier est lisible par n'importe quel éditeur de texte,
cela veut dire qu'il est en format ASCII. La Figure 3 représente
la procédure à suivre lorsque le fichier est en format ASCII.

Fichier déjà saisi

en format ASCII
1
1 1 1

Form at Form at Séparation

non spécifique spécifique par tabulation
ou virg ule
1
1 1

infile infile infix insheet

(free form at) (fixed form at)

Figure 3 : Possibilités de lecture de fichier ASCII

34 L'essentiel de Stata

Tout d'abord, rappelons que la plupart des logiciels statistiques

et tableurs permettent de produire des fichiers en fonnat ASCII.
Quel que soit le mode de saisie que vous avez choisi (simple
éditeur de texte, tableur, logiciel de saisie ou logiciel statistique),
il vous faut savoir quel format exact de lecture des variables et
des observations est utilisée dans votre fichier. Trois cas peuvent
se présenter:

1. Le format est non spécifique: les valeurs de chaque variable

sont séparées par des espaces (blanks) et chaque ligne
d'observation peut avoir un nombre de caractères différent.
Dans le cas où certaines variables seraient représentées par
des caractères (et non des chiffres), les caractères pour une
même variable doivent être entourés de guillemets, et ne
doivent pas contenir des espaces (comme par exemple: Paul
Durant, qui sera interprété comme représentant deux
variables Paul et Durant), à moins que ces caractères soient
entourés de guillemets ("Paul Durant"). Dans ces cas de
fonnats non spécifiques, on utilisera la commande infile
dans sa version pour format libre (free format).

2. Le format est spécifique: chaque variable occupe une place

spécifique (une ou plusieurs colonnes) sur une ligne
d'observation, et chaque observation est représentée par un
nombre de lignes fixe (une ou plusieurs lignes). C'est
généralement le fonnat qui prend le moins de place dans un
fichier ASCII, mais c'est aussi le plus complexe dans la
mesure où il faudra utiliser un dictionnaire de variables écrit
selon des conventions propres au langage de programmation
des informaticiens. Dans ce cas, on utilisera la commande
infile dans sa version pour format fixe (fixed format) ou
bien la commande infix, plus simple d'utilisation.

3. Chaque ligne représente une observation et chaque variable

est séparée par une marque de tabulation ou une virgule:
c'est généralement sous cette forme que les tableurs
permettent de sauvegarder les fichiers en fonnat ASCII. Ce
fonnat est très simple à lire avec la commande insheet.
 Lesfichiers de données 35

4.2 Les commandes pour saisir et lire un fichier de

données
Si les données sont déjà saisies sous un autre logiciel et que vous
avez judicieusement acheté Statffransfer pour convertir ces
données dans Stata, cette section ne vous concerne pas. Sinon,
lisez attentivement cette section en vous aidant d'abord des
indications de la section précédente sur la marche à suivre pour
créer ou transférer un fichier de données.
Les commandes décrites ici vont de la plus simple (input) à la
plus complexe (infile). La commande input, le tableur
intégré edi t et la commande insheet sont toutes trois
simples, alors que la commande infile, surtout dans sa version
pour format fixe, est assez complexe. Si vous n'avez pas encore
de notions de programmation informatique, infile constitue
certainement une bonne initiation. Si vous êtes allergique à ceci :
%1O.2f, str20, 2.5E+02, %7e ou bien %3.0g, mais que vous
devez quand même lire un fichier en format fixe, alors la
commande infix est une version un peu simplifiée de infile.

4.2.1 Saisir des petits fichiers: la commande input

La commande input a une syntaxe très simple:

input [listevar]

Dans le cas où toutes les variables sont codées et qu'aucun

libellé n'est nécessaire, il suffit de séparer la valeur de chaque
variable par un espace, et de passer à la ligne pour chaque
observation:
input var1 var2

var1 var2
1. 23 3.4
2. 21 0.6
3. 32 0.23900
4. 42 2.1
5. end

On remarque immédiatement trois choses: tout d'abord, le

numéro d'observation apparaît automatiquement à gauche de
l'écran, ensuite le nombre d'espaces entre chaque valeur est
indifférent, et enfin les caractères « end» sont réservés par Stata
pour indiquer la fin de la saisie. Voyons le résultat:
 36 L'essentiel de Stata

1ist

var1 var2
1. 23 3.4
2. 21 .6
3. 32 .239
4. 42 2.1

Pour SaISIr une ou plusieurs observations supplémentaires, il

suffit de taper immédiatement:
' input

var1 var2
5. 33 5.1
6. 20 0.23
l 7. end

Les nouvelles observations (5 et 6) sont générées à la suite des

observations déjà saisies. Pour saisir une valeur manquante, on
tapera un « . » au lieu de la valeur de la variable:
input

var1 var2
7. 43
8. . 2.21
1
9. end

Pour saisir une nouvelle variable, on tapera:

input var3

var3
1. 345
2. 469
3. 322
4.
5. 145
6. 99
7. 432
8.
9. end

Dans le cas où les valeurs des variables sont libellées, la syntaxe

de la commande est plus complexe:

input [type] listevar [:nomlib]

[[type] listevar [:nomlib] ... ]
[, ~utomatic !abel]

Par exemple, pour saisir les variables state, region et pop du

fichier « [Link] », on tapera:
Les fichiers de données 37

input str14 state int region:cenreg long pop, automatlc

state region pop

1. Alabama South 3893888
2. Alaska West 401851
3. Arizona West 2718215
4. Arkansas South 2286435
5. Ca1ifornia West 23667902
6. Colorado West 2889964
7. Connecticut NE 3107576
8. Delaware South 594338
9. F10rida South 9746324
10. Georgia South 5463105
(suite de la liste)
39. "Rhode Island" NE 947154
40. "S. Caro1ina" South 3121820
41. "s. Dakota" "N Cntr1" 690768
42. Tennessee South 4591120
43. Texas South 14229191
44. Utah West 1461037
45. Vermont NE 511456
46. Virginia South 5346818
47. Washington West 4132156
48. "W. Virginia" South 1949644
49. Wisconsin "N Cntr1" 4705767
50. Wyoming West 469557

Vous n'êtes pas sans avoir remarqué que certains États (S.
Carolina, W. Virginia...) ou régions (N Cntrl) ont leur libellé
entouré de guillemets: lorsqu'un libellé contient des espaces, il
est en effet nécessaire de spécifier quels sont les caractères qui
doivent être inclus dans le libellé.

Cette fonne de saisie demande beaucoup d'attention. Puisqu'il

s'agit de définir en même temps que la saisie, les libellés et les
types de variables, il est préférable d'utiliser la commande
infile: dans ce cas, les données doivent être saisies
indépendamment à l'aide d'un éditeur. li est donc déconseillé
d'utiliser la fonne complexe de la commande input sans avoir
d'abord compris infile ainsi que les fonnats numériques et
alphanumériques de variables, et les libellés de valeur et de
variable (voir la section Comment rendre son fichier lisible ?).
38 L'essentiel de Stata

4.2.2 Saisir des petits fichiers: le tableur de Stata edi t

Tout ce que vous venez de lire sur la commande input, vous
allez vite l'oublier si vous travaillez dans un environnement
Windows ou MacIntosh. Le tableur intégré de Stata est en effet
beaucoup plus facile à utiliser, même s'il ne présente pas toutes
les fonctions d'un tableur spécialisé.

Pour activer l'éditeur de Stata, cliquez sur le bouton Editor.

Vous verrez apparaître une nouvelle fenêtre Stata Editor. Par
exemple pour saisir le fichier « [Link] » :
r .Inlercooled Slala 5.0 I!!I~ El

1 Alaba..a 3 3893888
I--_~
............._ __ _ _.... ·····_··_···········_·········_··r···_···_· "--'-
...........__ _ _ _- .._ _ _ _ --J- -.._ _-_ _.

i
Remarquez qu'on a tapé pour la variable région le code 3 et non
«South ». L'éditeur de Stata ne peut automatiquement créer des
libellés pour chaque valeur d'une variable (par exemple,
« South» pour la valeur 3, «West» pour la valeur 4, etc.). Le
libellé correspondant à ces valeurs devra être défini
ultérieurement à l'aide de la commande label.

Cependant, Stata vous offre la possibilité d'introduire les libellés

eux-mêmes: dans ce cas, l'éditeur considérera la variable région
comme alphanumérique, et il vous faudra utiliser la commande
encode pour la transformer en variable numérique avec des
libellés correspondant à chaque valeur.

Avec l'éditeur, on peut déjà changer les noms des variables

elles-mêmes qui ont été automatiquement nommées varl, var2
et var3. TI suffit pour cela de cliquez deux fois (<< double-clic »)
sur la colonne correspondant à la variable. Une nouvelle fenêtre
apparaît qui vous permet de changer le nom (<< Name »), le
libellé (<< Label ») et même le format d'affichage de la variable
(<< Format »). On peut ainsi changer les noms varl par state,
var2 par region et var3 par pop.
 Lesfichiers de données 39

4.2.3 Couper dans la fenêtre d'un tableur ou d'un traitement de

texte et coller sur le tableur intégré de Stata
Le fameux couper-coller des environnements Windows et
Macintosh est certainement la plus agréable façon de transférer
les données vers l'éditeur de Stata. L'inverse est également
possible, ce qui double le plaisir.

Sélectionnez les données à copier dans le tableau d'une feuille

de calcul ou simplement d'un traitement de texte. Par exemple,
le tableau suivant contient les valeurs des trois premières
variables pour les quatre premiers États du fichier
« [Link] » :

State Région Population

Alabama South 3893888
Alaska West 401851
Arizona West 2718215
Arkansas South 2286435
Quelle que soit la présentation du tableau dans le tableur ou le
traitement de texte, l'important est que dans la partie
sélectionnée, chaque colonne définisse une variable (et une
seule) et chaque ligne une observation (et une seule), à
l'exception de la premjère qui définit le nom des variables.

Ensuite, copiez en mémoire la sélection de cellules, puis placez-

vous dans la fenêtre de l'éditeur de Stata, et cliquez sur la
première cellule en haut à gauche. Tirez sur le menu Edit de la
fenêtre principale de Stata et cliquez sur Paste :
r "Inlercoolell Slala 5.0 I!llil
file • Elefs 1{indow tielp
[ V

state populati' r' 1

1 , . 3893888
2 Alaska 401851 !
l'
4~k~'~'~'~;"" ~~ =~~~t.h'j"""~~~=~~~==:· .•~ •.=_.. _.· _
3 --'Â-ri-zo-n-a

.••
West , 2718215

·_~t
40 L'essentiel de Stata

Notez que les noms des variables ont été transférés en

minuscules, et que le «é» du mot «Région» n'apparaît plus, et
que seuls les huit premiers caractères du mot « Population» ont
servi à nommer la variable populati. Mais surtout, les valeurs
pour la variable rgion sont stockées sous forme
alphanumérique: il vous faudra utiliser la commande encode
pour transformer la variable rgion en variable numérique avec
des libellés correspondant à chaque valeur.

Le transfert dans le sens inverse, d'un fichier Stata vers un

tableur ou un traitement de texte, se fait selon les mêmes
principes. Simplement, vous devez spécifier si les noms des
variables devront être copiées ou non avec leur contenu: pour
cela, tirer sur le menu Prefs, sélectionner General Preferences
et vérifiez dans Editor Prefs que l'option Include variable
names on copy to clipboard est activée si vous voulez que les
noms soient copiés. L'option Copy value labels instead of
numbers est aussi utile lorsque vous voulez que les libellés des
valeurs des variables soient copiées plutôt que les valeurs elles-
mêmes (par exemple, le nom de la région «South» plutôt
que 3).

4.2.4 Lire un fichier ASCII avec insheet

Les tableurs et les logiciels statistiques offrent souvent la

possibilité de sauvegarder les fichiers en format ASCII, en
séparant chaque variable par une virgule ou par une tabulation.
Mais prenez garde aux virgules: si vous utilisez (selon la
convention française) les virgules comme marque de décimale, il
faudra d'abord les convertir en points «. ». La convention
anglaise (décimale marquée par un point «. ») s'applique à
Stata, comme à beaucoup d'autres logiciels statistiques.

Ensuite, vous pouvez utiliser les virgules comme séparateur

entre variables, mais il est conseillé de plutôt utiliser les
tabulations pour séparer chaque variable, car ces tabulations ne
pourront jamais être confondues avec un caractère significatif.

Les valeurs des trois premières variables pour les quatre

premiers États du fichier « [Link] » ont été inscrites dans un
Lesfichiers de données 41

fichier ASCII « [Link] » (le caractère -. indique une marque

de tabulation) :
State-Région-Population
Alabama-South-3 893 888
Alaska-West-401851
Arizona-West-2718215
Arkansas-Sou th-2 2 8 6 43 5
Pour vérifier que ce fichier est bien en ASCII et que chaque
variable est séparée par une tabulation, utilisez la commande
type de Stata (où <T> indique une marque de tabulation) :
. type [Link], showtabs
State<T>[Link]<T>Population
Alabama<T>South<T>3893888
Alaska<T>West<T>401851
Arizona<T>West<T>2718215
Arkansas<T>South<T>2286435

Ensuite, utilisez la commande insheet :

. insheet using [Link]
(3 vars, 4 obs)

list

state rgion populati

1. Alabama South 3893888
2. Alaska West 401851
3. Arizona West 2718215
4. Arkansas South 2286435

describe

Contains data
obs: 4
vars: 3
size: 84 (100.0% of memory free)

1. state str8 %9s State

2. rgion str5 %9s R,gion
3. populati long %12.0g population

Sorted by:
Note: data has changed since last save

Notez que les noms des variables ont été transférés en

minuscules, et que le « é » du mot «Région» n'apparaît plus, et
que seuls les huit premiers caractères du mot « Population» ont
servi à nommer la variable populati. Mais surtout, les valeurs
pour la variable rgion sont stockées sous forme
alphanumérique: il faudra utiliser la commande encode pour
transformer la variable rgion en variable numérique avec des
libellés correspondant à chaque valeur.
42 L'essentiel de Stata

4.2.5 Lire un fichier ASCII avec infile en format libre

La commande infile lit des fichiers ASCII où les variables
sont séparées par des virgules ou par des espaces. À la différence
de la commande insheet elle ne peut identifier les caractères
de tabulation comme séparateurs entre variables. Par contre, de
la même façon que la commande input, elle peut tenir compte
du type et du libellé des valeurs des variables. La différence
essentielle entre les deux commandes est que input permet de
saisir les données directement à l'écran, tandis que infile lit
un fichier de données ASCII déjà existant. La commande
infile est évidemment mieux adaptée à la lecture de gros
fichiers.

La syntaxe de infile est la suivante:

infile [type] listevar [:nomlib] [_skip(#)]

[[ type] lis tevar [:nomlib] [_skip(#)] ... ]
using nomfichier [, ~utomatic]

Par exemple, pour saisir les variables state, region et pop du

fichier « [Link] » (où les espaces séparent les variables) :
. type [Link], showtabs
state region pop
Alabama South 3893888
Alaska West 401851
Arlzona West 2718215
Arkansas South 2286435
California West 23667902
(suite de la liste)
"Rhode Island" NE 947154
"S. Carolina" South 3121820
"S. Dakota" "N Cntrl" 690768
Tennessee South 4591120
Texas South 14229191
utah West 1461037
Vermont NE 511456
Virglnia South 5346818
Washington West 4132156
"W. Virginia" South 1949644
Wlsconsin "N Cntrl" 4705767
Wyoming West 469557

... on tapera:
. infile str14 state int region:cenreg long pop using [Link], automatic
(50 observations read)

À chaque variable, on a attribué un type de stockage numérique

(int, long...) ou alphanumérique (str14 ... ). Pour plus de
détails, voir la section Comment rendre son fichier lisible?
Les fichiers de données 43

Dans le fichier ASCII original, on a pris la précaution d'entourer

de guillemets les libellés de certains États (" S. Carolina",
"w. Virginia" ... )ourégions("N Cntrl") : lorsqu'un libellé
contient des espaces, il est en effet nécessaire de spécifier quels
sont les caractères qui doivent être inclus dans le libellé.
Ensuite, l'option automatic est nécessaire lorsque des libellés
doivent être créés pour certaines variables. Par exemple, pour la
variable region, on a besoin d'établir une correspondance entre
les caractères contenus dans le fichier ASCII, et un code
numérique. Cette correspondance est contenue dans un nom de
libellé qu'on a appelé cenreg dans le dictionnaire. L'option
automatic de la commande infile crée un code de 1 à n
différent pour chaque chaîne de caractères différente rencontrée
en lisant le fichier « [Link] ».
. label list
cenreg:
1 South
2 West
3 NE
4 N Cntrl

En outre, la commande infile ne tient compte que des espaces

comme séparateurs entre variables. Elle n'est pas restreinte aux
fichiers où chaque ligne représente une observation. inf i le
permet de lire des fichiers complexes pour lesquels chaque
observation figure sur plusieurs lignes ou au contraire une ligne
peut contenir plusieurs observations: mais il est fortement
déconseillé de travailler avec de tels fichiers, car les risques
d'erreur sont grands et difficilement identifiables.
L'option _skip ( #) permet de «sauter» une ou plusieurs
variables dans le fichier ASCII. Par exemple, pour ne lire que les
variables state et pop, on tapera:
. infile str14 state _skip(l) long pop using [Link]
(50 observations read)

Certaines variables peuvent être codées manquantes pour quelques

individus. Comment devra-t-on s'y prendre pour coder une variable
numérique manquante? Et une variable alphanumérique manquante?
({I-/'
(Suggestion: utilisez les points « • " et les guillemets" ".)
44 L'essentiel de Stata

4.2.6 Lire un fichier ASCII avec infile en format fixe

La commande infile permet de lire les fichiers ASCII les plus

complexes, par l'intermédiaire d'un dictionnaire. Un
dictionnaire est un fichier en format ASCII indiquant le format
des données, c'est-à-dire indiquant quelles lignes doivent être
lues et quelles positions sur chaque ligne correspondent à des
variables.

La commande infile avec dictionnaire ne doit être utilisée

qu'avec une bonne connaissance de la section 4.3 Comment
rendre son fichier lisible? À la différence de infile en format
libre, les retours à la ligne sont considérés comme significatif:
on devra spécifier dans le dictionnaire si chaque observation est
représentée par plusieurs lignes. Lorsqu'au contraire chaque
observation est représentée par une seule ligne et que chaque
valeur est séparée par un espace, on utilisera la syntaxe de
infile en format libre.

Le dictionnaire des variables a la syntaxe suivante:

[infilel dictionary [using nomfichierdonnéesl {

* commentaires éventuels
_column(#)
_skip(#)
[type] var [:nomlib] [%infmt] ["libellé variable"]
}
(les données peuvent suivre immédiatement le dictionnaire)

Le type de la variable est un format de stockage de la variable

qui est expliqué dans la section Les formats de stockage et
d'affichage. Le type de la variable ne doit pas être confondu
avec le format de lecture (%infmt).

Le fichier de données peut apparaître directement à la suite de

l'accolade } qui indique la fin du dictionnaire. li est préférable
cependant de conserver les données dans un fichier ASCII
spécifié par l'option using nomfichier dans la mesure où
vous pouvez avoir besoin de lire le même fichier de données
avec des dictionnaires différents.

La commande inf ile avec dictionnaire comporte de

nombreuses options pour lire une observation sur plusieurs
Lesfichiers de données 45

lignes. Nous ne les commenterons pas ici: si vous avez besoin

de ces options, c'est que vous n'avez sans doute plus besoin de
ce manuel. Simplement, nous montrerons en guise d'exemple, la
procédure pour lire le « [Link] », écrit cette fois-ci en fonnat
fixe (notez l'absence de marque de tabulation) :
type [Link], showtabs
Alabama South 3893888
Alaska West 401851
Arizona West 2718215
Arkansas South 2286435
California West 23667902
(suite de la liste)
s. DakotaN Cntrl 690768
Tennessee South 4591120
Texas South 14229191
Utah West 1461037
Vermont NE 511456
Virginia South 5346818
Washington West 4132156
W. Virginia South 1949644
WisconsinN Cntrl 4705767
Wyoming West 469557

Dans le fichier de données ASCII, chaque ligne compte : vérifiez

en particulier qu'aucune marque de paragraphe inutile ne figure
en fin de fichier. Par exemple, si le fichier se tennine ainsi
(notez les marques de paragraphes lj[ ) :
(fin de la liste)
Wyoming West 469557~

... VOUSobtiendrez une observation de plus pour laquelle chaque

variable sera codée manquante.

Le dictionnaire écrit en ASCII, de préférence avec une extension

« *.dct» (comme dictionnaire), indiquant le fonnat des données,
aura la forme:
inflle dictionary using [Link] (
str14 state %14s "State"
byte reglon:cenreg %7s "Reglon"
_column(23)
long pop %8f "Population"

Notez que chaque variable est située sur des positions précises,
toujours les mêmes quelle que soit la ligne: le format est fixe.
Dans le fichier de données, on remarque des lignes telles que:
S. DakotaN Cntrl 690768
WisconsinN Cntrl 4705767

Les 14 premiers caractères seront attribués à la variable state,

(par exemple Wisconsin) tandis que les 7 suivants (N Cntrl)
46 L'essentiel de Stata

sont attribués à la variable region. Dans un fonnat libre, les

deux chaînes de caractères devraient être séparées par un espace.

Ensuite, on exécute dans Stata la commande infile, pour lier

le dictionnaire et les données:
infile using [Link], automatic

infile dictionary using [Link] (

str14 state %14s "State"
byte region:cenreg %7s "Region"
_column(24)
long pop %8f "Population"

(50 observations read)

. describe

contains data
obs: 50
vars: 3
size: 1,150 (100.0% of memory free)

1. state str14 %14s State

2. region byte %[Link] cenreg Reglon
3. pop long %12.0g Population

Sorted by:
Note: data has changed since last save

L'option automatic est nécessaire lorsque des libellés doivent

être créés pour certaines variables. Par exemple, pour la variable
region, on a besoin d'établir une correspondance entre les
caractères contenus dans le fichier ASCII, et un code numérique.
Cette correspondance est contenue dans un nom de libellé qu'on
a appelé cenreg dans le dictionnaire. L'option automatic de
la commande infile va créer un code de 1 à n différent pour
chaque chaîne de caractères différentes rencontrées en lisant le
fichier « [Link] ».
. label llst
cenreg:
1 South
2 West
3 NE
4 N Cntrl

Par ailleurs, pour lire un tel fichier, on est libre de ne pas tenir
compte de certaines positions. Ainsi, le chiffre de la population
n'est lu qu'à partir de la colonne N°24, et occupe 8 positions. Si
l'on voulait ne lire que les variables state et pop, on pourrait
sauter les positions correspondant à la variable region en
utilisant l'option _column( #) :
 Les fichiers de données 47

infile dlctionary using [Link] (

str14 state %14s 'State"
_colurnn(23)
long pop %Bf "Population"

ou bien l'option _skip ( #)

infile dlctionary using [Link] (
str14 state %14s "State"
_skip (B)
long pop %Bf "Population"

Dans le dictionnaire, on remarque que le format de lecture

de la variable region est alphanumérique (% 7 s) :
byte region:cenreg %7s "Region"

Au contraire, dans le fichier Stata, le format de stockage

est numérique (%8. Qg):
2. region byte %[Link] cenreg Region

Qu'est-ce qui explique cette différence?

Par ailleurs, qu'est-ce qui distingue l'option _skip ( #) dans les deux
versions de la commande infile, avec ou sans dictionnaire?

4.2.7 Lire un fichier ASCII avec inf ix

La commande infile est, admettons-le, destinée aux habitués
de l'informatique. Pour le commun des mortels, Stata a créé une
version simplifiée de infile, sans termes barbares tels que
%10.2f, %20s, %2.5g ou bien %7.2e, mais qui peut néanmoins
lire des données en format fixe, avec ou sans dictionnaire de
variables.

La syntaxe de infix avec dictionnaire est la suivante:

infix using nomdict[,using nomfichie~

et la syntaxe du dictionnaire est:

infix dictionary [using nomfichier]

* commentaires éventuels
[type] listevar #[ -#]
}
(les données peuvent suivre immédiatement le dictionnaire)
48 L'essentiel de Stata

Le type de la variable est un format de stockage de la variable

qui est expliqué dans la section 4.3 Comment rendre un fichier
facilement lisible?
La commande infix avec dictionnaire comporte des options
pour lire une observation sur plusieurs lignes. Nous ne les
commenterons pas ici: si vous avez besoin de ces options, c'est
que vous n'avez sans doute plus besoin de ce manuel.

Pour lire le fichier « [Link] », le dictionnaire aura la forme:

infix dictionary using [Link]
str state 1-14
str region 15-21
long pop 24-31

Comme on le voit, il suffit d'indiquer la position de la variable

sur la ligne. Le dictionnaire infix est plus facile à utiliser si
toutes les variables sont numériques dans le fichier de données.

En effet, les différences avec le dictionnaire infile se situent

au niveau des libellés: infix ne crée pas de libellé de
variables (par exemple, "Population" pour la variable pop), ni de
libellé pour les valeurs des variables (cenreg pour les
catégories de region). Cela a une conséquence importante: les
valeurs pour la variable region ne peuvent être lues et stockées
qu'en format alphanumérique (str) :
. describe

Contains data
obs: 50
vars: 3
size: 1,450 (100.0% of memory free)

1. state str14 %145

2. region str7 %95
3. pop long %12.0g

Sorted by:
Note: data has changed since last save

TI faudra utiliser la commande encode pour transformer la

variable region en variable numérique avec des libellés
correspondant à chaque valeur.
 Lesfichiers de données 49

La commande infix peut aussi être utilisée sans dictionnaire.

Dans ce cas, les spécifications de chaque variable sont inscrites
directement sur la ligne de commande:
infix [type] listevar [#:] # [-#]
[[type] listevar [#:] # [-#] ... ]
using nomfichier

Pour lire « [Link] », on aurait donc:

. infix str state 1-14 str region 15-21 long pop 24-31 using [Link]

Quels sont les résultats des commandes suivantes?

infix str state 1-14 byte region 15-21 uSlng [Link]

infix long pop 24-31 str region 15-21 using [Link]

infix str state 1-16 str region 10-21 using [Link]

infix str region 15-21 long pop 21-31 using [Link]

Testez ces commandes sur le fichier" [Link]» que vous aurez

d'abord créé ou bien sur un fichier de votre choix contenant des
variables alphanumériques.

4.2.8 « Et si je n'ai pas assez de mémoire? »

Après avoir travaillé de longues heures à comprendre ce qui
précède et à écrire un dictionnaire et/ou une commande
compliquée pour lire votre fichier de données, vous tapez enfin
sur la touche retour de chariot, non sans angoisse.
Vous entendez le disque dur travailler, et soudain, s'interrompre.
Là, sur votre écran s'inscrit:
. (votre commande)
no room to add more observations
r (901) ;

«Hein? ». Eh ! Oui, ça arrive: «manque d'espace pour ajouter

des observations ».
Assurez-vous d'abord de la bonne configuration de la mémoire
vive pour Stata (voir chapitre 3 sur La prise en main du
logiciel). Si vous ne disposez réellement plus de mémoire,
vérifiez que le type de chaque variable est bien défini d'une
50 L'essentiel de Stata

manière optimale: si vous ne le définissez pas explicitement, le

type sera float par défaut, ce qui prend quatre fois plus de
place en mémoire qu'un type byte (voir la section suivante).

Si malgré tout la mémoire vous manque, considérez réduire le

nombre de variables à lire dans le fichier de données (voir en
particulier l'option _skip). Si toutes les variables sont vraiment
indispensables, sachez que les commandes infile et infix
prévoient la lecture d'une partie du fichier ASCII à l'aide des
options if et in (voir La syntaxe de base des commandes de
Stata). Par exemple, pour lire les 1000 premières lignes d'un
fichier, on aura:
1. infile (suivent/es spécifications) in 1/1000, (options)
et pour les 1000 suivantes:
1. infi1e (suivent/es spécifications) in 1001/2000, (options)
Si l'on veut sélectionner les lignes pour une certaine valeur
d'une variable (par exemple, les observations pour les hommes),
on peut taper:
1. infi1e (suivent les spécifications) if region==3, (options)
ou bien:
1. infile (suivent les spécifications) if region=="South", (options)
Les mêmes procédures valent pour inf ix.

4.3 Comment rendre un fichier facilement lisible ?

La bonne compréhension des données statistiques commence par
une bonne restitution visuelle de ces données. Pour savoir
comment les chiffres sont restitués, et il faut d'abord connaître la
différence entre type de stockage, format de lecture et format
d'affichage des données numériques. Ensuite, ces données
doivent être bien documentées, à l'aide de libellés et de notes.
Enfin, nous terminons cette section par quelques conseils de
toilettage du fichier, pour rendre son utilisation plus aisée, pour
vous-mêmes et pour d'autres utilisateurs.
 Lesfichiers de données 51

4.3.1 Les types de stockage

Les types de stockage numérique permettent d'optimiser la place
d'un fichier en mémoire. A chaque variable on peut attribuer un
espace en mémoire qui tient compte de valeurs extrêmes de la
variable. Par exemple, il est inutile qu'une variable codée de 1 à
20 soit stockée dans un format qui autorise une variation de plus
ou moins plusieurs millions.

Pour cela, Stata a défini un type de stockage pour les variables

numériques du fichier. A chaque type correspond une étendue de
mémoire, exprimée en nombre de byte, unité de mesure de
stockage informatique. Cinq types de stockage sont définis, avec
chacun des valeurs minimum et maximum:

Type Étendue Minimum Maximum Manquante

byte 1 -127 +126 +127
int 2 -32768 +32767 +32768
long 4 -2 147483648 +2 147483646 -2 147483647
128
float 4 ±1O- 37 ±10
37
2
double 8 ±1O-99 ±lü
99
2333

Les types byte et int ne peuvent stocker que des entiers,

tandis que les autres types peuvent stocker tous les nombres
entiers ou décimaux.

On voit immédiatement que les types byte et int prennent

beaucoup moins de place que les autres. Stata établit
généralement le type de stockage le plus économique, mais les
nouvelles variables (notamment lors de la création d'un nouveau
fichier à partir d'un fichier ASCII) sont de type float par
défaut. li est donc préférable autant que possible de réduire les
types de stockage, ce qu'on fait simplement comme suit:
1. compress

Si plus tard, une variable d'un type de stockage donné devait

prendre un type supérieur (après quelques modifications), Stata
identifierait automatiquement le type nécessaire au bon stockage
de la variable.
52 L'essentiel de Stata

Par ailleurs, on note que les valeurs manquantes sont toujours

supérieures à n'importe quelle autre valeur de la variable pour
un type donné. Cela a quelques conséquences que nous
traiterons dans le chapitre suivant Création et correction de
variables.

Quant aux variables alphanumériques (string), elles prennent

autant de bytes que de caractères : par exemple, une variable de
type str14 prendra 14 bytes en mémoire. Les variables
alphanumériques prennent généralement plus de place que les
variables numériques. C'est pourquoi il est préférable de les
codifier autant que possible, sans compter que les manipulations
statistiques et les tabulations sont nettement plus aisées avec des
variables numériques.

4.3.2 Les formats numériques de lecture et d'affichage

Les formats numériques sont utiles pour la lecture des données à
l'aide de la commande infile, et pour la restitution des
données à l'écran (avec list, ou avec l'éditeur intégré edit)
ou dans les tableaux statistiques (avec tabulate ou avec des
commandes statistiques plus complexes).

On doit bien distinguer les types (en référence à la place en

mémoire de chaque variable) et les formats numériques, qui
portent sur l'interprétation d'un nombre. Par exemple, on peut
avoir besoin d'interpréter le nombre 2,5 comme deux unités et
demie, deux millions et demi ou bien deux centièmes et demi.
De plus, on peut avoir besoin de connaître ce nombre à la
première décimale près, tout comme à l'unité (3), à la deuxième
décimale (2,51) ou à la sixième décimale près (2,509432).

Pour définir un format numérique, il faut savoir combien de

chiffres décimaux (après le point, qui marque la décimale dans
Stata) seront affichés et sur combien d'espaces au maximum le
chiffre tiendra (y compris le signe et le point de décimal). On
exprime cela sous la forme %w.d où w (comme width, largeur ou
étendue) est le nombre maximum d'espaces, et d le nombre de
décimales. Logiquement d est inférieur à w.
Les fichiers de données 53

À cela s'ajoutent trois fonnats numériques: e, f et g. Le fonnat

e signifie que le nombre est exprimé en puissance (positive ou
négative) de 10. Par exemple, -2.5e+02 signifie -2.5 que
multiplie 10+2, soit -250, tandis que -2.5e-02 signifie -2.5 que
multiplie 10-2, soit -0.025.

Le fonnat f est similaire au format de programmation en

FORTRAN: les chiffres après la virgule sont arrondis de telle
sorte à afficher toujours le même nombre de décimale.

Enfin, le fonnat g est un fonnat complexe qui restitue la

meilleure précision possible (c'est-à-dire le plus de chiffres
significatifs possible) en augmentant le nombre de décimales (d
est dans ce cas un minimum) dans la limite du nombre d'espaces
disponibles. Quelques exemples aideront à illustrer ces
différents formats :

Chiffre Format d'affichage

exact % 8.2e % 8.2f % 8.2g
2.509432 2.5e+00 2.51 2.50943
2509432 2.5e+06 2509432.00 2.5e+06
-100431. 5 -1.0e+05 -100431.50 -100432
-10431. 5 -1.0e+04 -10431.50 -10431. 5
0.0000002 2.0e-07 0.00 2.0e-07

Le fonnat e est généralement préféré par les physiciens ou des

biologistes pour travailler sur des très grands nombres ou au
contraire sur des fractions infinitésimales.
Le fonnat f est plus adéquat pour les sciences humaines qui
travaillent sur des chiffres à dimension... humaine.

Le fonnat g est un compromis entre les fonnats e et f : il peut

satisfaire tout le monde, bien qu'il puisse surprendre quelques-
uns. Pourquoi, sous le fonnat %8.2g qui est pourtant censé
donner le plus de précision possible, le chiffre -100431.5 est-il
arrondi à -100432 ? C'est que dans l'espace disponible prévu par
l'affichage, il faut prévoir non seulement le chiffre après la
54 L'essentiel de Stata

décimale, mais aussi la décimale elle-même (marquée par un

point « • » dans Stata). Or avec un nombre maximum d'espaces
de 8, et déjà 6 chiffres significatifs avant la décimale en plus du
signe (<< -100431 »), l'espace manque pour inscrire le point et le
chiffre après la virgule (<<.5 »). Le chiffre est donc arrondi à
l'unité.

Ce qui est déjà déroutant avec l'exemple ci-dessus où le chiffre

est négatif, l'est encore plus pour un chiffre positif avec le même
nombre de chiffres significatifs. 11 faut en effet savoir que le
signe positif (<< + ») est explicite, c'est-à-dire qu'il n'apparaît pas
à l'affichage, mais qu'il est quand même pris en compte dans le
décompte des espaces disponibles pour l'affichage. Les chiffres
+ 100431.5 et -100431.5 seront tous les deux arrondis à l'unité
avec un format %8.2g.

Ajoutons que le nombre d'espaces pour l'affichage est de 7 au

minimum plus le signe (apparent quand il est négatif), soit 8
positions au total, et cela quel que soit le format spécifié. 11 est
donc inutile de fixer le nombre d'espaces à moins de 8: le
format de type %8... est le minimum requis. Comparez les
formats précédents avec les formats où le nombre d'espaces est
limité à 5 :

Chiffre Format d'affichage

exact %5.2e %5.2f %5.2g
2.509432 2.5e+00 2.51 2.51
2509432 2.5e+06 2509432.00 2.5e+06
-100431. 5 -1.0e+05 -100431.50 -1. Oe+05
-10431. 5 -1.0e+04 -10431.50 -1.0e+04
0.0000002 2.0e-07 0.00 2.0e-07

Notez que le format f force l'affichage pour que le nombre de

décimale soit toujours respecté.

Stata attribue un format par défaut à toute nouvelle variable,

pour chaque type de stockage, pour assurer un affichage
optimum dans la plupart des cas:
Les fichiers de données 55

Type de Format par

stockage défaut
byte %8.0g
int %8.0g
long %12.0g
float %9.0g
double %10.0g

Enfin, ces formats ont une signification différente pour la lecture

d'un fichier de données (avec infile), et pour la restitution à
l'écran ou dans des tableaux.
Lors de la lecture d'un fichier de données, le format indique la
manière d'interpréter les chiffres inscrits sur des positions
précises (input formats, noté %infmts par Stata). Ainsi, le chiffre
25 lu dans un fichier est interprété comme 25 par %2.0f, mais
comme 2.5 par %2.1f.
La signification est différente pour les formats d'affichage
(display formats, noté %fmts par Stata). Le chiffre original
figurant en mémoire dans le fichier reste inchangé et garde la
même précision. Les modifications du format d'affichage ne
portent que sur la restitution de ce chiffre à l'écran ou dans les
tableaux. Cela signifie en particulier que les calculs statistiques
seront toujours faits de manière optimale, sur les chiffres
originaux gardés en mémoire.

En guise d'exercice, créez le petit fichier suivant:

input var1 var2

var1 var2
1. 0.034 1245000
2. end

Testez les commandes:

list
format var1 %8.1f
format var2 %8.1g
generate var3=var1*var2
list
format var2 %10.3g
list
describe
compress
describe
 56 L'essentiel de Stata

4.3.3 Les libellés du fichier, des variables et des valeurs

Au moment du chargement du fichier en mémoire, le libellé du
fichier apparaît entre parenthèses :
' use census
l (1980 Census data by state)

Pour les nouveaux fichiers, aucun libellé n'apparaît par défaut:

il est préférable d'en créer pour donner une courte description du
fichier, en 31 caractères maximum :
1. label data "USA: Recensement 1980 par Etat"

De même, le contenu des variables peut se comprendre par le

choix judicieux d'un nom de variable, mais le plus souvent,
comme les noms de variables sont limités à huit caractères, on
préférera leur associer un libellé, en 31 caractères maximum:
. label var region "Region du recensement"

Mais on peut aller plus loin. Certaines variables représentent des

catégories (ou modalités), codées chacune par un chiffre. La
plupart du temps ces codes n'ont pas une signification en eux-
mêmes et servent simplement à distinguer une catégorie d'une
autre. Dans ce cas, il est préférable d'attribuer un nom à chacune
de ces catégories (un libellé des valeurs), c'est-à-dire d'établir
une correspondance entre les codes et les noms des catégories
qu'ils représentent:
1. label define cenreg 1 "Nord Est" 2 "Centre N" 3 Sud 4 Ouest, modi fy

L'option modify permet de corriger un label déjà existant,

comme par exemple cenreg dans le fichier « [Link] ». Les
libellés de chacune des catégories ne doivent pas dépasser 8
caractères. Les guillemets sont indispensables lorsqu'il y a des
espaces dans le libellé. Pour ajouter un nouveau libellé, on tape:
label deflne cenreg 9 Inconnue, add

label list cenreg

cenreg:
1 Nord Est
2 Centre N
3 Sud
4 Ouest
9 Inconnue
US fichiers de données 57

La correspondance définie par label define corresp ... ,

ne doit pas être considérée comme une variable. En fait,
corresp peut être attribuée à plusieurs variables:
label define vrai a "Non" l "Oui"

generate urbain=(popurban/pop».75

generate actif=((pop18p-pop65p)/pop».6

label values urbain vrai

label values actif vrai

tab actif urbain

1 urbain
actif 1 Non Oui 1 Total
-----------+----------------------+----------
Non 1 20 3 1 23
Oui 1 15 12 1 27
----~------+----------------------+----------

Total 1 35 15 1 50

On peut même attribuer à une correspondance entre valeurs et

libellés le même nom qu'une variable du fichier:
label define region 1 "Nord Est" 2 "Centre N" 3 Sud 4 Ouest 9 Inconnue

label values region region

La commande label define corresp... définit des

libellés pour une variable numérique. La commande encode fait
en quelque sorte le travail inverse: à partir d'une variable
alphanumérique (de type string str#) elle crée une nouvelle
variable numérique, avec une correspondance entre les codes et
les libellés. Cela est particulièrement utile à la suite d'une saisie
avec input, d'un transfert de données avec l'éditeur intégré
edit, ou bien d'une lecture de données avec insheet :
rename region Aregion

encode Aregion, gen(region)

drop Aregion

compress
region was f10at now byte

Effacer la variable alphanumérique Aregion n'est pas

nécessaire, mais conseillé pour éviter d'encombrer le fichier,
d'autant plus que les variables alphanumériques prennent
beaucoup de place en mémoire. En outre, compress permet de
réduire le type de stockage au minimum pour économiser de la
place en mémoire.
58 L'essentiel de Stata

4.3.4 Les notes associées au fichier ou aux variables

Sans doute trouvez-vous que le nombre de caractères autorisés
pour les libellés est insuffisant pour bien documenter le fichier,
les variables et les valeurs de ces variables. Vous avez raison.
e' est pourquoi Stata permet l'ajout de notes, quasiment sans
limite du nombre de caractères2 et sans limite du nombre de
notes. On doit les distinguer des simples commentaires précédés
du caractère « * » qu'on peut faire apparaître dans un fichier de
résultats «* .log» ou un programme «* .do ». Les notes
associées aux données sont avant tout des pense-bêtes (sauf
votre respect) qui peuvent notamment aider à communiquer des
informations à des collègues qui utilisent le même fichier de
données « *.dta » :
· note: Ce fichier est identlque au fichier c:\stata\[Link] fourni par
Stata, mais J'al traduit quelques expressions en français

Les numéros de notes apparaissent dans l'ordre où elles ont été

saisies, mais il est souvent plus utile de mentionner la date avec
les caractères réservés TS (comme time stamps) qui seront
convertis en date et heure du jour:
· note TS J'ai créé les variables urbain et actif

Notez que Stata n'aime pas les accents, donc ne soyez pas
surpris de trouver quelques caractères bizarres à l'écran:
· note list

dta:
1. Ce fichier est identique au fichier c:\stata\[Link] fourni par Stata,
> mais j?ai traduit quelques expression en fran?ais
2. 25 Apr 1997 11:11 J?al cr?er les variables urbain et actif

Pour attacher des notes à des variables, il suffit d'indiquer le

nom de ces variables. Hormis les libellés, ces notes sont
particulièrement utiles pour indiquer comment les nouvelles
variables ont été créées:
label var urbain "Pop urbaine sup a 75%"

note urbain: =(popurban/pop».75

label var actif "Pop active sup a 60%"

note actif: =((pop18p-pop65pl/pop».6

2 En fait, 5400 caractères par note pour la version standard.

 Les fichiers de données 59

L'existence de notes est indiquée par une étoile « * » dans le

descriptif du fichier, juste avant la colonne des libellés:
. describe

Contains data from [Link]

obs: 50 USA: Recensement 1980 par Etat
vars: 14 21 Mar 1997 15:02
size: 3,400 (99.9% of memory free) * _dta has notes
1. state str14 %14s State
2. region int %8.0g cenreg Region du recensement
3. pop long %10.0g population
4. poplt5 long %10.0g Pop, < 5 year
5. pop5_17 long %10.0g Pop, 5 to 17 years
6. pop18p long %[Link] Pop, 18 and older
7. pop65p long %10.0g Pop, 65 and older
8. popurban long %10.0g Urban population
9. medage float %9.2f Median age
10. death long %[Link] Number of deaths
11. marriage long %[Link] Number of marri ages
12. divorce long %[Link] Number of divorces
13. urbain float %9.0g vrai * Pop urbaine sup a 75%
14. actif float %9.0g vrai * Pop active sup a 60%
* indicated variables have notes

Sorted by:
Note: data has changed since last save

Enfin, pour supprimer des notes, on mentionne soit _dta pour

indiquer les notes globalement associées au fichier, soit le nom
de la variable, suivi éventuellement du numéro de note:
l' note drop _dta in 2
. note drop urbain

Un conseil pour conclure: utilisez les libellés en prévision de la

présentation des tableaux et des graphiques, et les notes pour une
documentation plus technique, notamment lors de la création de
nouvelles variables ou de la manipulation du fichier. Vous
pourrez ainsi mieux repérer les erreurs... et les corriger !

4.3.5 Mettre en forme le fichier

La création de libellés et de notes aide considérablement la
compréhension des données: c'est le travail principal de mise en
forme du fichier. Outre cela, quelques petites améliorations
esthétiques peuvent aider à réduire la taille du fichier et à le
rendre plus lisible.
60 L'essentiel de Stata

À la fin de chaque session de travail, avant de sauvegarder le

fichier, prenez soin de compresser les formats de stockage:
. compress
region was int now byte
urbain was float now byte
actif was float now byte
state was str14 now str13

Il est en effet plus simple de taper compress que de définir a

priori le format de stockage de chaque variable.

Ensuite, il est possible de regrouper les variables se rapportant

au même thème en réorganisant l'ordre des variables dans le
fichier:
. order state-pop65p actif popurban urbain

Cela ne modifie en rien le contenu des variables mais permet de

les retrouver plus rapidement.

Enfin, il est souhaitable d'ordonner le fichier de manière la plus

logique possible, pour repérer facilement une observation ou un
groupe d'observations. Généralement, les fichiers contiennent un
identifiant unique pour chaque observation:
1. sort state

4.4 Comment combiner plusieurs fichiers ?

La combinaison des fichiers est une opération délicate que de
nombreux utilisateurs craignent. S'apercevoir au moment de
l'analyse que le fichier n'a pas été correctement construit est
particulièrement énervant, puisqu'il faut alors tout recommencer
depuis le début. Pour combiner des fichiers, trois principaux cas
de figures peuvent se présenter:

• Les fichiers contiennent des informations sur des

observations différentes, et on veut obtenir un fichier
contenant l'ensemble des observations: par exemple, dans
une enquête, les informations sur les individus d'un quartier
peuvent être ajoutées aux informations recueillies dans un
autre quartier. Dans ce cas, il faudra utiliser la commande
append.
 Les fichiers de données 61

• Les fichiers contiennent des informations sur les mêmes

observations, et on veut obtenir un fichier contenant
l'ensemble des variables de tous les fichiers : par exemple, à
la suite d'un deuxième passage auprès d'un échantillon
d'individus, des informations supplémentaires ont pu être
ajoutées aux informations déjà recueillies. Dans ce cas, la
commande adéquate est merge. Les options update et
replace permettent aussi d'actualiser les variables.

• Un des fichiers contient des observations sur un niveau

hiérarchique inférieur à l'autre fichier, et on veut obtenir un
fichier contenant les variables de tous les niveaux
hiérarchiques pour l'ensemble des observations du niveau
hiérarchique inférieur: par exemple, les informations sur les
enfants peuvent être complétées par les informations sur leur
mère, qui seront les mêmes dans le cas des frères et soeurs.
On utilisera alors la commande marge.

Ces commandes permettent de combiner des fichiers deux à

deux. Pour combiner plus de deux fichiers, il faut d'abord
combiner deux fichiers, puis combiner le fichier obtenu avec le
troisième fichier, etc. Par convention, on appellera le premier
fichier « fichier maître », et le fichier ajouté « fichier appelé ».

4.4.1 La commande append

Pour se rappeler ce que fait la commande append, on peut
penser au mot « appendice» : la combinaison des deux fichiers
se fait par ajout des observations du fichier appelé à la suite des
observations du premier fichier, le fichier maître en mémoire.
Supposez que le fichier maître soit composé des observations
pour les dix premiers États des USA, et le fichier appelé des
quarante autres États. Pour combiner ces deux fichiers, on place
d'abord le premier fichier en mémoire et on ajoute les
observations du deuxième:
62 L'essentiel de Stata

· use censusl0
(Recensement 10 premiers Etats)

· append using census40

(label cenreg already defined)

· save census
file [Link] saved

Stata indique que le libellé cenreg est déjà défini dans le

fichier maître «[Link]» : c'est ce libellé qui sera utilisé
dans le fichier final « [Link] ».

On aurait pu tout aussi bien combiner les fichiers dans l'ordre

Inverse:
· use census40
(Recensement 40 derniers Etats)

· append using censusl0

(label cenreg already defined)

Mais il faut se rappeler que les libellés et les notes du fichier

maître (pour les variables, les valeurs des variables, et pour le
fichier dans son ensemble) prévalent sur ceux du fichier appelé.
On a donc tout intérêt à choisir comme fichier maître celui des
deux fichiers qui contient les libellés et les notes les plus précis,
ou les plus récents. On pourra toujours ensuite trier les
observations comme il convient:
1. sort state

L'ordre d'appel des fichiers n'a par contre aucun effet sur la
précision des données: si une variable n'a pas le même type de
stockage (voir plus haut) dans l'un et l'autre fichier, le type le
plus précis est choisi, afin de ne pas perdre d'informations.

Mais qu'advient-il si les deux fichiers ne contiennent pas

exactement les mêmes variables? Par exemple, le fichier maître
pourrait ne pas contenir la variable divorce tandis que le
fichier appelé pourrait ne pas contenir la variable marriage.
Dans ce cas, le fichier final contiendra toutes les variables, y
compris les deux variables divorce et marriage, mais le
code manquant «.» sera attribué aux observations pour
lesquelles la variable n'est pas renseignée:
 Lesfichiers de données 63

list state marri age divorce

state marri age divorce

1. Alabama 49018
2. Alaska 5361
3. Arizona 30223
4. Arkansas 26513
5. California 210864
6. Colorado 34917
7. Connectlcut 26048
8. Delaware 4437
9. Florida 108344
10. Georgia 70638
11. Hawail 4438
12. Idaho 6596
13. Illinois 50997
14. Indiana 40006
15. Iowa 11854
16. Kansas 13410
(suite de la liste)
48. W. Virginia 10273
49. Wisconsin 17546
50. Wyoming 4003

Après avoir combiné deux fichiers, posez-vous les questions suivantes ~

et exécuté les commandes nécessaires pour mettre en forme le nouveau fi
fichier:
• Quel sera le libellé du nouveau fichier? Le libellé du fichier maÎtre
ou bien celui du fichier appelé ?
• Sous quel nom le fichier sera-t-il sauvegardé si on exécute
la commande suivante ?
save, replace

• Quel contenu aura le nouveau fichier si aucune variable du fichier appelé

n'existe dans le fichier maÎtre?
• Quel contenu aura le nouveau fichier si des observations du fichier appelé
existent déjà dans le fichier maÎtre? Seront-elles dupliquées ou non?

4.4.2 La commande merge pour les fichiers non hiérarchisés

La traduction de to merge est « fusionner ». Mais cela donne une
idée assez vague de ce que fait la commande merge. TI faut donc
se souvenir que cette commande fusionne des variables pour un
même ensemble d'observations, contrairement à append qui
ajoute les observations d'un fichier au dessous d'un autre.
Supposez que le fichier maître contienne seulement, pour chaque
États des USA, les effectifs de population, et que les autres
64 L'essentiel de Stata

variables figurent dans le fichier appelé. En fusionnant ces deux

fichiers, on ajoute les variables qui manquent:
· use censautr
(Autres variables du recensement)

· sort state

· use censpop
(Population au recensement)

· sort state

· merge using censautr

(label cenreg already defined)

· save census
file [Link] saved

Tout comme pour la commande append, les libellés et les notes

du fichier maître prévalent sur ceux du fichier appelé. On a donc
tout intérêt à choisir comme fichier maître celui des deux
fichiers qui contient les libellés et les notes les plus précis, ou les
plus récents. L'ordre d'appel des fichiers n'a par contre aucun
effet sur la précision des données: le type de stockage (voir plus
haut) le plus précis est choisi, sans perte d'informations.
Avant d'exécuter la commande merge, on a trié les fichiers
maître et appelé. Pourquoi a-t-on pris cette peine? Parce que
merge fusionne les observations une à une dans l'ordre où elles
sont dans les fichiers: la première observation du fichier maître
est fusionnée avec la première observation du fichier appelé, la
deuxième observation est fusionnée avec la deuxième, etc. On
doit donc toujours s'assurer que les mêmes observations figurent
bien dans les deux fichiers, et qu'elles sont bien triées dans le
même ordre, avant d'exécuter merge.

Pour éviter toute erreur, il vaut mieux apparier les fichiers

(match merge) selon l'identifiant de chaque observation. Pour
cela, les fichiers doivent d'abord être triés selon une variable qui
définit de manière unique chaque observation (state dans
notre exemple). Cette variable servira pour l'appariement:
· merge state using censautr
(label cenreg already defined)
Les fichiers de données 65

Mais que se passe-t-il si une observation n'existe pas dans un

des deux fichiers? Dans ce cas, les variables de ce fichier ne
seront pas renseignées pour l'observation en question. Pour
mieux contrôler le résultat d'une telle fusion, et repérer ainsi les
observations qui ne figureraient pas dans les deux fichiers, la
commande marge crée après chaque exécution une variable
intitulée _marge codée comme suit :

1. si l'observation ne figure que dans le fichier maître,

2. si l'observation ne figure que dans le fichier appelé,
3. si l'observation figure dans les deux fichiers.
Par exemple, si la Californie manque dans le fichier appelé, on
aura:
list state popurban medage divorce _merge

state region popurban medage divorce _merge

1. Alabama South 2337713 29.30 26745 3
2. Alaska West 258567 26.10 3517 3
3. Arizona West 2278728 29.20 19908 3
4. Arkansas South 1179556 30.60 15882 3
5. California West 21607606 1
6. Colorado West 2329869 28.60 18571 3
7. Connecticut NE 2449774 32.00 13488 3
(suite de la liste)
Les informations pour la Californie ne figuraient que dans le
fichier maître Cmerge==l), et par conséquent les variables
medage, death, marriage et divorce sont codées
manquantes pour cet État.
La commande merge possède une option particulière pour
actualiser des données: update. Supposons par exemple, que
les nombres de mariages et de divorces étaient provisoires dans
le fichier maître et que le fichier appelé contienne les résultats
définitifs après correction des erreurs dans les États de
l'Arizona, de Californie et de Floride:
66 L'essentiel de Stata

· use censact
(Actualisation: marriage divorce)

sort state

list in 1/10

state marriage divorce

l. Alabama 49018 26745
2. Alaska 5361 3517
3. Arizona 30223 19908
4. Arkansas 26513 15882
5. California 210864 133541
6. Colorado 34917 18571
7. Connecticut 26048 13488
8. Delaware 4437 2313
9. Florida 108344 71579
10. Georgia 70638 34743

· save censact, replace

(Actualisation: marri age divorce)

· use censold
(1980 Census data by state)

sort state

list state marriage divorce in 1/10

state marriage divorce

l. Alabama 49018 26745
2. Alaska 5361 3517
3. Arizona
4. Arkansas 26513 15882
5. California 199934 123432
6. Colorado 34917 18571
7. Connecticut 26048 13488
8. Delaware 4437 2313
9. Florida 100232
10. Georgia 70638 34743

On remarque en comparant les fichiers « [Link]» et

« [Link]» que les variables marriage et divorce ont
des valeurs manquantes pour les États de l'Arizona et de la
Floride, et que les chiffres diffèrent pour les États de Californie
et de Floride. Pour actualiser « [Link] » avec les données de
« [Link] », on exécutera:
merge state uSlng censact, update replace

tab _merge

_merge 1 Freq. Percent Cum.

------------+-----------------------------------
3 1 47 94.00 94.00
4 1 1 2.00 96.00
5 1 2 4.00 100.00
------------+-----------------------------------
Total 1 50 100.00
Les fichiers de données 67

list state marri age divorce _merge in 1/10

state marriage divorce _merge

l. Alabama 49018 26745 3
2. Alaska 5361 3517 3
3. Arizona 30223 19908 4
4. Arkansas 26513 15882 3
5. California 210864 133541 5
6. Colorado 34917 18571 3
7. Connecticut 26048 13488 3
8. Delaware 4437 2313 3
9. Florida 108344 71579 5
10. Georgia 70638 34743 3

Avec l'option update, deux nouveaux codes ont été créés pour
la variable _merge :

4. si l'observation contenait des valeurs manquantes dans le

fichier maître qui ont été actualisées par les valeurs du fichier
appelé,
5. si l'observation contenait des valeurs non manquantes
différentes dans le fichier maître et dans le fichier appelé: en
ajoutant l'option replace, les valeurs du fichier appelé
actualisent les valeurs non manquantes du fichier maître;
sans l'option replace, les valeurs non manquantes du
fichier maître ne sont pas actualisées.

Après avoir combiné deux fichiers, posez-vous les mêmes questions ~"/
que dans l'exercice précédant pour la commande append, puis , ri
répondez aux questions suivantes:
• Que se passe-t-il si on fusionne deux fichiers contenant les mêmes
observations mais dans un ordre différent sans contrôler selon une
variable d'appariement? Comment sera codée la variable _merge ?
• Après fusion de deux fichiers, comment seront codées les variables
si le fichier contient une observation supplémentaire qui n'existe pas
dans le fichier maÎtre? Comment sera codée la variable _merge pour
cette observation?
• Dans notre exemple d'actualisation avec l'option update, quel/es
seront pour l'État de Californie, les valeurs des variables marriage
et divorce si l'on omet l'option replace? Cel/es du fichier maÎtre
ou bien cel/es du fichier appelé ?
• Dans le même exemple, pourquoi la variable _merge n'est el/e pas
codée 4 alors que la variable divorce était manquante dans le
fichier maÎtre?
68 L'essentiel de Stata

4.4.3 La commande merge pour les fichiers hiérarchisés

L'appariement pour la fusion de fichiers non hiérarchisés est
optionnel mais fortement recommandé, comme on l'a expliqué
plus haut, pour éviter toute erreur liée à l'ordre des observations
dans les fichiers maître et appelé. Pour la fusion de fichiers
hiérarchisés, l'appariement selon une variable identifiant le
ni veau hiérarchique supérieur est indispensable.

Supposons que le fichier « [Link]» contienne les

informations régionales issues du Recensement des USA, à la
différence du fichier « [Link] » qui contient les informations
sur les États. Pour fusionner les deux fichiers, on devra apparier
selon la variable region qui représente un niveau hiérarchique
supérieur au États:
. use census
(1980 Census data by state)

sort region

save, replace

use censreg
(Recensement regional)

list

region popreg
1. Nord Est 49135284
2. Centre N 58865672
3. Sud 74734032
4. Ouest 43172488

sort region

merge region using census

sort region state

list region popreg state pop _merge

region pop reg state pop _merge

1. Nord Est 49135284 Connecticut 3107576 3
(suite de la liste)
9. Nord Est 49135284 Vermont 511456 3
10. Centre N 58865672 Illinois 11426518 3
(suite de la liste)
21. Centre N 58865672 Wisconsin 4705767 3
22. Sud 74734032 Alabama 3893888 3
(suite de la liste)
37. Sud 74734032 W. Virginia 1949644 3
38. Ouest 43172488 Alaska 401851 3
(suite de la liste)
50. Ouest 43172488 Wyoming 469557 3
 Les fichiers de données 69

On remarque que la variable _merge est codée 3 pour toutes

les observations: les quatre régions figuraient dans les deux
fichiers. La variable popreg a été répliquée pour chacun des
États. Le fichier final contient bien la totalité des observations
du niveau hiérarchique inférieur, c'est-à-dire 50 États.
Dans le cas où une région ne figurerait pas dans le fichier des
régions, la variable popreg serait codée manquante pour les
États de cette région, et par conséquent la variable _merge sera
codée 2 pour indiquer que l'information provient du fichier
appelé « [Link] ».
À l'inverse, si le fichier des États ne contient pas les données sur
les États d'une région (par exemple la région Sud), les variables
concernant ces États seront codées manquantes. Une seule
observation représentera cette région, et la variable _merge
sera codée 1 pour cette observation, pour indiquer que
l'information provient du fichier maître « [Link]» :
list region popreg state pop _merge

region pop reg state pop _merge

1. Nord Est 49135284 Connecticut 3107576 3
2. Nord Est 49135284 Maine 1124660 3
(suite de la liste)
9. Nord Est 49135284 Vermont 511456 3
10. Centre N 58865672 Illinois 11426518 3
(suite de la liste)
21. Centre N 58865672 Wisconsin 4705767 3
22. Sud 74734032 1
23. Ouest 43172488 Alaska 401851 3
24. Ouest 43172488 Arizona 2718215 3
(suite de la liste)
37. Ouest 43172488 Washington 4132156 3
38. Ouest 43172488 Wyoming 469557 3

Le fichier ne contient plus que 38 observations qui

correspondent aux 37 États pour lesquels on a des informations,
plus 1 observation pour les informations sur la région Sud.
Généralement, l'ordre d'appel des fichiers n'importe pas pour la
fusion des fichiers hiérarchisés. Dans la mesure où une variable
d'appariement est utilisée, les deux commandes:
. use census
,
. merge state uSlng censreg

donnent un résultat absolument identique aux deux

commandes:
70 L'essentiel de Stata

' use censreg

l .' merge state using census

La seule différence entre les résultats est esthétique: dans le

premier cas, les variables contenues dans le fichier appelé
« [Link] » seront stockées à la suite des variables du fichier
« [Link] », alors que ce sera l'inverse dans le second cas.

Il Y a cependant une exception à cette règle: l'ordre d'appel

importe dans le cas où la fusion est doublée d'une actualisation.
En effet, comme pour les fichiers non hiérarchisés, on peut
utiliser les options update et replace. Ces options serviront
pour actualiser les informations d'un niveau hiérarchique à
l'autre. Il faudra alors que le fichier maître corresponde au
niveau hiérarchique à actualiser, et que le fichier appelé
contienne les informations les plus récentes.

Par exemple, si les chiffres de population au niveau régional

étaient le résultat d'un décompte provisoire du Recensement, et
si le fichier « [Link]» contenait une variable popreg
actualisée sur la base des décomptes définitifs de chaque État,
alors, on choisirait « [Link] » comme fichier maître.

Répondez aux questions suivantes:

• Dans notre exemple de fusion des fichiers hiérarchisés,
qu'advient-il si les informations sur les États de l'Ouest manquent en
plus des informations sur les États du Sud? Combien d'observations
contiendra le fichier final?
• Dans l'exemple d'actualisation des données sur la population
régionale avec les options update et replace, qu'advient-il si
l'ordre des fichiers maÎtre et appelé est inversé? Dans le fichier
final, la variable popreg proviendra de quel fichier? Et si on
inverse l'ordre mais sans l'option replace?
Les fichiers de données 71

Voici quelques conseils avant de combiner des fichiers :

• Conservez toujours une copie des fichiers originaux dans un
répertoire spécifique avant de procéder à une fusion avec append ou
avecmerge.
• Comparez toujours le nombre d'observations dans le fichier maÎtre
et dans le fichier appélé, et vérifiez que le nombre atteint dans le fichier
final est bien celui attendu.
• Ne fusionnez jamais les fichiers avec merge sans appariement
selon l'identifiant de chaque observation.
• Après avoir exécutermerge, vérifiez toujours le résultat à l'aide de
la variable _merge
• Pour la fusion des fichiers hiérarchisés avec merge, utilisez le niveau
hiérarchique supérieur comme fichier maÎtre.
• Pour l'actualisation des fichiers avec l'option update de merge,
utilisez l'option replace seulement après vous être assuré que le
fichier appelé contient bien les informations les plus récentes.
• Avec append comme avecmerge, triez le fichier selon l'identifiant
de chaque observation. Pour les fichiers hiérarchisés, créez un
identifiant pour chaque observation qui inclut l'identifiant de chaque
niveau hiérarchique (par exemple: by region : generate
ident=region*10 + _n): ensuite, triez le fichier selon cet
identifiant, ou bien selon les identifiants de chaque niveau hiérarchique
par ordre d'importance (par exemple: sort region state).
5 CRÉATION ET CORRECTION DE
VARIABLES

5.1 Les commandes generate et replace

La commande generate crée de nouvelles variables. Elle a la
syntaxe de base suivante:
[by listevar:] ~enerate var = exp
[if exp] [in intervalle]

La commande replace utilise la même syntaxe, sauf qu'elle

s'applique aux variables déjà existantes.
Comme on le voit, cette syntaxe est simple, ce qui n'est pas le
cas de la forme que peut prendre exp. La première expression
exp (après le signe =) spécifie le contenu de la variable, c'est-à-
dire le plus souvent une valeur numérique. La seconde
expression exp (après if) doit être formulée comme une
expression logique dont le résultat est soit vrai soit faux: la
création (ou le remplacement) de la variable est restreint aux
observations pour lesquelles le résultat de l'expression est vrai.
Cela n'a l'air de rien, mais la confusion entre les deux
expressions est certainement l'erreur la plus fréquente que
peuvent faire les utilisateurs de Stata. À bon entendeur...
Avant de passer aux précautions à prendre pour éviter toute
confusion, nous allons d'abord expliquer les opérateurs et les
fonctions statistiques.
74 L'essentiel de Stata

5.1.1 Les opérateurs arithmétiques, relationnels et logiques

Les opérateurs arithmétiques de Stata sont bien classiques:
+ (addition), - (soustraction), * (multiplication), 1 (division),
A (puissance), tout comme les opérateurs relationnels
> (supérieur), < (inférieur), >= (supérieur ou égal), <= (inférieur
ou égal).

C'est peut-être moins le cas des opérateurs relationnels == (égal)

ou -= (différent, que l'on peut écrire aussi! =), et des opérateurs
logique &. (et), 1 (ou bien), et - (non).

En effet, Stata distingue le signe = (affectation d'une valeur) du

signe == (égalité entre deux valeurs). Dans le cas d'une
affectation d'une valeur à une variable, la variable apparaît à
gauche du signe = tandis que la valeur affectée apparaît à droite:
. generate 100*popurban/pop=pcturb
100 lnva1id name
r (198) ;

. generate popurban*100/pop=pcturb
popurban a1ready defined
r(llO) ;

generate pcturb=100*popurban/pop

Au contraire, dans le cas d'une égalité entre deux valeurs,

l'ordre peut être inversé sans que cela affecte l'égalité logique:
generate ouest=region==4

replace ouest=4==region
(0 real changes made)

Les expressions logiques sont particulièrement utiles pour créer

des variables dichotomiques, c'est-à-dire qui ne prennent que
deux valeurs, 0 et 1. En effet, une expression logique, c'est-à-
dire une expression où interviennent les opérateurs relationnels
>, <, >=, <=, ==, -=, !=, ou bien les opérateurs logiques &., 1, et
-, est codée 1 lorsque son résultat est vrai, et codée 0 lorsque
son résultat est faux :
tabulate ouest region

Census region
1

ouest 1 Nord Est Centre N Sud Ouest 1 Total

-----------+--------------------------------------------+----------
o 1 9 12 16 0 37
1

1 1 0 0 0 13 13
1

-----------+--------------------------------------------+----------
Total 1 9 12 16 13 1 50
 Création et correction de variables 75

Comme on le voit, Stata utilise une forme très condensée pour

formuler une expression logique. Une forme moins condensée
pour créer la variable dichotomique ouest serait:
1. generate ouest=cond(region==4,1,O)

... ce qui se lit « si la condition region==4 est vérifiée, affecter

la valeur 1 à la variable ouest, sinon affecter la valeur a ». À la
différence de la formulation condensée dont le résultat est soit a
soit 1, la fonction cond () permet d'affecter n'importe quelles
valeurs lorsque la condition est vraie ou fausse (par exemple 1 et
2 plutôt que a et 1).

La forme condensée est source de perplexité pour les nouveaux

utilisateurs de Stata, particulièrement s'ils ont l'habitude des
logiciels statistiques qui ne distinguent pas le signe d'affectation
= et le signe d'égalité == et qui par conséquent utilisent
systématiquement des fonctions telles que cond () pour évaluer
le résultat d'une expression logique.

Si vous en avez l'habitude, vous pouvez continuer d'utiliser les

fonctions logiques telles que cond ( ). Cependant, plus une
commande est longue à taper, plus des erreurs risquent de s'y
glisser qui peuvent avoir des conséquences fâcheuses sur les
résultats. Par exemple:
1. generate ouest=cond(region==4,O,1)

Dans ce cas (notez l'inversion des valeurs 0 et 1), aucun

message d'erreur n'est renvoyé à l'écran puisque la syntaxe reste
correcte. Mais le résultat est inverse à ce qui était attendu.

C'est pour éviter ce genre d'erreur d'inattention qu'il vaut mieux

prendre l'habitude de la fonnulation condensée de Stata, tout
aussi logique et plus économe. En outre, c'est cette formulation
qui est utilisée par l'option if pour restreindre l'exécution de la
commande à certaines observations.

Par ailleurs, l'ordre d'évaluation des opérateurs est - (non), A,

- (négation), /, *, - (soustraction), +, -= (ou !=), >, <, <=, >=,
==, &, 1. Comme pour toute formulation logique, les
parenthèses doivent être utilisées le plus souvent possible, pour
éviter les confusions.
76 L'essentiel de Stata

Après avoir essayé de deviner le résultat des calculs, corrigez

les commandes et comparer les résultats:
gen ouest=cond(region==4,4,0)

by region: gen ouest=region==4

gen bldon=popurban/pop>.75

gen bidon=.75<popurban/pop

gen bldon=(.75<popurban)/pop

gen bidon=popurban/pop>.75 1 pop18p-pop65p/pop>.6

gen bidon= popurban/pop 1 pop18p-pop65p

gen bidon=popurban/1n((pop1t5+pop5_17)/(pop-pop18p))

La commande tabulate possède une option generate ( ) bien

pratique pour créer une série de variables dichotomiques à partir
d'une variable polytomique. Exécutez la série de commandes:
tabu1ate region, generate(reg)

describe reg*

tabu1ate reg3 region

gen nord=reg1+reg2

tabu1ate nord region

5.1.2 Les fonctions mathématiques, statistiques, etc.

De nombreuses fonctions sont disponibles dans Stata: elles
apparaissent dans des expressions (notées exp), et elles ont
chacune un nom et un ou plusieurs arguments ordonnés:
nomfoncbon(argl [,arg2...])

Chaque argument peut lui-même être composé d'une expression

ou d'une fonction. Ainsi, on peut combiner plusieurs fonctions
(à condition que cela ait un sens), comme par exemple les
fonctions normd ( ) , round ( ) et log ( )
1. generate bidon=normd(2+round(log(medage), .01))

Nous ne décrirons pas ICI les nombreuses fonctions

mathématiques et statistiques disponibles, ce que font très bien
les sections [R] functions et [U] 20.3 Functions du manuel de
Stata. Nous mentionnerons cependant les plus utiles et les plus
 Création et correction de variables 77

communes pour la création de nouvelles variables: cond ( ) ,

int ( ) , et round ( ) .

Nous avons déjà eu un aperçu de la fonction cond( exp, a, b) à

propos des expressions logiques. Si l'expression exp est vrai, la
fonction retient la valeur a et sinon la valeur b. Les valeurs a et
b peuvent prendre la forme d'expressions, y compris la valeur
manquante (symbolisée par un point « . »), comme par exemple:
1. generate bidon=cond(region==3,., pop/2)

La fonction int (x) retient l'entier de x obtenu par troncature.

Ainsi, la valeur 2,123 est évaluée à 2 et la valeur 1,89 à 1. La
valeur de x peut être obtenue à l'aide d'une expression;
l'important est que le résultat de l'expression soit un nombre:
1. generate bidon=int((pop18p-pop65p)/pop)

Le résultat est très différent avec la fonction round (x, y) qui

arrondi la valeur 2,123 à 2 tout comme 1,89. La précision de
l'arrondi est définie par y, c'est-à-dire que x est arrondi au plus
proche multiple de y: ainsi round (2.123, .1) est évalué à 2,1
et round(1.89,.2) à 1,8 tandis que round(2.123,3) est
évalué à 3 et round (1,89,0.5) à 2. Là aussi x et y peuvent
être obtenus à l'aide d'expressions:
1. generate bidon=round((pop18p-pop65p)/pop,lOA-2)

5.1.3 Quelques précautions à prendre

Tout d'abord, il faut savoir que Stata attribue une valeur
manquante à toute opération arithmétique impossible (par
exemple une division par 0) ou pour toute opération sur une
valeur manquante. C'est parfaitement logique, mais c'est
quelque chose qu'on oublie facilement.

Une autre source très fréquente d'erreur, plus insidieuse celle-là,

est l'utilisation des signes > ou >= dans le cas où la variable
contient des valeurs manquantes. Comme il a été dit plus haut à
propos des types de variables, les valeurs manquantes sont
considérées dans Stata comme supérieures à n'importe quelle
autre valeur. En conséquence, la commande:
 78 L'essentiel de Stata

1. generate urbain=(popurban/pop) >.75

... génère la valeur 1 pour la variable urbain lorsque la variable

popurban est manquante ou bien lorsque pop est manquante
ou égale à O. En effet, la valeur (popurban/pop) est
manquante et par conséquent supérieure à la valeur 0,75.

De même, l'utilisation des signes -= ou bien != (différent) est

une source fréquente d'erreur. La commande:
1. generate nord=region!=3 & region!=4

... génère la valeur 1 pour la variable nord lorsque la variable

region est manquante, car alors la valeur de la variable est
différente de 3 et de 4.

À moins d'être assuré qu'aucune variable n'est codée manquante

pour aucune observation dans le fichier, il vaut mieux toujours
effectuer les calculs pour les variables renseignées, c'est-à-dire
non manquantes. L'option if est un excellent garde-fou:
generate urbain= (popurban/pop) >.75 if popurban!=. & pop!=.

generate nord=region!=3 & region!=4 if region!=.

Ceci nous amène à une autre source d'erreur que nous avions
mentionnée au début de ce chapitre: la confusion entre
l'expression (logique ou non) qui spécifie le contenu de la
variable, et l'expression logique de l'option if qui restreint le
calcul à certaines observations. Par exemple, la commande:
1. generate ouest=region==4

... a une signification très différente de la commande:

1. generate ouest=l if region==4

Dans le premier cas, la variable ouest est égale à 1 pour les

observations qui vérifient la condition logique region==4, et à
o pour les autres observations. Dans le deuxième cas, la variable
ouest est égale à 1 pour les observations qui vérifient la
condition logique region==4, et elle sera codée manquante (un
point « . ») pour les autres observations: le calcul est restreint
aux États de la région Ouest.

Ce type de confusion provient du fait que de nombreux logiciels

statistiques n'utilisent pas les expressions logiques: chaque
 Création et correction de variables 79

valeur d'une nouvelle variable était définie. Ainsi, on devait

exécuter deux lignes de commande, du type:
generate ouest=l if reglon==4

replace ouest=O if region!=4

En somme, l'option if ne doit jamais être utilisée pour créer

une variable de type dichotomique (0/1, vrai/faux). Elle est
seulement nécessaire pour :

• restreindre le calcul aux variables renseignées, c'est-à-dire

non manquante (ex: gen ouest=reg==4 if reg!=.);

• restreindre le calcul à certaines observations selon un critère

différent de celui qui sert à créer la nouvelle variable (ex:
gen urbnord=(popu/pop) >.75 if reg!=3 &
reg!=4) ;

• corriger les valeurs d'une variable déjà existante (ex:

replace pop=23668031 if state=="California").

On peut ainsi édicter la règle suivante, qui vaut dans la grande

majorité des cas: en exécutant generate =exp if exp, les
variables qui apparaissent dans =exp ne doivent pas en principe
figurer dans if exp.

5.1.4 Les corrections par Edit

Une alternative à replace sous Windows ou Macintosh est
l'éditeur de Stata auquel on accède par le bouton Edit ou par la
commande edit. Le bouton Edit est équivalent à la commande
edit sans argument, c'est-à-dire que l'ensemble du fichier est
accessible sans restriction sur les observations ou les variables.
S'il s'agit de consulter simplement le fichier, sans le modifier, il
est préférable alors d'utiliser le bouton Browse ou bien la
commande browse, comme alternative à la commande list.

Lorsqu'il s'agit de modifier les données, il est préférable de

restreindre l'affichage de l'éditeur aux seules variables et
observations à modifier. Cela vous évitera des erreurs de
manipulation que vous pourriez regretter. Pour cela, une fois
dans l'éditeur, utilisez le bouton Hide pour cacher certaines
variables.
 80 L'essentiel de Stata

Mais il est préférable d'utiliser les options if et in de la

commande edit pour restreindre l'édition non seulement à
certaines variables mais aussi à certaines observations. Ainsi,
pour éditer les variables pop et popurban pour la région
Ouest, on tapera:
1. edit pop popurban if region==4

Le même principe vaut pour corriger une seule observation:

1" edit pop popurban in 34

L'option in nécessite de conn~ître le numéro d'ordre de

l'observation à modifier parmi l'ensemble des observations dans
le fichier. L'observation N°34 ne correspond pas au même État
selon que le fichier est classé par ordre alphabétique des noms
des États, ou par région.

Quelle que soit la procédure de sélection (par if ou par in),

pour bien s'assurer que l'édition portera sur les bonnes
observations, il est préférable d'inclure l'identifiant des
observations dans la liste des variables:
edit state pop popurban if region==4

edit state pop popurban in 34

Une fois dans l'éditeur, cliquez sur une cellule pour VOIr
apparaître la valeur de la variable pour l'individu concerné:
if region==4

_ [j X

state pop POP"" an

2 A.~ ~~.. j ..........~()1_~~~l...~.~.8_~_~? .t........................ + .
3 Arizona i 2118215 22?8128
5 CaliEornia , •1 2160?606
6 Colorado. 2889964 2329869
uïi;';;;;';ii!-96469i 834592 t························· , .

12 -----.-"-:-ïda-h-o-i-- 943935 509?02.::-+ -'- _

26 .. 11,,_Il~ Il _L_... _?~~~9.()_ _
.. ~.~_~.~()~ _
28 ~.?~....'!,,_:_ _8_0_0_~?~ ~.."._94c_:?__+___---~---._.-
31 New Mexico i 1302894 939963
37 ..~'::,,!I~IlL __ ~~~~105 1 ?88354
44 Utah j 146103? 1233060
- 47 -- -'ïï;;-hi;;;t;';-T-4132156- 303"-70"'1-4+- - - -
50yy.""~Il.g_L 46955? 294639
i
 Création et correction de variables 81

Dans l'exemple ci-dessus, la valeur de pop est 23667902 pour

l'État de Californie, qui est le Sème dans l'ordre du fichier: cette
valeur pop [5] peut être remplacée par 23668031 dans la ligne
d'édition immédiatement au dessous de la feuille de données.

Le bouton DeJete... est une alternative à la commande drop:

elle doit être utilisée avec les mêmes précautions. On peut ainsi
éliminer soit une ou plusieurs variables soit des observations.
DeJete permet aussi d'éliminer les observations sur l'ensemble
du fichier dont la valeur de la variable courante est égale à celle
de l'observation courante: cette manipulation est équivalente à
la commande:
1. drop if region==4

L'avantage de l'éditeur sur les commandes replace et drop

est qu'il permet une sauvegarde supplémentaire en cas d'édition
répétées. Par exemple, supposez que les corrections suivantes
ont été faites:
· generate urbain= (popurban/pop) >.75 if popurban!=. & pop!=.
(suivent d'autres commandes créant ou modifiant des variables)
· drop if region==4

Si la dernière commande drop ••• est une erreur, et que vous

n'aviez pas auparavant sauvegardé votre fichier, il ne vous reste
plus qu'à effacer le tout et à recommencer, en perdant toutes les
modifications précédentes:
,. clear

· use cens us

Par contre, si vous utilisez l'éditeur pour chaque correction,

même si vous vous trompez, vous tapez sur le bouton Restore et
vous conservez ainsi les corrections précédentes. En effet, la
commande use nomfichier crée un fichier temporaire qui
sera lui-même utilisé par edit pour créer un second fichier
temporaire. En cliquant sur Restore, le second fichier
temporaire est effacé et le premier est récupéré.

Une fois les corrections faites, vous avez le choix entre préserver
ces corrections (bouton Preserve) ou bien restituer le fichier
avant les corrections (bouton Restore). Dans les deux cas, pour
sortir de l'éditeur, cliquez sur le bouton de fermeture de la
 82 L'essentiel de Stata

fenêtre, marqué d'une croix sous Windows. Notez qu'une liste

des changements effectués apparaît dans l'écran des résultats:
. edit
- preserve
(suivent d'autres commandes créant ou modifiant des variables)
- drop if region == 4
- restore

Le premier message preserve indique que l'éditeur fait une

copie de sauvegarde avant toute modification du fichier. Le
dernier indique si les modifications ont été préservées
(preserve) ou si le fichier a été restitué (restore).

L'éditeur de Stata est mieux adapté aux corrections

individuelles, c'est-à-dire observation par observation. Si l'on
veut faire une correction globale sur l'ensemble des
observations, on lui préférera la commande replace. Par
exemple, pour convertir tous les chiffres de population en
millions avec une précision de deux chiffres après la virgule:
1. replace pop=round (pop/l0~6, . Dl)

Une telle correction n'est pas envisageable avec edit.

5.1.5 Les corrections à l'aide d'un fichier *.do

La plupart du temps, surtout lors de l'analyse exploratoire des
données, le travail interactif suffit. On conserve simplement les
résultats dans un fichier ASCII avec extension *.log (voir La
prise en main du logiciel).
Mais vous pouvez aussi exécuter, à l'aide de la commande
do nomfi chi er, une série de commandes contenue dans un
fichier « [Link] » en format ASCII. Les programmes *.do
sont particulièrement utiles lorsqu'il s'agit d'exécuter une
longue série de commandes. On distingue deux types de
programmes:

• Les programmes pour la création et la modification de

variables. Dans ce cas, il est préférable de conserver le fichier
original dans un répertoire spécifique et d'exécuter le
programme sur une copie du fichier dans un répertoire de
travail: si des erreurs se sont glissées dans le programme, on
pourra toujours récupérer le fichier de données original. Ces
programmes pourront avoir la structure suivante:
Création et correction de variables 83

* nom et date de création du programme

use c:\chemin du fichier original\[Link]
save nomfichier
(suivent d'autres commandes créant ou modifiant des variables)
save nomf~ch~er, replace

• Les programmes pour produire des résultats. Dans ce cas, il

est indispensable de faire précéder les tabulations,
graphismes, et calculs statistiques de la commande log
using nomfichier pour conserver les résultats dans un
fichier ASCII. Ces programmes pourront avoir la structure
suivante:
* nom et date de création du programme
log using nomfichier
use nomfichier
(suivent d'autres commandes de tabulations, graphiques et statistiques)
log close

Bien sûr, un même programme peut comporter une partie créant

ou modifiant les variables et une autre partie pour les résultats.
Considérez le programme suivant:
. type [Link]
* [Link]: ceci est un essai de tabulation au 29 avril 1997
use c:\stata\census
save census, replace /* copie le fichier dans le repertoire courant */
/* pour connaitre la repartition des Etats
a dominante urbaine */
generate urbain=(popurban/pop».75
log using taburb, replace
summarize popurban /* pop */ urbain
log close

Notez que les commentaires peuvent s'insérer librement pourvu

qu'ils soient précédés du caractère * (si le commentaire tient sur
une ligne) ou entouré des caractères /* et * / (si le commentaire
tient sur plusieurs lignes). Dans un fichier programme, le
commentaire peut aussi figurer au beau milieu d'une ligne de
commande, pourvu qu'il soit entouré des caractères / * et * /' On
peut aussi utiliser ces caractères pour inscrire une ligne de
commandes sur plusieurs lignes:
summarize popurban pop urbain /*
*/ if regionl=2 & pop<2000000

Par ailleurs, l'exécution d'un programme *.do s'interrompt

lorsqu'il contient une erreur :
84 L'essentiel de Stata

do [Link]

* [Link]: ceci est un essai de tabulation au 29 avril 1997

use c:\stata\census
(1980 Census data by state)

save census, replace

generate urbain=(popurban/pop) >.75

log using taburb

sumarize popurban urbain

unrecognized command
r (199) ;

end of do-file
r (601) ;

Dans ce cas, n'oubliez pas que le programme a ouvert un fichier

«[Link] ». Après l'interruption du programme, ce fichier
reste ouvert. Si vous corrigez et relancez votre programme sans
avoir fermé le fichier * .log, voilà ce qui arrive:
do [Link]

* [Link]: ceci est un essai de tabulation au 29 avril 1997

use c:\stata\census
(1980 Census data by state)

save census, replace

generate urbain=(popurban/pop».75

log using taburb

log file already open
r (604) ;

TI faut donc fermer le fichier «[Link] » et ajouter l'option

replace dans la commande log:
log close

do [Link]

* [Link]: ceci est un essai de tabulation au 29 avril 1997

use c:\stata\census
(1980 Census data by state)

save census, replace

generate urbain=(popurban/pop».75

log using taburb, replace

summarize popurban urbain

Variable l O b s Mean Std. Dev. Min Max

---------+-----------------------------------------------------
popurban 1 50 3328253 4090178 172735 2.l6e+07
urbain 1 50 .3 .46291 0 1

log close
 Création et correction de variables 85

5.2 L'adressage par ligne

et la commande egen
Chaque fois que Stata ouvre un fichier de données, deux
variables systèmes sont créées :

• _n qui contient le rang courant de chaque observation dans

l'ordre du fichier, et,

• _N qui contient le rang de la dernière observation.

Elles sont appelées «variables systèmes» parce qu'elles peuvent

être utilisées mais ne peuvent pas être modifiées.
Par ailleurs, la valeur d'une variable pour une observation
donnée peut être repérée par un numéro entre crochets. Par
exemple, la valeur de la variable region pour l'observation
D
N 32 est 17558072 :
l' display region[32]
17558072

TI faut en effet se souvenir que Stata charge en mémoire le

fichier sous la forme d'une matrice où chaque ligne est une
observation et chaque colonne une variable. Les crochets
indiquent l'adressage en ligne (explicit subscripting), c'est-à-
dire le rang de la ligne dans le fichier, alors que le nom de la
variable indique la colonne.

5.2.1 L'adressage par ligne d'enregistrement

L'originalité de ce système, c'est qu'il permet de combiner
l'adressage par ligne d'observation avec les variables systèmes
indiquant le rang courant ou le rang de la dernière observation.
Pour expliquer comment fonctionne cette combinaison, nous
allons calculer la somme des populations des États figurant dans
le fichier « [Link] » et calculer ensuite la part de chaque État
dans la population totale.
Pour cela on peut créer une variable que l'on va initialiser à 0 :
1. generate cumul=O
... et calculer ensuite le cumul de la variable pop :
1. replace cumul=pop[_n]+cond(_n==1,0,cumul[_n-1])
 86 L'essentiel de Stata

Observons attentivement la commande précédente:

• pop [_n] indique le contenu de la variable pop pour

l'observation courante _n; remarquez que dans ce cas
l'adressage à la ligne courante est implicite: les expressions
pop et pop [_n] sont absolument équivalentes. On aurait
tout aussi bien pu écrire:
1. replace cumul=pop+cond(_n>l, cumul [_n-1] ,0)

• La condition indique que l'on ajoute à pop [_n] la valeur du

cumul mentionnée sur la ligne précédente cumul [_n-l],
seulement dans le cas où l'observation courante n'est pas la
première du fichier Cn>l). Si l'observation courante est la
première Cn==l), alors on n'ajoute rien.

On vérifie le résultat du calcul :

list pop cumul

pop cumul
1. 3893888 3893888
2. 401851 4295739
3. 2718215 7013954
4. 2286435 9300389
5. 23667902 3.30e+07
(suite de la liste)
48. 1949644 2.21e+08
49. 4705767 2.25e+08
50. 469557 2.26e+08

Ainsi, la valeur de cumul sur l'observation N°3 est égale à la

valeur de cumul sur l'observation N°2 (4295739) à laquelle on
ajoute la valeur de cumul pour l'observation courante
(2718215).

Cette procédure est, admettons-le, assez complexe, et c'est

pourquoi il existe une fonction plus simple sum{ var) pour faire
la somme cumulée d'une variable:
1. generate cumul=sum(pop)

Pour calculer la part de la population de l'État dans la population

totale, on utilise la valeur de cumul pour la dernière
observation _N :
Création et correction de variables 87

generate pourcent=100*pop/cumul[_N]

format pourcent %8.2f

list pop cumul pourcent

1. 3893888 3893888 1.72

2. 401851 4295739 0.18
3. 2718215 7013954 1.20
4. 2286435 9300389 1. 01
5. 23667902 3.30e+07 10.48
(suite de la liste)
48. 1949644 2.21e+08 0.86
49. 4705767 2.25e+08 2.08
50. 469557 2.26e+08 0.21

L'adressage par ligne est surtout utile pour faire des calculs par
groupe d'observations. Pour calculer la part de la population de
chaque État dans la population totale de la région, on utilise le
préfixe by après avoir trié le fichier par région:
sort region

by region: generate cumulreg=sum(pop)

-> region=Nord Est

-> region=Centre N
-> region= Sud
-> region= Ouest

. by region: generate pcentreg=100*pop/cumulreg[_N]

-> region=Nord Est

-> region=Centre N
-> region= Sud
-> region= Ouest

Exécutez les commandes suivantes pour repérer le plus grand État

dans chaque région, et essayez de détecter l'erreur (ou les erreurs) :
sort region pop

by region: generate grand=pop>pop[_n-1]

by region: list pop grand

Ensuite, exécutez les commandes suivantes, et donnez les significations

des indices calculés indl et ind2 :

sort region pop

by region: generate ind1=_n==_N

by region: generate ind2=_n==1

by region: list pop ind*

88 L'essentiel de Stata

5.2.2 La commande egen

L'adressage par ligne est utile pour calculer des indices situant
une observation parmi l'ensemble des observations du fichier ou
parmi un groupe d'observations dans le fichier (ex:
pourcentage, rang, etc.). On peut aussi utiliser cet adressage dans
les fichiers de séries temporelles, où l'on a souvent besoin de
faire référence à la valeur d'une variable pour une année
antérieure (valeurs décalées: lag values).

li est parfois utile de reporter sur chaque observation un indice

calculé pour un ensemble d'observations (dans un groupe ou
pour le fichier tout entier). C'est le cas des moyennes mobiles
dans les fichiers de séries temporelles. C'est aussi le cas des
fichiers hiérarchisés, de type ménage-individus, ou bien mère-
enfants: chaque observation peut être rattachée à un niveau
hiérarchique plus élevé, et on a parfois besoin de calculer des
indices au niveau hiérarchique supérieur (ex: nombre
d'individus actifs par ménage, revenu moyen, etc.).

Tout cela nécessite de longs programmes de calculs. La

commande egen peut dans ce cas vous simplifier la vie. Sa
syntaxe prend deux formes:
egen var = fonction(listevar)
[if exp] [in intervalle]

Dans ce cas, egen calcule une nouvelle variable en fonction

d'une liste de variables pour une même observation. Ainsi, à
partir des valeurs contenues dans 1 i st evar, la fonction rswn
calcule la somme totale (ex: dépense totale à partir des postes
budgétaires), tandis que la fonction rmean calcule la moyenne
(ex: moyenne de notes à différents examens).

Pour les séries temporelles, egen permet de calculer la

moyenne mobile à l'aide d'une syntaxe particulière:
egen var = ma ( exp)
[if exp] [in intervalle] [, t (#) nomiss]

Par exemple, pour calculer la moyenne mobile de la variable

var sur 5 ans, on aura:
 Création et correction de variables 89

1. egen moymob=ma(var) , t(5)

L'option nomiss permet de forcer le calcul d'une moyenne non

centrée en début ou en fin de série.

Mais egen est surtout utile pour calculer des indices sur un
ensemble d'observations:
egen var = fonction (exp)
[if exp] [in intervalle] [, by(1istevar}]

Parmi les nombreuses fonctions possibles de cette commande

(pour plus de détails, voir la référence egen du manuel de
Stata), nous allons expliquer celles qui permettent le mieux de
comprendre l'utilité de egen. Tout d'abord, nous retrouvons une
fonction qui ressemble à la fonction sum(} que nous avions
utilisée avec generate mais qui donne un résultat différent:
sort region

by region: generate cumulreg=sum(pop)

-> region=Nord Est

-> region=Centre N
-> region= Sud
-> region= Ouest

. egen sommereg=sum(pop) , by(region)

-> region=Nord Est

-> region=Centre N
-> region= Sud
-> region= Ouest

. by region: list state pop cumul reg sommereg

-> region=Nord Est

state pop cumul reg somme reg
1. Maine 1124660 1124660 4.91e+07
2. Connecticut 3107576 4232236 4.91e+07
3. Pennsylvania 11863895 1.61e+07 4.91e+07
4. New Hampshire 920610 1.70e+07 4.91e+07
5. New Jersey 7364823 2.44e+07 4.91e+07
6. Massachusetts 5737037 3.01e+07 4.91e+07
7. Rhode Island 947154 3.11e+07 4.91e+07
8. Vermont 511456 3.16e+07 4.91e+07
9. New York 17558072 4.91e+07 4.91e+07

-> region=Centre N
state pop cumul reg sommereg
10. Illinois 11426518 1.14e+07 5.8ge+07
11. Missouri 4916686 1.63e+07 5.8ge+07
12. Indiana 5490224 2.18e+07 5.8ge+07
(suite de la liste)
On remarque qu'avec egen le préfixe by () est renvoyé en
option, et que la somme cumulée est reportée sur l'ensemble des
 90 L'essentiel de Stata

observations. Dans ce cas, pour calculer la part de chaque État,

la fonnule sera différente pour cwnulreg :
1. by region: generate prcentreg=lOO*pop/cumulreg[_NJ

.. , et pour sommereg :
1. generate prcentreg=lOO*pop/sommereg

La commande egen permet des calculs plus élaborés tels que

des moyennes :
1. egen moyreg=mean(pop) , by(region)

... des écarts types (standard deviation) :

1. egen etreg=st(pop) , by(region)

... ou des pourcentiles (médiane ou autre) :

1. egen medreg=pctile(pop) , p(75) by(region)

Dans ce dernier cas, l'option p(#) indique le pourcentile désiré

(la médiane p (50) est la valeur par défaut).

D'autres fonctions existent pour la commande egen. Exécutez les

commandes suivantes:
sort region

egen indl=max(pop) , by(region)

replace indl=pop==indl

egen ind2=min(pop) , by(region)

replace ind2=pop==ind2

Que signifient les variables indl et ind2 ?

Comparez avec la procédure utilisée dans l'exercice précédant
avec la commande generate.

Peut-être avez-vous remarqué que nous n'avons jamais spécifié

l'option [type] des commandes generate et egen (voir le
chapitre sur Les fichiers de données). Par défaut, le type de la
variable sera float. Pour économiser de la place en mémoire après
avoir créé les variables, il suffit d'exécuter la commande:
. compress
6 LES STATISTIQlTES SIMPLES ET
LEUR REPRÉSENTATION
GRAPHIQUE

Vous avez franchi avec succès les premières étapes de

l'initiation à Stata : prise en main du logiciel, constitution d'un
fichier, et création et correction de variables. Maintenant, les
réjouissances peuvent commencer: vous êtes en mesure de vous
amuser... pardon, d'explorer sérieusement les données.

Avant de mener des analyses à l'aide de modèle de régression et

autres statistiques complexes, il est préférable de tirer le
maximum de l'exploration des données et de statistiques
simples. Cela a deux avantages:

• permettre de mieux connaître les données et donc de repérer

leurs particularités et leurs éventuelles incohérences, ce qui
pourra servir pour des analyses statistiques plus
approfondies;

• permettre de sélectionner des indices et des graphiques

simples qui rendent le mieux compte des données afin de les
restituer à un large public: les connaissances en statistique de
la plupart des mortels ne dépassent guère le pourcentage, et
de toute façon, même un public de spécialistes ne retiendra en
définitive que les indices et les graphiques les plus simples.

Stata offre de nombreuses commandes pour l'analyse

exploratoire des données, autant sous forme de tableaux que de
graphiques. Comme dans les chapitres précédents, nous
utiliserons le fichier « [Link] » pour illustrer ces
commandes.
92 L'essentiel de Stata

6.1 Les tableaux

La forme des tableaux dépend du nombre de variables croisées.
Lorsqu'une seule variable est décrite, on parle de distribution
univariée, ou de fréquence simple. Pour deux variables, on parle
de distribution bivariée, et, au delà de deux variables, de
distribution multivariée. Plus le nombre de variables est élevé,
plus la lecture sera complexe: un tableau croisant plus de quatre
variables est souvent incompréhensible pour une personne
normalement constituée (y compris un statisticien).

6.1.1 Résumé des variables et fréquence simple

La première chose à faire avant de travailler sur un fichier est
d'examiner l'ensemble des variables, pour détecter d'éventuelles
erreurs à la saisie ou lors du transfert des données, et surtout
pour se familiariser avec les données.

La commande codebook 1 i s tvar, grâce à une

programmation savante, donne une description adaptée aux
variables alphanumériques et numériques. Parmi les variables
numériques, elle distingue automatiquement les variables
continues et discrètes. Pour être considérée comme discrète, une
variable doit avoir au maximum 9 catégories distinctes: l'option
tabulate (#) permet de changer cette valeur par défaut.

En insérant les résultats dans un fichier « *.log », on peut ainsi

créer un document de référence où figureront une description à
la fois des libellés et du contenu de chaque variable du fichier:
log using descrip

use census
(1980 Census data by state)

. codebook

state ------------------------------------------------------------------- State

type: string (str13)

unlque values: 50 coded missing: a / 50

examp1es: "Georgia"
"Maryland"
"Nevada"
"s. Caro1ina"
warning: variable has embedded b1anks
Les statistiques simples et leur représentation graphique 93

region Census reglon

type: nurnerlC (byte)
label: cenreg

range: [l, 4J units: 1

unique values: 4 coded missing: 0 / 50

tabulation: Freq. Numeric Label

9 1 Nord Est
12 2 Centre N
16 3 Sud
13 4 Ouest

pop ---------------------------------------------------------------- Population

type: numeric (long)

range: [401851,23667902J units: 1

unique values: 50 coded mlsslng: o / 50
mean: 4.5e+06
std. dev: 4.7e+06

percentiles: 10% 25% 50% 75% 90%

671743 [Link]+06 3.1e+06 5.5e+06 [Link]+07
(suite de la liste)
. log close

Dans «[Link] », la variable state est alphanumérique et

des espaces sont incrustés dans les intitulés (embedded
blanks) comme par exemple entre s. et Carolina. La
variable region est considérée comme discrète (moins de 9
valeurs distinctes: unique values: 4). Un tableau sommaire
montre la fréquence (Freq.) pour chacune des quatre valeurs
que peut prendre cette variable (range: [1,4]), ainsi que le
libellé (Label) de chacune de ces valeurs. De plus, le nombre de
valeurs manquantes parmi la totalité des observations est
indiquée (coded missing : 0 / 50).

La variable pop est considérée comme continue parce qu'elle

contient plus de 9 valeurs distinctes (unique values: 50)
qui vont de 401 851 à 23667902, par unité de compte de 1
(uni ts: 1). Dans ce cas, une description sommaire de la
distribution de la variable est donnée par la moyenne (mean) et
l'écart type (std. dev) et par les pourcentiles (la médiane est
de 3 100 000 habitants, et la % des États ont plus de Il 000 000
d'habitants).

La commande summarize listvar permet aussi de résumer

la distribution, en particulier pour les variables numériques
continues. Cela n'aurait pas grand sens, par exemple, de calculer
la moyenne d'une variable discrète comme region :
94 L'essentiel de Stata

summarize region

variable l O b s Mean Std. Dev. Min Max

---------+-----------------------------------------------------
region 1 50 2.66 1.061574 1 4

L'option detail pennet une description plus precIse des

variables continues, incluant les pourcentiles, les quatre plus
grandes (Largest) et plus basses (Smallest) valeurs, ainsi
qu'un indice de dissymétrie (la valeur de Skewness est pour
la distribution nonnale) et de concentration (la valeur de
°
Kurtosis est de 3 pour la distribution nonnale) :
summarize pop, detai1

Population

Percentiles Smallest
1% 401851 401851
5% 511456 469557
10% 671742.5 511456 Obs 50
25% 1124660 594338 Sum of Wgt. 50

50% 3066433 Mean 4518149

Largest Std. Dev. 4715038
75% 5463105 1.1ge+07
90% 1.11e+07 1.42e+07 Variance 2.22e+13
95% 1.42e+07 1.76e+07 Skewness 2.073804
99% 2.37e+07 2.37e+07 Kurtosis 7.729186

Ces statistiques montrent une distribution de pop nettement

dissymétrique sur la droite (la médiane est inférieure à la
moyenne comme l'indique aussi un indice de 2,07 pour
Skewness) et très concentrée (Kurtosis de 7,73) sur
quelques valeurs.

À l'inverse de la commande swmnarize, la commande

tabulate est utile pour les variables discrètes.
. tabulate region

Census
region Freq. Percent Cum.
------------+-----------------------------------
Nord Est 9 18.00 18.00
Centre N 12 24.00 42.00
Sud 16 32.00 74.00
Ouest 13 26.00 100.00
------------+-----------------------------------
Total 1 50 100.00

On remarque avec l'option nolabel (pour afficher les codes

plutôt que les libellés), que les régions sont classées selon leur
numéro de code:
Les statistiques simples et leur représentation graphique 95

. tabulate region, nolabel

Census
reglon Freq. Percent Cum.
------------+-----------------------------------
1 9 18.00 18.00
2 12 24.00 42.00
3 16 32.00 74.00
4 13 26.00 100.00
------------+-----------------------------------
Totalisa 100. 00

Dans le cas d'une variable discrète, le pourcentage cumulé n'a

pas grand intérêt puisque l'ordre de classement des catégories de
la variable est arbitraire. Le cumul n'a d'intérêt que pour les
variables continues ou pour les variables comportant des
catégories ordonnées, c'est-à-dire classées selon une échelle
ordinale (par exemple: du meilleur au pire, du plus au moins
satisfaisant, etc.).
La commande tabl listvar est une variation de tabulate
pour établir les fréquences simples. Elle s'utilise comme
codebook pour créer un document de référence sur la
distribution de chacune des variables. Cependant, elle ne
distingue pas de la même manière les variables
alphanumériques, continues et discrètes : codebook est mieux
adaptée à cet exercice.

Pour vous permettre de mieux comprendre l'utilisation des commandes ( /

décrites ci-dessus, répondez aux questions suivantes : ~
• Pourquoi d'après codebook l'unité de compte de la variable
medage est.l (units: .1)?
• Observez le résultat de codebook sur la variable sommereg
(voir chapitre précédent sur les créations de variables) : pourquoi
cette variable continue (population régionale) est-elle présentée comme
une variable discrète ?
• Exécutez la commande summarize state: pourquoi le nombre
d'observations est-il égal à 0 ?
• Exécutez la commande tabulate pop: quel intérêt présentent
le résultat? Et le résultat de la commande tabulate medage?
(Comparez la colonne Cum. avec les résultats de la commande
summarize)
96 L'essentiel de Stata

6.1.2 Tableaux croisés à deux variables

La commande tabulate devient vraiment intéressante pour
croiser les distributions de deux variables discrètes. La syntaxe
de base de cette commande est:
tabulate varligne varcol
[, cell column ~ow ~issing nofreq ~rap nolabel
~ll chi2 ~xact ~amma lrchi2 iaub v]

Prenons pour exemple, la distribution des 50 États des USA par

région selon qu'au moins trois quarts de leur population est
urbaine ou non (voir chapitre sur Les fichiers de données pour la
création de la variable urbain) :
tabulate urbain region

Pop urbainel Census region

sup a 75% Nord Est
1 Centre N Sud Ouest l, Total
-----------+-------------------------------------------~+~~--------

Non 1 4 11 13 7 1 35
Oui 1 5 1 3 6 15
1

-----------+--------------------------------------------+----------
Total 1 9 12 16 13 1 50

Les modalités de la première variable citée figurent en ligne,

tandis que les modalités de la deuxième apparaissent en colonne.
Des options permettent d'obtenir les pourcentages en ligne
(row) , en colonne (column) ou par cellule (cell) du tableau:
. tabulate urbain region, column

Pop urbainel Census region

sup a 75% 1 Nord Est Centre N Sud Ouest 1 Total
-----------+--------------------------------------------+----------
Non 1 4 11 13 7 35
1

1 44.44 91.67 81.25 53.85 1 70.00

-----------+--------------------------------------------+----------
Oui 1 5 1 3 6 1 15
1 55.56 8.33 18.75 46.15 1 30.00
-----------+--------------------------------------------+----------
Total 1 9 12 16 13 1 50
1 100.00 100.00 100.00 100.001 100.00

Pour afficher les pourcentages sans les fréquences, on utilisera

l'option nofreq :
Les statistiques simples et leur représentation graphique 97

· tabulate urbain region, row nofreq

Pop urbaine [ Census region

sup a 75% 1 Nord Est Centre N Sud Ouest Total 1

-----------+--------------------------------------------+----------
Non 1 11.43 31.43 37.14 20.00 1 100.00
Oui 1 33.33 6.67 20.00 40.00 1 100.00
-----------+--------------------------------------------+----------
Total 1 18.00 24.00 32.00 26.00 1 100.00

Pour illustrer l'utilité de l'option wrap, nous allons d'abord

créer une variable polytomique indiquant pour chaque région, les
États considérés comme urbains ou ruraux, en combinant les
quatre modalités de la variable region au deux modalités de la
variable urbain:
· generate regurb=region*10+urbain

· label define regurb 10 "NE-rur" 11 "NE-urb" 20 "CN-rur" 21 "CN-urb" 30 "Sud-

rur" 31 "Sud-urb" 40 "Ouest-ru" 41 "Ouest-ur"

label values regurb regurb

label var regurb "Region par milieu"

La variable regurb contient 4x2 modalités. Si l'on veut croiser

la variable regurb en colonne et actif en ligne (voir chapitre
sur Les fichiers de données pour la création de la variable
actif), on obtient un tableau scindé en deux:
· tabulate actif regurb

Pop active 1 regurb

sup a 60% 1 NE-rur NE-urb CN-rur CN-urb Sud-rur 1 Total
-----------+-------------------------------------------------------+----------
Non 1 1 0 9 0 7 1 23
Oui 1 3 5 2 1 6 1 27
-----------+-------------------------------------------------------+----------
Total 4 5 11 1 131 50

Pop active regurb

sup a 60% Sud-urb Ouest-ru Ouest-ur 1 Total
-----------+---------------------------------+----------
Non 1 1 3 2 1 23
Oui , 2 4 4 1 27
-----------+---------------------------------+----------
Total 1 3 7 6 1 50

La commande tabulate prévoit par défaut un maximum de 5

modalités en colonnes, ce qui explique que le tableau soit scindé
en deux afin de tenir sur les 80 caractères que comporte une
ligne sur l'écran. Notez que la colonne Total fait référence au
total général et non au total de chaque partie du tableau. Avec
l'option wrap, le tableau n'est pas scindé en deux car aucune
limite n'est imposée au nombre de colonnes:
98 L'essentiel de Stata

. tab actif regurb, wrap

Pop active 1 regurb

sup a 60% 1 NE-rur NE-urb CN-rur CN-urb Sud-rur Sud-urb
> Ouest-ru Ouest-ur Total
-----------+--------------------------------------------------------------~----

> ---------------------+---------~

Non 1
1 0 9 0 7 1
> 3 2 23
1

Oui [ 3 5 2 1 6 2
> 4 4 27
1

-----------+-------------------------------------------------------------------
> ---------------------+----------

Total 1 4 5 11 1 13 3
> 7 6 1 50

L'option wrap semble donc parfaitement inutile pour une

représentation à l'écran, mais si les résultats doivent être
conservés dans un fichier «*.log », un tableau de plus de 5
colonnes pourra être imprimé sur une feuille de plus de 80
caractères (par exemple en format «paysage» plutôt que
« portrait»).

li peut arriver qu'une variable ne soit pas renseignée pour

certaines catégories d'observations: dans ce cas, seules les
observations pour lesquelles les variables croisées sont
renseignées figureront dans le tableau. Pour que la totalité des
observations (y compris celles dont les valeurs sont manquantes)
figurent dans le tableau, on utilisera l'option missing. Dans ce
cas une modalité intitulée « • »sera ajoutée aux colonnes ou aux
lignes déjà présentes.

Diverses statistiques permettent d'évaluer le degré d'association

entre les deux variables croisées dans le tableau:
. tabulate urbain region, aIl exact

Pop urbaine 1 Census region

sup a 75% 1 Nord Est Centre N Sud Ouest 1 Total
-----------+--------------------------------------------+----------
Non 1 4 11 13 7 1 35
Oui 1 5 1 3 6 1 15
-----------+--------------------------------------------+----------
Total 1 9 12 16 13 1 50

Pearson chi2(3) 8.0612 Pr 0.045

likelihood-ratio chi2(3) 8.4497 Pr 0.038
Cramer's V 0.4015
gamma 0.0508 ASE 0.255
Kendall's tau-b 0.0301 ASE 0.151
Fisher's exact 0.048
 Les statistiques simples et leur représentation graphique 99

Chacune des statistiques produite par l'option aIl peut être

obtenue par des options spécifiques: la statistique du Chi 2 selon
le calcul standard (option chi2) ou selon le ratio de
vraisemblance (option 1rchi2) ,ainsi que le v de Cramér qui
varie de -1 à + 1 dans le cas d'un tableau de 2 lignes sur 2
colonnes (2x2), et de 0 à 1 dans les autres cas. L'option exact
calcule le test exact de Fisher, qui est basé sur la distribution de
toutes les combinaisons possibles des cellules du tableau à partir
de ses marges: ce calcul peut prendre un temps relativement
long si le nombre de catégories et d'observations est grand et si
l'ordinateur ne dispose pas d'un co-processeur rapide.

Ces statistiques sont valables pour toutes les variables

polytomiques. Dans notre exemple, le caractère urbain de l'État
semble bien être corrélé avec son appartenance à une des quatre
régions: les valeurs des tests de Chi2 sont inférieures à 5 %, ce
que confirme le test de Fisher.

D'autres statistiques évaluent l'association entre deux variables

ordinales: le Gamma de Goodman & Kruskal (option gamma)
basé sur le nombre de paires d'observations concordantes et
discordantes du point de vue des deux variables croisées, et le
Tau de Kendall (option taub) qui s'interprète comme le
gamma mais qui tient mieux compte du nombre de paires de
même configuration. Dans notre exemple, ces statistiques n'ont
aucun sens car la variable region n'est pas ordinale: la région
3 ne vaut pas plus que la région 2.

La commande tab2 listvar est une variation de tabu1ate

pour établir les tableaux croisés deux à deux pour toutes les
combinaisons de variables de listvar. Elle s'utilise comme
codebook pour créer un document de référence sur
l'association entre les variables dicho- ou polytomiques du
fichier de données. TI faut évidemment tenir compte du nombre
important de tableaux croisés qui peut résulter de tab2 : si trois
variables sont croisées deux à deux, on n'obtient que 3 tableaux,
mais si dix variables sont croisées deux à deux, on obtient 45
tableaux (voir [U] 20.3.1 Mathematicalfunctions) :
l'
45
display comb(lO,2)
100 L'essentiel de Stata

Pour vous permettre de mieux comprendre l'utilisation de la

commande tabulate, exécutez les commandes suivantes:
generate caturb=recode(popurban/pop, .5, .6, .7, .8)

tabulate actif caturb, all exact

La variable, calculée à l'aide de la fonction recode ( ) , distribue les

États selon que le pourcentage de leur population urbaine est inférieur
à 50 %, entre 50 et 60 %, etc. (voir[U] 20 Functions and expressions).
Répondez aux questions suivantes:
• La variable caturb est-elle une variable continue?
• Les valeurs du Gamma et du Tau ont-elles un sens?

6.1.3 Tableaux croisés à trois variables ou plus

Le préfixe by listvar est utilisé pour produire des tableaux
croisés à deux variables pour chaque combinaison des modalités
des variables énumérées dans listvar. Si une seule variable
est énumérée dans listvar, on obtient un tableau croisé à trois
variables, si deux variables sont énumérées, un tableau croisé à
quatre variables, etc. Le préfixe by nécessite un tri préalable
selon les variables énumérées:
sort actif

by urbain: tabulate actif region, all exact

-> urbain= Non
Pop active 1 Census region
sup a 60% 1 Nord Est Centre N Sud Ouest 1 Total
-----------+------------------~-------------------------+----------

Non 1 1 9 7 3 1 20
Oui 1 3 2 6 4 1 15
-----------+--------------------------------------------+----------
Total 1 4 11 13 7 35 1

Pearson chi2(3) = 5.0634 Pr 0.167

likelihood-ratio Ch12(31 5.3683 Pr 0.147
Fisher's exact 0.164

-> urbain= Oui

Pop active Census region
sup a 60% Nord Est Centre N Sud Ouest 1 Total
-----------+--------------------------------------------+-------~--

Non 1 0 0 1 2 3 1

Oui 1 5 1 2 4 12 1

-----------+--------------------------------------------+----------
Total 1 5 1 3 6 15 1

Pearson chi 2 (3 ) 2.5000 Pr 0.475

likelihood-ratio chi2(3)
Fisher's exact 0.505
Les statistiques simples et leur représentation graphique 101

Les tests statistiques sont calculés pour chaque tableau croisé à

deux variables. Ils concordent pour dire que parmi les États à
dominante rurale, le caractère actif de l'État semble être corrélé
avec son appartenance à une des quatre régions, quoique le
niveau de significativité du test soit très faible: le test exact de
Fisher est significatif à 16 % seulement.

Parmi les États à dominante urbaine, les tests ne sont pas

significatifs. Le test du ratio de vraisemblance (lrchi2) n'est
pas calculé car toutes les cases du tableau doivent comporter au
moins une unité, ce qui n'est pas le cas ici. Mais il faut
immédiatement ajouter que, de toute façon, aucun de ces tests ne
permet de mesurer convenablement une association qui semble
au premier abord très forte: tous les États des régions Nord Est
et Centre Nord sont « actifs» alors qu'un tiers des États du Sud
et de l'Ouest ne le sont pas. C'est un paradoxe des tests
statistiques: ils ne permettent pas de mesurer par un degré de
significativité une différence signifiante entre une proportion de
o % et une proportion de 67 %, car aucun chiffre ne peut
multiplier 0 % pour donner 67 %. On peut voir avec cet
exemple, que même pour l'interprétation statistique, il est
nécessaire de passer par une évaluation qualitative des données.

L'option summarize (var) est une alternative au préfixe by

pour obtenir le croisement de trois variables, ou plutôt le résumé
d'une troisième variable dans les cases d'un tableau croisant
deux variables. Par exemple, si l'on veut obtenir la population
moyenne par États dans chacune des régions selon leur caractère
urbain ou rural, on exécutera:
. tabulate urbain region, summarize(pop) nostandard

Means and Frequencies of Population

Pop urbaine 1 Census region

sup a 75% 1 Nord Est Centre N Sud Ouest Total
-----------+--------------------------------------------+----------
Non 1 3605155.3 4312650.2 3580118.4 1524312.6 1 3402042.9
1 4 11 13 7 1 35
-----------+--------------------------------------------+----------
Oui 1 6942932.4 11426518 9397496.7 5417050.3 17122398.1
1 5 1 3 6 1 15
-----------+--------------------------------------------+----------
Total 1 5459475.9 4905472.5 4670876.8 3320960.8 1 4518149.4
1 9 12 16 13 1 50

On a ajouté l'option nostandard pour éviter le calcul des

écarts types (standard deviation). Pour afficher seulement les
102 L'essentiel de Stata

populations moyennes (sans les effectifs), on peut ajouter

l'option nofreq.

L'option swnmarize () n'est pas seulement utile pour les

variables continues, telles que les effectifs de population, les
revenus, etc. Elle est aussi utile pour résumer les variables
ordinales (voir exercice précédent) et aussi les variables
dichotomiques. En effet, il faut savoir que la moyenne d'une
variable dichotomique est une proportion. Par exemple, pour
connaître la proportion d'États à dominante active selon la
région et le caractère dominant urbain ou rural, on exécutera:
format actif %4.2f

tabulate urbain region, summarize(actif) nostandard nofreq

Means of Pop active sup a 60%

Pop urbaine 1 Census region

sup a 75% Nord Est
1 Centre N Sud Ouest 1 Total
-----------+--------------------------------------------+-------~--

Non 1 0.75 0.18 0.46 0.57 1 0.43

Oui 1 1.00 1.00 0.67 0.67 1 0.80
-----------+--------------------------------------------+----------
Total 1 0.89 0.25 0.50 0.62 1 0.54

On changé le format d'affichage de la variable actif pour

obtenir des proportions arrondies à deux chiffres après la
virgule. Notez que l'option swnmarize() ne permet pas le
calcul des tests statistiques réservés aux tableaux croisés à deux
variables.
On peut utiliser le préfixe by pour résumer une variable dans un
tableau croisant trois autres variables ou plus:
. by urbain: tabulate actif region, summarize(medage) nostandard nofreq

-> urbain= Non

Means of Median age

Pop active Census region

sup a 60% Nord Est Centre N Sud Ouest 1 Total
-----------+--------------------------------------------+----------
Non 1 30.40 29.52 29.23 28.00 1 29.24
Oui 1 30.53 29.35 29.35 28.30 1 29.31
-----------+--------------------------------------------+----------
Total 1 30.50 29.49 29.28 28.17 1 29.27
 Les statistiques simples et leur représentation graphique 103

-> urbain= Oui

Means of Median age

Pop active 1 Census region

sup a 60% Nord Est
1 Centre N Sud Ouest 1 Total
-----------+--------------------------------------------+----------
Non 1 34.70 26.70 1 29.37
Oui 1 31.82 29.90 29.25 29.28 1 30.38
-----------+---------------------------------------------+----------
Total 1 31.82 29.90 31.07 28.42 1 30.18

Notez que la moyenne des âges médians medage n'est pas

calculée pour les États à dominante urbaine et non active des
régions du Nord Est et du Centre Nord: aucun État ne présente
cette configuration-là comme nous l'avions déjà vu plus haut à
propos des tests de significativité.

Exécutez les commandes suivantes:

generate pcturb=popurban/pop

tabulate urbain actif, surnmarize(region)

tabulate actif region, summarize(pcturb)

Que signifie le résumé de la variable region ? Et le résumé de la

variable pcturb ? Quel est le sens du deuxième chiffre dans chaque case
du tableau?

6.1.4 Présentation complexe des résumés de variables

Vous trouvez certainement les résultats de la commande
tabulate .•• , summarize () peu présentables, surtout
avec le préfixe by. Vous avez raison, et c'est pourquoi Stata a
prévu la commande table pour résumer diverses statistiques
dans un seul tableau, même si ce tableau croise plus de deux
variables. On peut inscrire dans ce tableau non seulement les
effectifs, les moyennes et les écarts types, mais aussi d'autres
statistiques plus complexes comme les pourcentiles, les valeurs
minimum ou maximum, ou l'intervalle inter-quartile.
104 L'essentiel de Stata

La syntaxe de base de la commande table est:

table varligne [varcol [varsupercol] ]
,~ontents(stat [listevar] [stat [listevar] .. . ])
[ by(varsuperligne) row col scol !ormat(%fmt)
center !eft ~issing cellwidth(#) csepwidth(#)
scsepwidth(#) stubwidth(#) ]

Comme on le voit, la syntaxe est assez complexe (et encore,

nous n'avons mentionné que les options les plus utiles). Il est
plus facile de la comprendre à l'aide d'exemples. Ainsi, la
commande tabulate :
. by urbain: tabulate actif region, summarize(medage) nostandard nofreq
(voir tableau dans la section précédente)
... qui calcule la moyenne de l'âge médian medage des
populations de chaque État selon le caractère urbain ou actif et
l'appartenance à une région, a pour équivalent:
. table actif region, contents (mean rnedage) by(urbain) row col forrnat(%5.2f)
stubwidth(25)

--------------------------+-------------------------------------------------
Pop urbaine sup a 75% and 1 Census region
Pop active sup a 60% 1 Nord Est Centre N Sud Ouest Total
------------------- --+-------------------------------------------------

30.40 29.52 29.23 28.00 29.24

30.53 29.35 29.35 28.30 29.31

30.50 29.49 29.28 28.17 29.27

------------------------------------------

34.70 26.70 29.37

31.82 29.90 29.25 29.27 30.38

31.82 29.90 31.07 28.42 30.18

L'intitulé des lignes indique que la variable urbain a été

placée en «super-ligne» par l'option by (), au dessus de la
variable actif en ligne simple. Ainsi le Non et le Oui sur la
marge gauche correspondent à la variable urbain, tandis que le
Non et le Oui au dessus du Total correspondent à la variable
actif. On a utilisé l'option stubwidth( #) pour donner le
maximum de place à l'intitulé des lignes, soit 25 caractères.
Notez l'option contents () qui spécifie la statistique qui doit
figurer dans le tableau (me an) et la variable sur laquelle doit
Les statistiques simples et leur représentation graphique 105

porter le calcul (medage). Les statIstIques disponibles pour

l'option contents () de la commande table sont:
• freq: fréquences pondérées (= n var si les données ne sont
pas pondérées)
• mean var: moyenne de var
• sd var: écart type de var
• sum var: somme cumulée pondérée de var
• rawsum var: somme cumulée non pondérée de var
• n var: nombre d'observations pour lesquelles var est non
manquante (= count var)
• max var: maximum de var
• min var: minimum de var
• median var: médiane de var (= p50 var)
• p# var: pourcentile de var
#ème
(ex: p34 var, 34ème pourcentile de var)
• iqr var: intervalle interquartile de var
Les totaux pour la variable en ligne (var 1 i gne) sont obtenus
par l'option row et les totaux pour la variable en colonne
(varcol) par l'option col. Par ailleurs, l'option format{)
permet de définir le format d'affichage des statistiques, soit deux
chiffres après la décimale dans notre exemple.
On peut obtenir une présentation plus compacte en inversant les
lignes et les colonnes, si la variable urbain intervient en tant
que « super-colonne» (varsupercol) :
· table region actif urbain, contents(mean medage) row col center format(%5.2f)
cellw(6)

----------+-------------------------------------------------
1 Pop urbaine sup a 75% and Pop active sup a 60%
Census 1 - - - - - - - - - Non -------- --------- Oui --------
region 1 Non Oui Total Non Oui Total
----------+------------------------------~------------------

Nord Est 30.40 30.53 30.50 31.82 31.82

Centre N 29.52 29.35 29.49 29.90 29.90
Sud 29.23 29.35 29.28 34.70 29.25 31.07
Ouest 28.00 ~R_ln ?R 17 ~~.70 ~9.~7 ~8.~2

Total 29.24 29.31 29.27 29.37 30.38 30.18

----------+-------------------------------------------------
106 L'essentiel de Stata

Le tableau est en fait composé de deux petits tableaux croisant la

variable region (en ligne) et la variable actif (en colonne) :
le premier tableau (les trois premières colonnes) correspond à la
modalité Non de la variable urbain, tandis que le second (les
trois dernières colonnes) correspond à la modalité Oui.

Si l'on veut ajouter'les totaux selon la variable actif pour

chacune des régions, on ajoutera l'option scol (super-colonne) :
. table reg act urb, contents (mean medage} row col center format(%5,2f) scol

Un maximum de trois variables peut être spécifié par table, et

un maximum de quatre variables par l'option by ( ) . Au total, on
peut donc obtenir un tableau croisant au maximum sept
variables, sans compter les différents résumés statistiques
figurant à l'intérieur du tableau. Par exemple, on peut résumer
non seulement la moyenne de la variable medage mais aussi le
nombre d'États concernés et l'intervalle interquartile comme
mesure de dispersion:
. table region actif urbain, contents(n medage mean medage iqr medage) row col
center format(%5.2f) cellw(6}

Complétez les commandes suivantes avec les options adéquates

de manière à obtenir une présentation à la fois concise et lisible:
table actif region urbain, contents (median pcturb)

table urbain actif region, contents (median pcturb)

Dans ces tableaux, que signifie le résumé de la variable pcturb ?

Peut-on obtenir le même résultat avec tabulate ••• , sum () ?

Comment peut-on obtenir avec table un tableau indiquant la

proportion d'États à dominante active selon la région et le caractère
dominant urbain ou rural?
 Les statistiques simples et leur représentation graphique 107

6.2 Les pondérations et les extrapolations

Dans cette section, on distingue :

• les extrapolations à partir des données d'enquêtes, qui font

l'objet des commandes svy, et

• les pondérations qui peuvent être appliquées à n'importe quel

type de données, y compris les données d'enquêtes, grâce à
l'option [xweight] .

Pour évaluer la précision des estimations des moyennes, des

proportions, des ratios, des totaux et des coefficients de
régression, on doit tenir compte du plan de sondage (sampling
design). Ainsi, avant d'exécuter tout autre commande sur les
données d'une enquête, il est fortement recommandé de mesurer
la précision des estimations, avec les commandes svy. S'il n'y a
pas de plan de sondage (si les données ne proviennent pas d'une
enquête par sondage), les pondérations simples avec l'option
[xweight] suffisent.

6.2.1 L'option [.xweightJ

Toutes les commandes n'autorisent pas les pondérations, et tous

les types de pondérations ne sont pas forcément autorisés. Pour
ne pas alourdir l'exposé, nous n'avons pas mentionné les options
de pondérations pour chaque commande: le lecteur se référera
directement au manuel de Stata qui précise toujours dans la
description de chaque commande quels types de pondération
sont autorisés. Dans ce manuel, nous nous en tiendrons à un
descriptif simplifié (que nous avons appelé «de base ») pour
chaque commande.
Les pondérations sont introduites dans les commandes sous la
forme d'un suffixe entre crochets, généralement après la liste de
variables:
commande listevar [xweight=var] ...
108 L'essentiel de Stata

Quatre types de pondérations sont autorisés dans Stata :

• [fweight=var] (j'requency weight): chaque observation

dans le fichier représente plusieurs unités d'analyse ayant les
mêmes caractéristiques, et en conséquence, var doit contenir
des nombres entiers (si ce n'est pas le cas, Stata renvoie un
message d'erreur). Le total des pondérations est supérieur au
nombre d'observations dans le fichier et représente la
population totale auprès de laquelle les données ont été
recueillies.

• [~eight=var] (analytic weight): chaque observation

dans le fichier est pondérée relativement aux autres. Le total
des pondérations est toujours égal au nombre d'observations
dans le fichier: l'échelle de var n'est pas pertinente, seul
compte le poids relatif d'une observation par rapport aux
autres.

• [pweight=var] (probability or sampling weight) : chaque

observation est pondérée par l'inverse de la probabilité de
sondage: à la différence de fweight, var peut contenir des
nombres décimaux.

• [iweight=var] (importance weight): ce type de

pondération diffère de aweight seulement parce qu'il tient
compte de l'échelle de var, et de fweight parce qu'il n'est
pas restreint aux nombres entiers.

On peut se demander, à la lecture de ce qui précède, à quoi sert

fweight si pweight autorise les nombres décimaux, et à quoi
sert de distinguer iweight de pweight alors que tous les deux
tiennent compte de l'échelle des pondérations et qu'ils ne sont
pas restreints aux nombres entiers.

Pour bien comprendre la différence entre pweight et les autres

types de pondération, il faut se rappeler que pour un échantillon,
la pondération pweight représente le poids recherché pour
l'extrapolation et non pas le poids réel dans la population. Les
données ont été recueillies auprès d'un échantillon (qu'on espère
représentatif) et seulement sur cet échantillon: à chaque mesure
est associée une marge d'erreur qui dépend du plan de sondage.
Les statistiques simples et leur représentation graphique 109

Au contraire avec les pondérations fweight et iweight,

chaque observation est répliquée: plus la pondération est
importante plus la précision est grande parce qu'on suppose
alors que la mesure a été faite sur un nombre plus grand
d'observations. C'est le raisonnement inverse pour la
pondération pweight, où la précision est moins bonne lorsque
la pondération est importante.

Dans le cas de la pondération aweight, le nombre

d'observation n'est pas extrapolé. La différence avec une
estimation sans pondération est que chaque observation n'a pas
le même poids relativement aux autres observations. La
précision est calculée en fonction du poids relatif des
observations les unes par rapport aux autres.

Prenons le cas du calcul de la moyenne de medage dans les

données du Recensement des USA. Pour obtenir une moyenne
qui tienne compte du poids de chaque État, on utilisera la
variable pop. Mais il ne s'agit pas de données provenant d'un
échantillon: on n'a pas enquêté un individu par État. Chaque
observation dans le fichier représente en fait l'ensemble des
individus d'un État, pour lesquels on a calculé l'âge médian.
Dans ce cas, l'utilisation de pweight est exclue.

Les données ne représentent pas cependant des individus

répliqués: l'âge varie d'un individu à l'autre au sein d'un même
État. La variable medage est un indice de valeur centrale calculé
sur la distribution des âges des individus de chaque État. En
conséquence, on ne doit pas non plus utiliser fweight (ou
iweight) pour le calcul de la moyenne de medage.

li ne reste plus que aweight. Ce type de pondération tient

compte du fait que chaque observation est le résumé d'une
distribution particulière. On sait que la distribution des âges est
différente d'un État à l'autre, mais on ne connaît pas l'allure de
ces distributions. Dans le jargon statistique, on parle
d' hétéroscédasticité quand la variance n'est pas la même d'une
observation à l'autre. Dans ce cas, aweight fait l'hypothèse que
le résumé des distributions est plus précis quand il est calculé
sur une population plus importante: le calcul de la variance tient
compte du poids de chaque observation.
110 L'essentiel de Stata

Mais voyons le résultat de ces différentes pondérations sur la

moyenne de medage. Tout d'abord, les résultats sans
pondération sont les suivants:
table urbain region , contents (freq mean medage sd medage) col format(%5.2f)

----------+-------------------------------------------------
Pop 1

urbaine 1 Census region

sup a 75% 1 Nord Est Centre N Sud Ouest Total
----------+-------------------------------------------------
Non 4 11 13 7 35
30.50 29.49 29.28 28.17 29.27
1.15 0.72 1. 03 1. 52 1. 22

Oui 5 1 3 6 15
31.82 29.90 31. 07 28.42 30.18
0.38 3.32 2.18 2.40
----------+-------------------------------------------------

Ces résultats non pondérés présentent le nombre d'États (freq),

la moyenne des âges médians (mean medage) et l'écart type de
ces âges (sd medage). Chaque observation dans le fichier vaut
pour elle-même, comme si elle ne représentait qu'un individu.
Tous les États ont le même poids, quel que soit l'effectif réel de
leur population. On remarque que l'écart type ne peut être
calculé pour le seul État à dominante urbaine de la région Centre
Nord.
Si l'on pondère selon le poids de chaque État avec l'option
fweight, on obtient:
table urbain region [fw=pop], contents (freq mean medage sd medage) col
format (%5 .2f)

----------+-------------------------------------------------
Pop 1

urbalne 1 Census region

sup a 75% Nord Est Centre N
1 Sud Ouest Total
----------+-------------------------------------------------
Non 1.44e+07 4.74e+07 4.65e+07 1.07e+07 1.1ge+08
31.74 29.57 29.22 29.09 29.65
0.78 0.64 0.94 1. 25 1.16

Oui 3.47e+07 1.14e+07 2.82e+07 3.25e+07 1.07e+08

31.85 29.90 30.76 29.43 30.62
0.31 0.00 2.95 1. 23 1. 94
----------+-------------------------------------------------

La somme de la population des États figure dans chaque case du

tableau (soit par exemple un total de 14,4 millions d'habitants
dans les quatre États à dominante rurale de la région Nord Est).
Les moyennes et les écarts types sont très différents de ce qu'on
obtenait sans pondération, car le poids de chaque État dépend de
l'effectif de sa population.
Les statistiques simples et leur représentation graphique III

Pour obtenir des écarts types qui tiennent compte de la précision

de l'estimateur de la moyenne, on préférera l'option aweight
qui tient compte du poids de la population pour calculer non
seulement la moyenne mais aussi l'écart type :
. table urbain region [aw=pop], contents (freq mean medage sd medage) col
format (%5. 2f)

----------+-------------------------------------------------
Pop 1

urbaine 1 Census region

sup a 75% 1 Nord Est Centre N Sud Ouest Total
----------+-------------------------------------------------
Non 3.19 10.50 10.30 2.36 26.35
31.74 29.57 29.22 29.09 29.65
0.94 0.67 0.99 1. 64 1.19

Oui 7.68 2.53 6.24 7.19 23.65

31.85 29.90 30.76 29.43 30.62
0.34 0.00 3.22 1. 32 1. 98
----------+-------------------------------------------------

Les fréquences ne représentent plus la population totale, mais le

poids relatif des groupes d'États parmi les 50 États qui forment
le fichier. La moyenne est la même qu'avec l'option fweight :
on a bien tenu compte du poids relatif de chaque État. Mais les
estimations des écarts types différent sensiblement: elles sont
toujours plus élevées surtout quand la catégorie concernée
comporte de petits États. L'écart type a ainsi augmenté de plus
de 20 % dans les États à dominante rurale de la région Nord Est,
contre moins de 10 % dans les États plus peuplés à dominante
urbaine de la même région. Le phénomène est encore plus
accentué dans la région Ouest où les sept États à dominante
rurale sont très petits (1,5 millions en moyenne, contre 5,4
millions dans les États à dominante urbaine de la même région).

Exécutez les commandes suivantes (notez la pondération) :

gen pop2=pop+.5

table region [fw=pop2], contents (freq mean medage) format(%5.2f)

table region [fw=pop], contents (freq mean medage) format(%5.2f)

table region [pw=pop], contents (freq mean medage) format(%5.2f)

table region [pw=pop2], contents (freq mean medage) format(%5.2f)

Comment expliquer les différences ou l'absence de différences entre les

résultats? Peut-on dans tous les cas calculer l'écart type (sd medage) ?
(voir section suivante)
112 L'essentiel de Stata

6.2.2 Les commandes svy pour les données d'enquêtes

Nous ne traiterons ici que des commandes svy pour l'estimation
des moyennes, proportions, ratios et sommes, car elles
complètent utilement les commandes tabulate et table. Les
mêmes principes valent pour les autres commandes svy que
nous ne traiterons pas ici et qui estiment les coefficients de
régression pour des données d'enquêtes, en tenant compte du
plan de sondage: svyreg (régressions simples), svylogit
(régressions logit) et svyprobt (régressions probit).

L'option pweight ne peut tenir compte des subtilités du

sondage: elle pondère simplement les observations par l'inverse
de la probabilité de sondage. Les commandes svy font plus que
cela: elles tiennent compte de la stratification et du sondage à
plusieurs degrés des grappes (multi-stage cluster sampling).

Supposons que les données de « [Link] » ne soient pas issues

d'un recensement, mais d'une (mauvaise) enquête, où quelques
individus auraient été tirés dans deux unités primaires par
région. Pour calculer la moyenne des âges (c'est-à-dire la
moyenne de medage interprétée ici comme l'âge de chaque
individu), on pourra définir les régions comme des strates. Pour
chacune de ces strates, on supposera qu'on a tiré au premier
degré des individus dans une unité primaire d'un État à
dominante urbaine et dans une unité primaire d'un État à
dominante rurale. Dans chaque unité primaire, on aurait ensuite
tiré aléatoirement au second degré un nombre variable
d'individus (de 1 à 13).

Quel que soit le nombre de degrés de sondage, la variance des

estimations est basée uniquement sur le premier degré, et
autorise toute sorte de corrélation (ou effets de grappe) aux
degrés inférieurs. Ainsi pour ses calculs, Stata n'a besoin que
des variables définissant les strates et les unités primaires de
sondage (primary sampling units) c'est-à-dire les grappes au
premier degré de sondage, en plus, bien entendu, de l'inverse de
la probabilité de sondage (c'est-à-dire pweight). On peut
ensuite calculer la moyenne :
 Les statistiques simples et leur représentation graphique 113

svyset strata region

svyset psu urbain

svyset pweight pop

svymean medage

Survey mean estimation

pweight: pop Number of obs 50

Strata: region Number of strata 4
PSU: urbain Number of PSUs 8
Population size 2.25ge+08

Mean 1 Estimate Std. Err. [95% Conf. Interval] Deff

---------+--------------------------------------------------------------------
medage 1 30.11047 .3317936 29.18927 31.03168 1.975249

On ne doit pas confondre l'erreur type (standard error: Std.

Err.) de l'estimation par sondage qui figure dans ce tableau,
avec l'écart type (standard deviation: Std. Dev.) de la
distribution de la variable medage fourni par les commandes
table ou swmnarize.

On aurait pu tout aussi bien définir les strates, les unités

primaires et les pondérations à l'aide d'options:
1. svymean medage [pw=pop], strata(region) psu (urbain)

L'avantage de les définir à l'avance par la commande svyset

est que ces paramètres sont conservés en mémoire lors de la
prochaine sauvegarde du fichier:
1. save, replace
Par ailleurs, si tous les individus avaient été enquêtés dans
chaque unité primaire, on aurait affaire à un sondage à un seul
degré (one stage sampling). Dans le cas d'un tirage à un degré
sans remise, on doit introduire un facteur de correction (fpc :
finite population correction) en indiquant la variable qui
comporte dans chaque strate le nombre d'unités primaires parmi
lesquelles on a tiré les unités primaires échantillons. Par
exemple, en supposant que toutes les unités primaires ont la
même taille (égale au nombre d'individus enquêtés dans chaque
strate), on aura:
egen nbpsu=mean(pop) , by(region)

svyset fpc nbpsu

114 L'essentiel de Stata

. svymean medage

Survey mean estimation

pweight: pop Number of obs 50

Strata: region Number of strata 4
PSU: urbain Number of PSUs 8
FPC: nbpsu Population size 2.25ge+08

Mean 1 Estimate Std. Err. [95% Conf. Interval] Deff

---------+--------------------------------------------------------------------
medage 130.11047 .3317935 29.18927 31.03168 1.975249

Finite population correction (FPC) assumes simple random sampling without

replacement of PSUs within each stratum with no subsampling within PSUs.

La correction n'a pratiquement aucun effet parce que le nombre

de personnes enquêtées dans notre exemple est infime par
rapport au nombre de personnes dans chaque strate: dans ce cas
extrême, un tirage avec remise a pratiquement le même résultat
qu'un tirage sans remise (without replacement). Dans le monde
réel, cependant, la différence de précision peut être très
importante: sans remise, le tirage fournit des estimations plus
précises.
Mais ce type de correction ne doit jamais être utilisé pour les
tirages à plusieurs degré (multistage sampling), même sans
remise. Il n'est autorisé que pour les tirages à un degré comme
l'indique le commentaire en note du tableau (with no
subsampling within PSUs), ce qui en fait limite son usage étant
donné que la plupart des sondages se font à plusieurs degrés.

Exécutez les commandes suivantes pour obtenir la moyenne par

région:
table region [pw=pop], contents (freq mean medage)

svymean medage, by(region)

Comparez les résultats avec et sans stratification par région:

svymean medage

svyset strate, clear

svymean medage

svymean medage, by(region)

Comment expliquez-vous les différences d'intervalles de confiance ?

 Les statistiques simples et leur représentation graphique 115

6.2.3 Récapitulatif sur les pondérations

Le choix du type de pondération dépend du type de données dont
on dispose, et des statistiques que l'on veut obtenir. Pour vous
aider à choisir la commande adéquate, reportez-vous au tableau
page suivante qui fait la synthèse des sections précédentes.

On remarque que la commande table calcule les pourcentiles

et les intervalles inter-quartiles alors que l'option sum () de la
commande tabulate ne peut fournir que la moyenne et l'écart
type.
Par contre, la commande table ne peut fournir directement une
distribution à partir d'une variable polytomique comme
tabulate. li faut d'abord créer une série de variables
dichotomiques avant d'en faire le résumé par contents (). Par
exemple, dans une enquête, si age désigne le groupe d'âges en
cinq catégories, on pourra obtenir la distribution par groupe
d'âges selon le milieu et la région en créant d'abord une variable
dichotomique pour chaque âge (voir le chapitre Création et
correction de variables) :
. tabulate age, generate(age_)

. table urbain region [pw=pop], contents (mean age_l mean age_2 mean age_3 mean
age_4 mean age_S)

Par ailleurs, l'estimation des indices de dispersion (écart type,

intervalle inter-quartile...) et leur degré de précision (erreur type,
intervalle de confiance) ne peuvent être obtenus à l'aide des
procédures svy pour les données d'enquêtes. li ne s'agit pas
d'une insuffisance du logiciel: seules des procédures
particulières (de type bootstrapping) peuvent fournir de tels
indices car il n'y a pas de solution mathématique pour mesurer
leur précision. L'explication de ces procédures nous mènerait
bien au-delà du champ couvert par ce manuel. Le lecteur
intéressé se reportera à la référence [R] bstrap dans le manuel
de Stata.
116 L'essentiel de Stata

Type de Exemples de Données non Données d'enquêtes

statistique statistiques échantillonnées par sondage

Distribution - Population totale

absolue - Distribution par svytotal
(décompte des groupes d'âges
individus) - Population par tabulate [f/a/iw] tabulate [fw]
milieu
table [f/a/iw] table [f/i/pw]

Distribution - Proportions par

relative groupes d'âges tabulate [f/a/iw] svyprop
(proportions) - Proportions par
milieu ( cons trui re (construire
- Pourcentiles des variables variables
dichotomiques :) dichotomiques :)
revenus
table [f/a/iw] table [pw]

Indice de - Revenu moyen

valeur centrale - Âge médian * tabulate svymean
- Part de la [f/a/iw]
population urbaine table [pw]
table [f/a/iw]

Indice de - Écart type de

dispersion l'âge * tabulate
- Intervalle inter- [f/a/iw]
quartile des table [f/iw]
revenus table [f/a/iw]

Somme - Revenu total

- Population svytotal
urbaine
- Beurre table [f/a/iw] table [pw]
consommé

Ratio - Part du revenu du

capital sur le (pas de procédure svyratio
revenu total spécifique)
- Rapport entre le
cholestérol et le
beurre consommé

* Pour obtenir des indices de valeur centrale et de dispersion

avec tabulate, utilisez l'option sum().
 Les statistiques simples et leur représentation graphique 117

6.3 Les graphiques

Tout comme les tableaux, les graphiques peuvent être univariés,
bivariés ou multivariés. Mais ils ont l'avantage sur les tableaux
qu'ils peuvent rendre compte plus facilement des variables
continues, alors que les tableaux se limitent généralement aux
variables discrètes (ou ordonnées) pour un nombre réduit de
catégories.

Pour ce qui concerne les options communes à tous les types de

graphiques, la syntaxe de base de la commande graph est:
graph [listevar]
[, options spécifiques au type de graphique
by(nornvar) total
x/y/r/tlabel x/y/r/ttick x/y/r/tline
x/y/rscale y/x/rlog
symbol(s .. s) connect(c .. c)
saving(nomfichier, [replace))

Les options communes concernent essentiellement la mise en

forme du graphique: libellés (label), graduations (tick) , lignes
(line) , échelle des axes (scale, log), symboles (symbol) , liaison
des points (connect). Nous n'avons fait figurer ici que les
options les plus courantes. Pour une description des options
avancées pour les titres, la taille des caractères, l'épaisseur des
traits et les couleurs, voir les exemples qui sont donnés dans le
manuel de référence aux entrées graph titles, graph textsize,
graph pens, graph shading.
Les options spécifiques au type de graphique sont décrites dans
les sections suivantes, ainsi que les commandes spécifiques qui
s'apparentent à la commande graph.
118 L'essentiel de Stata

6.3.1 Graphiques de répartition discrète: histogrammes, barres,

camemberts et étoiles
La commande graph produit par défaut un histogramme
lorsqu'une seule variable figure dans la liste des variables.
Certaines options sont spécifiques aux histogrammes:
graph var
[, bin( #) freq Rescale by(listevar)]

Le nombre d'intervalles par défaut est 5, et peut être changé

pour une valeur maximum de 50. L'échelle des ordonnées est
définie par défaut en pourcentage et l'option freq permet
d'indiquer plutôt la fréquence. Ainsi, pour représenter le nombre
d'États par région des USA, on aura:
graph region, bin(4) freq ylab(1,2,3,4,5,6,7,8,9,lO,11,12,13,14,15,16)
16
15
14
13
12
11
10
9
quenc
8
7
6
5
4

Census

Un tel graphique n'est pas d'un très grand intérêt, surtout que
l'on ne voit pas apparaître le nom de toutes les régions. Une
alternative plus esthétique à la commande graph pour les
histogrammes de variable discrète est la commande hist. Sa
syntaxe est la même à la différence près que l'option bin () est
inutile parce qu'automatiquement définie par le nombre de
catégories de la variable décrite (remarquez les libellés de la
variable region qui apparaissent sur l'axe des abscisses) :
Les statistiques simples et leur représentation graphique 119

hist region, freq ylab(1,2,3,4,5,6,7,8,9,lO,11,12,13,14,15,16)

16
15
14
13
12
11
10
9
quenc 8
7
6
5
4
3

Census

Le graphique a sans doute plus d'intérêt si l'on croise deux

variables discrètes avec l'option by () après avoir trié le fichier
selon la variable spécifiée (voir le chapitre Création et
correction de variables pour la création de la variable urbain) :
sort region

hist urbain, by(region) freq ylab(1,2,3,4,5,6,7,8,9,lO,11,12,13)

Nord Centre

13
12
11
10
9
B
7
6
,
5

3
2
l

quenc
Sud Ouest
13
12
11
10
9
8
7
6
,5
3
2
l
~ - - -------,--- - - - ~ ­

Non OUl Om

Pop Urbalne SUp

Histograrns by Census region

Le graphique aura une meilleure allure si l'on utilise l'option

bar après avoir créé une variable pour chaque modalité de la
variable dépendante:
120 L'essentiel de Stata

gen nonurb=urbain==O

lab var nonurb "POP urbaine inf a 75%"

graph nonurb urbain, bar by(region) ylab(1,2,3,4,S,6,7,8,9,10,11,12,13)

.. Pop urbaine inf a 75% .. Pop urbaine sup a 75%
13
12

11

10

On peut ainsi spécifier jusqu'à six barres au maximum. La

hauteur des barres peut être calculée en proportion pour chaque
catégorie de la variable de contrôle avec l'option means :
graph nonurb urbain, bar by(region) means ylab(O, .25, .5, .75,1)
.. Pop urbaine inf a 75% Pop urbaine sup a 75%

.75

.5

.25

Pour représenter chacune des catégories empilées les unes sur

les autres, on utilise l'option stack :
Les statistiques simples et leur représentation graphique 121

. graph nonurb urbain, by(region) ylab(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16)

bar stacl<
• Pop urbaine inf a 75% P0r> urbaine sup a 75%
16
15
14
13
12
11
10
9
8

Nord Est Centre N Sud Ouest

L'option means ne peut être combinée avec stack pour obtenir

une distribution pourcentuelle. Cependant l'inconvénient peut
être contourné en pondérant chacune des observations par
l'inverse du poids de la catégorie de la variable de contrôle à
laquelle elles appartiennent (voir chapitre Création et correction
de variable pour plus de précision sur la commande egen) :
egen pondreg=count(region), by(region)

replace pondreg=l/pondreg

graph nonurb urbain [fw=pondreg), bar by(region) stacl< ylab(O, .25, .5, .75,1)
• Pop urbaine inf a 75% iii P0r> urbaine sup a 75%

.75

.5

.25

o Centre N Sud Ouest

122 L'essentiel de Stata

De cette façon, on attribue un poids de 1/9 aux 9 États du Nord

Est, de 1112 aux 12 États de Centre Nord, etc.

La répartition relative (ou pourcentuelle) est obtenue plus

simplement avec les fameux camemberts (pie chart) à l'aide de
l'option pie:
graph nonurb urbain, pie by(region)
Nord Est Centre N
Il 70% Pop urbaine inf a 7
-30% Pop urbaine sup a 7

Sud Ouest

Remarquez que le graphique indique la répartition dans chaque

catégorie nonurb et urbain pour l'ensemble des États, mais
pas pour chaque région. Les barres sont plus infonnatives car on
peut plus facilement voir le pourcentage de chaque catégorie sur
l'échelle des ordonnées. En outre, on ne peut tracer des
camemberts proportionnellement à la taille de chaque catégorie
de la variable de contrôle (par exemple region).

Un autre type de graphique, rarement utilisé, est utile pour

repérer les observations extrêmes ou aberrantes (celles qui
s'éloignent le plus du comportement moyen). Le graphique en
étoile (star chart) décrit pour chaque observation une série de
variables ou de modalités d'une même variable. Par exemple,
pour repérer les États qui ont une distribution par groupe d'âges
particulière, on exécutera:
Les statistiques simples et leur représentation graphique 123

gen petlt5=poplt5/pop

gen pet5_17=pop5_17/pop

gen pet18p=pop18p/pop

graph petlt5 pet5_17 pet18p, star label (state)

C) petltS
6 ~ 8 ~ p p /> ~
o petS_17
o petl8p
/
/
/
~ 8 ~ h ~ D ,db
1I4,ylo"d

~ ~ ~ ~ ~ ~ b ~
Hovllaj>o"ro

p A L3. ~ ..0- p ~ ~

~ ~ ~ ..0- ,db ~ ~ ~

~ ~ ~ l\ .é3 ~ b P

~ ~

Le centre de chaque étoile représente la valeur mInImUm de

chaque catégorie, et la longueur de chaque trait est
proportionnelle à la valeur relative de chaque catégorie.
L'orientation de chaque trait correspond à une catégorie, tel
qu'indiqué en haut à droite du graphique.

Ce graphique est, il est vrai, difficilement lisible étant donné le

nombre d'observations. Pour faire des graphiques séparés pour
chaque région, et mieux voir ainsi les États concernés, on doit
trier le fichier selon la région et utiliser l'option select (#, #)
sort region

graph petlt5 pet5_ 17 pet18p, star label(state) seleet(1,9)

(graphique omis)
graph petlt5 pet5_17 pet18p, star label (state) select (l0, 21)
(graphique omis)
graph petlt5 pet5_ 17 pet18p, star label (state) seleet(22,37)
(graphique omis)
graph petlt5 pet5_17 pet18p, star label (state) seleet(38,50)
(graphique omis)
124 L'essentiel de Stata

On peut voir ainsi que les États de l'Utah et de Floride ont

vraiment une structure très différente de la moyenne, au
contraire de l'État du Wyoming (dont les branches de l'étoile
sont de longueur presque égale).

Exécutez les commandes suivantes pour comprendre

l'option Rescale de la commande hist :
hlst urbain, by(region)

hist urbaln, by(reglon) Rescale

hist urbain, by(region) freq Rescale

Quelle est la différence d'échelle entre les graphiques? Pourquoi le

deuxième et le troisième graphiques ont-ils la même allure, bien que
l'échelle ne soit pas exprimée dans la même unité?

Calculez à l'aide de egen une variable de pondération pour les deux

catégories d'États à dominante active et non active. Faites ensuite un
graphique en barres empilées de la répartition pourcentuelle selon le
caractère urbain des États et un autre graphique selon leur
appartenance à l'une ou l'autre des régions.

Faites des graphiques en barres empilées de la répartition absolue de

la population par groupe d'âges pour chaque État regroupés par
région. Faites les mêmes graphiques pour la répartition relative et
comparez-les avec les graphiques en étoiles correspondant.
Pouvez-vous discerner de la même façon les États aux structures
extrêmes?

Après avoir trié le fichier par région, comparez les deux graphiques:
graph pctlt5 pct5_17 pct18p, star label (state) select(1,9)

graph pctlt5 pct5_17 pct18p if region==l, star label (state)

Pourquoi les résultats sont-ils différents ? Que représente le point

minimum (le centre de l'étoile) dans chacun des cas?
 Les statistiques simples et leur représentation graphique 125

6.3.2 Graphiques de distribution univariée et ajustement des

courbes
Il faut bien admettre que la distribution d'une variable discrète
est assez peu informative, et que, dans ce cas, un simple tableau
de fréquence suffit. En revanche, pour les variables continues ou
ordonnées, plusieurs types de graphiques sont possibles avec la
commande graph.

[Link] Les histogrammes et les boîtes

Les histogrammes sont obtenus de la même façon qu'avec les
variables discrètes, mais on peut y ajouter l'option normal.
Ainsi, pour représenter la distribution de l'âge médian dans
chaque État, on aura :
graph medage, bin(SO) normal

0.12 i

24.20 34 70
Median age

L'option normal permet de confronter la distribution empirique

avec la distribution normale de même moyenne et de même écart
type. D'après le graphique, il semble que la distribution de l'âge
médian suive très approximativement une loi normale.

D'autres types de graphiques permettent de bien VOIr la

distribution d'une variable continue:
graph var
[,oneway jitter(#) box Rescale by(listevar)]
126 L'essentiel de Stata

On peut, par exemple, comparer la distribution de l'âge médian

selon la région :
graph medage, oneway by(region)

1 1 1 IIII,!
24.20 Nord Est, Medlan age 34.70

! Il Il 1111 1
24.20 Centre N, Median age 34.70

: . 1 .! 1 Il 1
24.20 Sud, Median age 34.70

1 1 1 Il Il 1
24.20 Ouest, Medlan age 34.70

L'option oneway représente chaque observation (ici, un État)

par un trait le long de l'axe des abscisses représentant l'âge
médian.

L'option box crée une «boîte» qui représente l'intervalle

interquartile (voir la commande swmnarize expliquée dans la
section précédante), dans laquelle un trait figure la médiane. Les
« moustaches» (wiskers) de chaque côté de la boîte représentent
l'extension de la distribution jusqu'aux observations de chaque
côté de la boîte qui se situent à plus ou moins 1,5 fois
l'intervalle interquartiles. Les points qui se situent hors de ces
limites sont considérés comme «extrêmes» ou «aberrants»
(outside values, outliers) par rapport au reste de la distribution:
Les statistiques simples et leur représentation graphique 127

graph medage, box by(region)

t~ 1 Medl an age
34.7

-=--
1
l L --=r:=
-rI
1
1

~- [
J=-
1

1
1

24.2
Nord Est Centre N Sud Ouest

Les deux options oneway et box peuvent être combinées sur un

seul graphique:
. graph medage, box oneway by(region)

c--r-~-li-'

1 1 1 1 11111
24.20 Nord Est, Median age 34.70

--C:--ll --- 1

1 Il Il 1111 1
24.20 Centre N, Median age 34.70

e---I - - 1 ~

1 1 Il 1 Il : 1 1 il 1 1

24.20 Sud, Medlan age 34.70

f-- -------{- --==r ~

1 1 1 Il Il Il Il i
24.20 Ouest, Median age 34.70
128 L'essentiel de Stata

On voit bien que la distribution de l'âge médian est très

différente selon les régions. Les âges médians sont
particulièrement dispersés dans la région Ouest, alors que les
distributions apparaissent plus homogènes dans les autres
régions. Cependant, dans la région Sud, on voit clairement un
État pour lequel l'âge médian est extrême (à 34,7 ans).

Les boîtes sont un bon moyen de représenter synthétiquement la

distribution d'une variable, et d'identifier les valeurs extrêmes
ou aberrantes. En revanche, elles « écrasent» les irrégularités de
la distribution (les différentes valeurs modales en particulier).
L'histogramme représente mieux ces irrégularités, mais cela
peut devenir un inconvénient lorsque le nombre d'observations
est trop important: l'arbre cache la forêt, le détail cache l'allure
générale de la distribution.

[Link] Le lissage des histogrammes

Il existe des techniques de lissage qui permettent justement de
faire un compromis entre l'exigence de précision et l'exigence
de généralisation. Dans un histogramme, la variable est divisée
en un certain nombre d'intervalles équidistants et distincts
(spécifiée par l'option bin() de la commande graph, soit 50
intervalles au maximum), et chaque intervalle est représenté par
une barre verticale proportionnelle au nombre d'observations
appartenant à cet intervalle. Le lissage consiste à construire des
densités moyennes à partir de plusieurs éléments voisins dans
des intervalles qui se chevauchent (à la différence de
l'histogramme), et de relier ensuite ces densités moyennes pour
représenter sous forme de courbe l'ensemble de la distribution.
On appelle ce type de lissage une densité de kernel et la
commande de base s'écrit :

kdensi ty var ,
[generate(varx vardensity) width(#)
biweight/cosine/epan/gauss/
parzen/rectangle/triangle
normal at (varx) ]
Les statistiques simples et leur représentation graphique 129

L'allure de la courbe dépend de l'intervalle qui servira à calculer

chaque point de la densité de kemel : on appelle cet intervalle
une fenêtre (window). Un calcul savant optimise la largeur de
cette fenêtre en fonction du nombre d'éléments et des valeurs
minimum et maximum de la distribution. On peut cependant
. forcer une largeur avec l'option width ( #) où # représente la
largeur voulue (voir exercices).

Par ailleurs, chaque point de la courbe est une moyenne des

observations empiriques pondérée en fonction de leur
éloignement du point central de l'intervalle. Les différentes
fonctions de lissage attribuent des pondérations différentes à
chacune des observations autour du point central: elles sont
spécifiées par les options biweight à triangle, l'option par
défaut étant epan.

Ainsi, pour établir la densité de kemel de la variable medage, on

exécutera:
kdenslty medage, normal

.076617

... ....... ,.

1
23.7424 35.1576
Median age
Kernel Density Estirnate

La courbe de densité de kemel est indiquée par des petits

cercles, tandis que l'option normal trace une courbe en trait
continu. L'option epan par défaut a tendance à lisser un peu
trop la distribution, de sorte que les différents modes
disparaissent et que la densité de kemel apparaît suivre une loi
(presque) normale. Mais pour la variable medage, les autres
130 L'essentiel de Stata

options rendent mieux compte des irrégularités de la

distribution, en particulier le mode autour de la valeur 32 (que
nous avons représenté par un trait vertical) :
kdensity medage, biweight xline(32)

.10886

S
ri
UJ
C
(j)
o

/
!

o ~ ,
23.7424 35.1576
Median age
Kernel Density Estimate

La distribution apparaît maintenant plus irrégulière, et bimodale

(si ce n'est multimodale).

Le résultat du lissage peut être conservé dans une nouvelle

variable, ce qui est notamment utile pour comparer le résultat du
lissage pour différentes catégories d'observations. La procédure
est un peu complexe, mais elle vaut un petit effort d'attention.
Ainsi pour comparer les distributions de medage par region,
on aura:
(pour créer une variable indiquant les points pour lesquels la densité est calculée,
ainsi qu'une variable contenant la valeur de la densité)
· kdensity medage, nograph gen(pOlnt fpoint) biweight
(pour créer une variable contenant la valeur de la densité pour la région Nord Est)
· kdensity medage if region==l, nograph gen(NE) at(pointl biweight
(pour créer une variable contenant la valeur de la densité pour la région Centre Nord)
· kdensity medage if region==2, nograph gen(CN) at(pointl biweight
(pour créer une variable contenant la valeur de la densité pour la région Sud)
· kdensity medage if region==3, nograph gen(SUD) at(point) biweight
(pour créer une variable contenant la valeur de la densité pour la région Ouest)
kdensity medage if region==4, nograph gen(OUEST) at(point) biwelght
label var NE "Nord Est"
label var CN "Centre Nord"
label var SUD "Sud"
label var OUEST "Ouest "
Les statistiques simples et leur représentation graphique 131

(pour tracer sur un même graphique les courbes des quatre régions)
graph NE eN SUD OUEST point, c(llll) xline(32)
" Nord Est _ Centre Nord
[1Sud Ouest

.173717

Il rI
rt! 1 \

!
!

,b.. . ~~:_~") ,__ LL_"..{il" 8~

23 7424
Median age
y_
35.1576

Sur ce graphique (plus lisible à l'écran en couleur que sur papier

en noir et blanc), on voit clairement que le mode à 32 ans est dû
exclusivement à la région Nord Est dont les âges médians sont
plus élevés que la moyenne des autres régions.

On pourrait être tenté d'utiliser l'option by (var) de la commande

graph pour produire une densité de kernel pour chaque catégorie
de var:
. kdensity medage, biweight by(region)

Cette méthode est absolument à proscrire, bien que cela ne soit pas
explicité dans le manuel de Stata : vous pouvez vérifier que le
graphique qui s'affiche à l'écran est totalement contradictoire avec le
résultat obtenu avec la procédure décrite ci-dessus.
132 L'essentiel de Stata

6.3.2.-3 Diagnostics graphiques de symétrie et de conformité à la loi

normale·
Il existe plusieurs méthodes de diagnostic graphique pour
évaluer la symétrie d'une distribution ainsi que sa conformité à
la loi normale. Ces méthodes sont répertoriées sous le terme de
Distributional diagnostic plots (entrée diagplot dans le manuel
de Stata).

Un moyen de vérifier la symétrie d'une distribution est de

comparer la différence entre la valeur médiane pour l'ensemble
de la distribution et la valeur moyenne entre chaque paire
d'observations constituées par les observations de rang opposé:
par exemple on compare la médiane de medage avec la
moyenne de medage pour l'observation de rang 1 et celle de
rang N (soit 50), puis avec la moyenne de medage pour
l'observation de rang 2 et celle de rang N-I, etc. Si la
distribution était parfaitement symétrique, la moyenne pour
chaque paire serait toujours égale à la médiane pour l'ensemble
des observations. On obtient ainsi un graphique représentant la
distance entre la médiane et la moyenne de chaque paire
d'observations:
symplot medage
Median age

5. 55 ~

"'"
ri
'd
QJ
Ei
QJ
0-
o
-"
'"

. 049999 i
T-- -,--
.049999 5.55
Distance below median
Les statistiques simples et leur représentation graphique 133

Lorsque les points se situent au dessus de la ligne de symétrie, la

distribution est dissymétrique vers la droite (skewed to the
right). Dans le cas de medage, le graphique indique une
tendance dissymétrique à gauche.

Cependant, ce diagnostic ne semble pas être confirmé par une

autre méthode, qui reporte la valeur x de medage pour chaque
observation (axe des ordonnées) contre la fraction
d'observations (axe des abscisses) dont les valeurs sont
inférieures à x :
quantlle medage

34 7

(j)

'"'"
"'"
-ri
'0
1

(j)
~
"-'
0
J
Ul
(j)
ri
-ri
'-'
"'""
0

24.2
1 , 1

.25 .5 .75
Fraction of the data

Dans ce graphique, les points se trouvent aussi bien au dessus

qu'en dessous de la droite de référence. Cependant, cette droite
joint les observations extrêmes, et ne rend pas bien compte
d'une éventuelle dissymétrie par rapport à la médiane. Une
astuce peut consister à éliminer les points extrêmes, qui ne
s'alignent pas sur l'ensemble des points, pour mieux indiquer la
dissymétrie:
134 L'essentiel de Stata

quantile medage if medage>26.2 & medage<34

32.2'1

4-'
o
<Il
Q)
ri
-ri
D

~
~
a

27.1
------,---- --,---
.25 _5 .75
Fraction of the data

Un autre type de diagnostic consiste à confronter la distribution

avec la loi normale. On a déjà vu que l'option normal de la
commande graph superpose sur un histogramme une courbe
normale de même moyenne et de même écart type que la
distribution empirique. C'est la plupart du temps amplement
suffisant mais on peut améliorer le diagnostic en comparant les
quantiles des deux distributions (empirique et normale) :
qnorm medage, grid
(Grid hnes are 5, 10, 25, 50, 75. 90, and 95 percentiles)

34.70

32.10

Q)
01
'Il
29.75
~
ri
'0
Q)
:>:

27.10

24.20
--,----- ----,
33.03
Inverse Normal
Les statistiques simples et leur représentation graphique 135

Les lignes verticales indiquent les quantiles de la distribution

normale, et les chiffres en haut du graphique le 1er décile
(26.75), la médiane (29.54) et le 9 ème décile (32.33)
correspondant à cette loi normale. Les lignes horizontales et les
chiffres à droite du graphique représentent les quantiles de la
distribution empirique. Ce graphique, mieux que le précédent,
indique une relative symétrie (les quantiles sont répartis à peu
près à égale distance de la médiane) et une bonne concordance
avec la distribution normale (les points s'alignent assez bien sur
la droite de référence, hormis les observations extrêmes).

Le même type de graphique peut être obtenu en confrontant la

distribution empirique avec la distribution normale standardisée
correspondante (c'est-à-dire transformée pour que sa moyenne
soit égale à 0 et son écart type à 1) :
pnorm medage, grid
,
1. 00

----
0.75

~
Q)
tJ>
<Il
'Cl
~ 0.50

c1
<Il
~
o
Z 0.25 -------~--- - - -----

0.00
,---
0.00
,
0.25
-- l ------
0.50
---------r- - - - -
0.75
----,l-
1. 00
Emplrlcal P(l] = i/(N+l)

Les distorsions par rapport à la loi normale sont surtout visibles

pour les valeurs supérieures à la médiane.
136 L'essentiel de Stata

L'option symbol () facilite le repérage des observations extrêmes

dans les représentations graphiques:
graph medage, box by(reglon) symbol([state])

qnorm medage, grid symbol([state])

A quels États correspondent les valeurs extrêmes? Refaites les

mêmes graphiques en excluant ces États (utilisez le suffixe if).

Comparez le résultat des commandes suivantes:

graph medage, xlab(24,26,28,30,32,34,35) normal freq

graph medage, bin(ll) xlab(24,26,28,30,32,34,35) normal freq

graph medage, bin(50) xlab(24,26,28,30,32,34,35) normal freq

L'interprétation est-elle la même dans tous les cas? Quel est l'inter-
valle qui donne les résultats les plus proches de la distribution réelle?

Comparez les boîtes obtenues pour l'ensemble de la distribution

avec les résultats suivants:
. graph med lf med>26.2 & med<34, box by(region) ysc(24.2,34.7)

Comparez la densité de kernel par défaut (option epan) et les

densités obtenues avec différentes fenêtres (option width ( #) ) pour
chaque fonction de densité (optionbiweight, cosine, gauss,
parzen, rectangle, triangle), par exemple:
kdensity medage, rectangle normal

kdensity medage, rectangle normal width(l)

kdensity medage, rectangle normal width(.l)

À quelle unité de mesure correspond la valeur # ? La largeur de la

fenêtre a-t-elle plus ou moins d'influence que la fonction utilisée?

Ecrivez une série de commandes pour comparer les densités de

kernel de medage selon le caractère urbain ou non des États.
Confrontez ensuite la distribution empirique avec la distribution
normale pour chaque catégorie de la variable urbain (en utilisant le
suffixe if) à l'aide de différentes méthodes (histogramme, quanti/es).
La distribution de medage suit-elle une loi normale et est-elle
symétrique dans chaque catégorie?
 Les statistiques simples et leur représentation graphique 137

6.3.3 Graphique de distribution croisée de deux variables

continues
Les graphiques précédents croisent une variable dépendante
(continue ou discrète) avec une deuxième variable discrète de
contrôle: chaque graphique obtenu est un ensemble ou une
superposition de graphiques univariés.

Dans la présente section, nous examinons un autre type de

graphique qui croise deux variables continues. Le but est alors
de représenter visuellement la relation entre deux variables. La
syntaxe de base de graph pour produire ce graphique est:

graph varyl {vary2} varx,twoway

[connect(./l/m/s/J/L// //II) band(#)
by(listevar)
oneway box rbox rescale Rescale jitter(#)

Prenons pour exemple la relation entre le pourcentage de la

population en milieu urbain (pcturb) et le pourcentage de la
population d'âge actif de 18 à 64 ans (pctact)
generate pctact=(pop18p-pop65pl/pop

lab var pctact "Pop d'age actif en %"

graph pctact pcturb, twoway s([state])

Nevada
.648273 ~ Alaska
1

)
Colorado Hawall

Vlrglnla Maryland
Cdll fürn

Delall,jlJ,;[§tnngl
(oonectl
"
<lJ N Carol
WyomIng Oregon
Massachu New Jers
New llh~àe Tg
Newdl~rol Pennsylv
Illln01S
TeI1l"@Mf':l;Jla MIChlg~lO
V~rmonl Texas
1
Montana IndIana

~Ja
ArIzona
Kentucky
W Vlrgl Wlscon~ ssouJNew Mexl
MaIne Alabama Loulslan
N Dakot Iowa Nebraska rlonda

Idaho

S Dakot Arkansas

M1SS1SSl

.555573 l T--------,-
Utah
-----,
337732 .91295
Pop urbalne en %
138 L'essentiel de Stata

TI semble bien qu'il y ait une relation posItIve entre les deux
variables ce qu'on peut mieux voir encore en ajoutant au
graphique une courbe de lissage avec les options connect (m)
et band(#) :
graph pctact pcturb, twoway s([state]) connect(m) band(lO)

1
Nevada
.648273 Alaska

Colorado HawaII

Maryland Cah [orn

Dela\@;l"~llngt
Connectl
N Carol
Massactlli New Jers
Wyomlng Oregon New /(ft(!5& 18
NeW~~rül Te~t'gla pe:sc~~;âKfiO----------- Il11n01s

Texas
Montana Indlana
--- ---- - -- ~Ja Arlzona

W Vlrgl Kentucky W1SCOn$llissOU:!New MeXl

Maln!;l- Alabama LOUlslan
N Dakot Iowa Nebraska Flonda

Idaho

S Dakot Arkansas

1 M15515S1

i
Utah
.555573 -J
---,-----------,----
1

.337732 .91295
Pop urbaine en %

Le lissage consiste à diviser l'axe des abscisses en intervalles

égaux (ici on en a pris 5), et de calculer les médianes des deux
variables pour les observations comprises dans ces intervalles.
Les médianes sont représentées par des nœuds et une ligne est
ensuite tracée pour relier ces noeuds entre eux. Le lissage est
d'autant plus important que le nombre d'intervalles est grand.

Un raffinement consiste à courber cette ligne brisée en utilisant

l'option connect ( s) plutôt que connect (m) . Les noeuds sont
calculés de la même façon, seule diffère la forme de la courbe
qui les relie entre eux.

Un autre raffinement ~onsiste à faire un lissage de type lowess

(locally weighted scatterplot smoothing) à l'aide de la
commande ksm. Cette commande attribue à chaque point une
valeur prédite par une régression linéaire pour l'ensemble des
points voisins (pondérés en fonction de la distance avec le point
prédit). Le principe est très proche du calcul des densités de
kemel que l'on a vu plus haut. Le paramètre qui change
l'intensité du lissage est le pourcentage de points inclus dans
Les statistiques simples et leur représentation graphique 139

chaque régression, avec l'option bwidth(#). La valeur par

défaut est de .S (soit sa %) :
ksm pctact pcturb, lowess
Lowess smoother, bandwidth ~ .8

.648273

"
Q)

4-<
·ri
.w
U

'"
Q)

'"'" "

'0
P.
0

'"

.555573
c,------- -------,--------,---------,-------- - - - - ,-
.91295
Pop urbaine en %

TI est important de comprendre que, quelle que soit la technique

de lissage (valeurs médianes ou régression), la variable
dépendante (ici pctact) est en ordonnée tandis que la variable
indépendante ou explicative (ici pcturb) est en abscisse. Étant
donné que le lissage se fait pour différents sous-ensembles
d'observations définis selon la valeur de la variable
indépendante, la courbe de lissage aura une allure différente SI
l'on inverse l'ordre des variables.
Pour s'en convaincre, il suffit de comparer les deux courbes de
lissage, par exemple avec la technique de la régression, grâce à
l'option gen (var) qui conserve les données ajustées de la
variable dépendante:
ksm pctact pcturb, lowess gen(apctact) nograph

lab var apctact "% age actif ajuste"

graph apctact pcturb, c(l) ysc(.555, .649) xsc(.337, .913) sort sav(apctact)

ksm pcturb pctact, lowess gen(apcturb) nograph

lab var apcturb "% urbain ajuste"

graph pctact apcturb, c(l) ysc(.555, .649) xsc(.337, .913) sav(apcturb)

140 L'essentiel de Stata

graph using apctact apcturb

649 649

1
U
sssl- JJ7
1

Comme on le voit immédiatement, la relation entre les deux

variables n'est pas symétrique.

En somme, les techniques de lissage pour les distributions

bivariées font l'hypothèse implicite que la première variable doit
s'ajuster sur la deuxième, c'est-à-dire que les variations
aléatoires sont attribuées à la première variable et non à la
deuxième. Par exemple, en lissant les valeurs de pctact, on
suppose que le pourcentage d'actifs dans un État dépend du
caractère urbain de cet État, et non l'inverse. Le lissage est donc
déjà une forme de modèle explicatif.

Les lecteurs intéressés par des techniques plus complexes de lissage

à partir des valeurs médianes pourront se référer à la commande
smooth, que nous ne détaillerons pas ici. Mentionnons cependant
(ce qui n'apparaÎt pas dans le manuel de Stata) qu'avant d'exécuter
cette commande sur une variable (par exemple pctact), le fichier
doit être trié selon la deuxième variable (pcturb dans notre
exemple). On est donc toujours en présence d'un modèle explicatif
implicite où la variable de tri est la variable indépendante.
 Les statistiques simples et leur représentation graphique 141

La forme de la courbe dépend en grande partie des paramètres

de lissage. Comparez les résultats en faisant varier l'option band ( )
ou bien l'option bwidth () :
graph pctact pcturb, twoway connect(m)

graph pctact pcturb, twoway connect(m) band(5)

graph pctact pcturb, twoway connect(m) band(20)

ksm pctact pcturb, lowess bWldth(.5)

ksm pctact pcturb, lowess bwidth(.2)

Si vous êtes familiers avec les techniques d'analyse de régression,

les techniques qui précèdent ne sont pas sans vous rappeler quelque
chose. Effectivement, les deux types de techniques sont très proches:
le lissage peut être considéré comme une technique de régression
non linéaire.
Exécutez les commandes suivantes pour comparer les résultats
obtenus par les différentes méthodes sur un même graphique:
regress pctact pcturb

predict rpctact

ksm pctact pcturb, lowess gen(apctact) nograph

graph pctact apctact rpctact pcturb, c(mll) s(oii) sort band(lO)

6.3.4 Graphique de distribution multivariée

On a déjà vu qu'un tableau croisant plus de quatre variables est
difficilement compréhensible. Cependant, le cerveau humain
perçoit mieux des nuances à travers une représentation
graphique qu'à travers un raisonnement écrit ou chiffré. C'est
pourquoi on recourt plus souvent aux graphiques dès que le
nombre de dimensions dépasse deux. L' œil a une capacité
extraordinaire pour analyser en très peu de temps l'aspect d'un
graphique, et détecter les tendances globales en même temps que
les extrêmes ou les exceptions.
Cependant, il n'existe que très peu de techniques de
représentation multivariée, pour une raison simple: la
représentation sur un plan (à l'écran ou sur papier) est
nécessairement en deux dimensions, même si des effets de
142 L'essentiel de Stata

perspectives peuvent donner l'illusion d'une troisième

dimension.
En fait, les graphiques dits multivariés sont des superpositions,
ou des alignements de graphiques univariés ou bivariés. Nous
avons déjà vu comment faire de tels graphiques avec l'option
by (var) commune à de nombreuses commandes. Cette section
est consacrée aux graphiques multivariés qui ne font pas appel à
l'option by.

L'option matrix établit une sene de graphiques bivariés

croisant chaque paire de variables énumérées:
graph medage pctact pcturb region, matrix connect(m) band(lO)
555573 648273 1
34 7

Medlan age

648273 ,-----------=-----t~--------t-----____=c__+------~~
24.2

o 8°0 0 8
k "
~~
o 0000 ~ ~
Pop d'age ococooo~~~
actlf en % a 0 0°0
0
a 0 0 ~ ~
o 0
o 0
o
555573 f-------------+---------+--------+------~
o~ ~ ~
91295
a a a 0 § a
o yO~ "'-. 0 ~
8 o~,~~ ~ ~

0
a 0
a
00° 0

o
ra a

0
'6 0
0 0 Pop urbalne en %
g
~
8 ~
~
ê

337732
0'"" 0

o "/\Î\?\
Census region
'"~o o~oovo-
o 0 croo o 0 <>00

24 2 34 7 337732 91295

Les graphiques au dessus de la diagonale (qui contient les

libellés des variables) sont la réplique inversée des graphiques
en dessous de cette diagonale. Remarquez cependant que les
résultats du lissage par l'option connect (m) ne sont pas
symétriques. Comme on l'a dit plus haut, le lissage dépend de
l'ordre des variables, et en conséquence certains lissages sont
difficilement interprétables: par exemple, on ne voit pas très
bien pourquoi l'appartenance d'un État à une région devrait
Les statistiques simples et leur représentation graphique 143

dépendre de l'âge médian, du pourcentage de population d'âge

actif ou du taux d'urbanisation.
On a déjà vu l'application des graphiques en étoile pour chacune
des modalités d'une même variable, quand on a décrit la
répartition par groupe d'âges de la population de chaque État. Ce
type de graphique permet aussi de représenter des variables de
différentes natures : par exemple, on pourra classer chaque État
selon sa part relative de population active, de population
urbaine, d'enfants de moins de 5 ans et de décès:
gen petltS=popltS/pop

gen petdeath=death/pop

graph petaet peturb petdeath petItS star label (state)

C)
t> &
Pop d'age aetif en %
t~ 17 f-> 4;- &,7 ~ (j Pop urbaine en %
G) petdeath
~
V $' ~ 1:7 V
_"C'U'''''' v m."..
\fi 17 E) petltS

~ 17 \
t
C",ullM
~ 8? \f7 $'
..... .4--;>11""
\j7

11 W ~ w V ~ ~ b
'""..",,_,ar•• '"od."." :; caruL'"

$
f7 t7 17 $' f7 P ~ \H9 0 '0
11
""_ -~.o·

\JI
~'«"~LO
V ~ --==-- ~ ~ ~ ~
t7 ~

Au stade de l'analyse exploratoire des données, cette technique

graphique est en quelque sorte une technique de classification
multiple et de repérage des observations extrêmes ou aberrantes.
Le graphique ci-dessus a été obtenu à partir d'un fichier trié
selon l'ordre alphabétique des États. Pour faciliter la lisibilité du
graphique (c'est-à-dire le repérage des États aux structures
particulières, et le regroupement des États aux structures
similaires), il est conseillé de trier d'abord les observations selon
les variables représentées:
144 L'essentiel de Stata

sort pctact pcturb pctdeath pctlt5

graph pctact pcturb pctdeath pctlt5 star label (state)

C) Pop d'age actif en %

~

\V 'V \l7 ~ 17 W 17 Cj Pop urbaine en %

G) pctdeath

l7W .--...W W $
~ V ~ 8 pctltS

W f7 f7 t? W $ i1 ~

~ ~ V Î1 f7 b $ ~."n,,"--,
r
~ C7 f7 --$ b [7 ~
~ ~ ~ ~~ ~ ./'
~ ~ ~
L
iL f~

Enfin terminons ce chapitre avec deux commandes originales.

La commande grmeanby permet de représenter graphiquement
la moyenne (ou la médiane) d'une variable continue pour
différentes modalités de plusieurs variables dichotomiques ou
polytomiques :
grmeanby region urbain actlf , summ(medage) ylab
Means of rnedage, MedIan age
,

31
Nord Est '~

1
l
OUl

30 -i
OUl

Sud
Centre N

Nun No~

29 -

Ouest

28
1 1

5 3.5
reglon, urbaIn, actIf
Les statistiques simples et leur représentation graphique 145

La commande hilite permet de repérer plus facilement une

catégorie d'observations dans un graphique bivarié. Sa syntaxe
est très proche de la commande graph et l'option
symbol () peut être judicieusement utilisée pour repérer les
observations sélectionnées:
hilite petaet peturb, hilite(medage>=31) symbol(o[stateJ)
medage>o31 hlghllghted

.648273

Connect.l
MaSSilchu New Jet 5
New!O't<:i ls
PennPylv

.555573 ;---- . -,--

.337732 .91295
Pop urbaine en %

Faites un graphique en étoile en ajoutant la variable region :

sort region petaet peturb petdeath petitS

graph region petaet peturb petdeath petitS, star label (state)

Quel intérêt présente un tel graphique? Les variables discrètes

peuvent-elles être interprétées de la même façon que les variables
continues ou ordonnées ?

L'option symbol () pour la commande hilite peut aider à repérer

les observations extrêmes classées selon une quatrième variable:
. hilite pctact pcturb, hilite(medage>=31) symbol(o[region])
7 L'ANALYSE STATISTIQUE:
APPROCHE PAR TYPE DE
PROBLÈMES

Les chapitres précédents vous ont montré l'essentiel de Stata. En

maîtrisant la manipulation des données, la création de variables,
les tabulations et les graphiques, vous êtes autonome. Avec ces
outils de base, vous pouvez maintenant aller plus en profondeur
dans l'analyse statistique.
Ce chapitre a pour objectif de guider le lecteur au travers de la
multitude des procédures statistiques proposées par Stata. TI
s'agit principalement de commandes de modélisation statistique,
depuis la simple régression linéaire jusqu'à la régression semi-
paramétrique des données de survie, en passant par la régression
logistique et ses variantes.
Plutôt que de reprendre une à une chacune des commandes (ce
que le manuel de Stata fait déjà), ou d'aller en profondeur dans
la statistique mathématique (ce qui nous mènerait bien au delà
du propos de ce manuel), nous allons adopter une approche par
type de problèmes. TI ne s'agit évidemment pas de recenser tous
les types de problèmes possibles, mais, à partir de la définition
très générale de la variable dépendante pour un problème donné,
de guider le lecteur vers le ou les modèles statistiques adaptés à
ce problème.
On sera peut-être surpris de constater que le choix du type de
modèle ne dépend pas des variables indépendantes
(explicatives). En fait, les procédures actuelles de régression
traitent indifféremment les variables indépendantes, qu'elles
soient continues, ordonnées ou discrètes. Par contre, il existe une
148 L'essentiel de Stata

différence importante selon que les données sont individuelles

ou agrégées: chaque fois que cela sera nécessaire, nous
mentionnerons les modèles correspondants.

7.1 Les différents types de variables dépendantes

Pour l'analyse descriptive, nous avons fréquemment utilisé la
distinction entre variables discrètes, ordonnées et continues. Le
traitement statistique est différent dans chacun de ces cas, autant
pour l'analyse descriptive que pour la modélisation.

Pour les besoins de ce chapitre, nous classerons les variables

dépendantes (ce qu'on cherche à expliquer) selon deux
catégories principales :

• les variables discrètes, qui sont des variables codées par un

chiffre entier positif, allant de 0 à n ; une variable discrète est
appelée dichotomique si elle ne prend que deux valeurs 0 et n
(avec n;tO) et polytomique sinon (n> 1) ;

• les variables continues, qui sont des variables codées par un

chiffre réel, indifféremment entier ou décimal, positif ou
négatif.

Cette différence est fondamentale du point de vue du traitement

informatique. Mais qu'en est-il des variables ordonnées? En
fait, elles peuvent elles-mêmes être considérées comme faisant
partie soit des variables discrètes soit des variables continues:

• par opposition aux variables dichotomiques ou polytomiques

non ordonnées (dont les modalités représentent des catégories
exclusives les unes des autres dans un ordre quelconque), les
variables polytomiques ordonnées sont codées par un chiffre
entier dont l'ordre a un sens, mais pas la valeur (par exemple,
il est indifférent de coder ce type de variables de 0 à 4, de 1 à
5, de 102 à 118 par intervalle de 4, ou même 1,4,5,13,99) ;

• les variables à intervalles multiples, parfois ouverts, qui sont

des approximations de variables continues (par exemple, des
tranches de revenus, avec un intervalle ouvert pour les plus
hauts revenus).
L'analyse statistique: approche par type de problèmes 149

Enfin, il est fondamental de préciser si une date est associée à

chaque valeur de la variable dépendante. La prise en compte du
temps dans l'analyse définit une classe de modèle à part, autant
pour les variables continues que discrètes.

Les deux diagrammes suivants résument tous ces paramètres,

selon que la variable dépendante est discrète ou continue:

Variable dépendante
continue
1
1 1

Strictement continue In tervalles

section 7.4
1
1 1

Non datée Datée

section 7.2 section 7.3

Variable dépendante
discrète
1
1 1

1 Dichotomique 1 1 Polytomique 1

1 1
1 1 1 1

Non datée Datée Exclusive Ordonnée

section 7.5 section 7.6 section 7.7 section 7.8

On remarque au passage que les variables dépendantes

polytomiques (discrètes ou continues par intervalles) ne
présentent pas de variation selon qu'elles sont datées ou non: à
l'heure actuelle,· il n'existe pas dans Stata de modèles qui
prennent en compte le temps pour les variables dépendantes
polytomiques.

Stata offre un nombre considérable de commandes pour la

modélisation statistique. Dans ce manuel, nous en présentons
environ une quarantaine. C'est largement trop pour en décrire
tous les détails. En fait, moins d'une vingtaine présentent un
150 L'essentiel de Stata

intérêt spécifique, les autres étant des variantes plus ou moins

complexes.

Dans la suite de ce chapitre, chaque section correspond aux

modèles présentés selon un classement par type de variable
dépendante, tel qu'indiqué dans les diagrammes précédents. Ce
classement (même s'il se justifie aussi d'un point de vue
scientifique) a un but essentiellement pratique: ce chapitre n'a
pas pour prétention de faire de la théorie statistique, mais entend
guider le lecteur en fonction du type de problème auquel il est
confronté. Nous laissons le lecteur se référer soit au manuel de
Stata (qui offre, en anglais, de très bonnes explications sur les
différents modèles) ou bien aux ouvrages spécialisés de
statistiques.
Enfin, notre classification ne s'adapte pas bien aux modèles non
régressifs, où la distinction entre variables dépendantes et
indépendantes n'est pas valide: analyses factorielles, analyses
en composantes principales, etc. Signalons cependant que la
commande factor de Stata effectue ces analyses, dans leur
version probabiliste anglo-saxonne (qui diffère sensiblement de
la version française dans la tradition initiée par l-P. Benzécri).

7.2 Les modèles à variable continue non datée

Le modèle de régression linéaire simple est à la fois le modèle
fondateur de tous les autres modèles de régression, le plus
simple de tous ces modèles et le modèle qui offre le plus de
variantes. Sa simplicité apparente est en fait tributaire de
nombreuses hypothèses simplificatrices: l'histoire de ce modèle
est une longue succession de tentatives pour lever ou minimiser
ces hypothèses.

En conséquence, un très grand nombre de procédures sont

associées à ce modèle. Dans cette section, nous accorderons un
intérêt tout particulier aux estimations robustes des coefficients
de régression et de leur variance. En fin de section, nous
aborderons le modèle de régression non linéaire (ou
paramétrique).
 L'analyse statistique: approche par type de problèmes 151

7.2.1 Le modèle de régression linéaire

La commande de base pour la régression simple s'écrit
simplement:
regress vardep varindep

La variable dépendante doit obligatoirement se situer en début

de liste, et elle est suivie des variables indépendantes. Ce
principe vaut d'ailleurs pour toutes les procédures de régression.
Les variables indépendantes peuvent être indifféremment
continues ou discrètes. Dans le cas d'une variable polytomique,
on peut soi-même créer une série de variables dichotomiques à
l'aide de l'option gen( )de la commande tabulate (voir le
chapitre Création et correction de variables) et éliminer la
catégorie de référence :
· tabulate region, gen(reg)
(tableau omis)
· drop reg1

Mais il est beaucoup plus aisé de faire appel au préfixe xi qui

crée automatiquement une série de variables dichotomiques à
partir des variables marquées d'un i. dans la commande:
· xi: regress pctact pcturb [Link]
[Link] Iregio_1-4 (naturally coded; Iregio_1 omitted)

Source 1 55 df MS Number of obs 50

---------+------------------------------ F (4, 45) 3.86
Model 1 .004920394 4.001230098 Prob > F 0.0089
Residual 1 .01435289 45.000318953 R-squared 0.2553
---------+------------------------------ Adj R-squared 0.1891
Total 1 .019273284 49.000393332 Root MSE .01786

pctact 1 Coef. Std. Err. t p>ltl [95% Conf. Interval]

---------+--------------------------------------------------------------------
pcturb 1 .0494978 .0188318 2.628 0.012 .0115686 .087427
Iregio_2 1 -.0128641 .0079323 -1.622 0.112 -.0288405 .0031123
Iregio_3 1 -.0052268 .007586 -0.689 0.494 -.0205057 .0100522
Iregio_4 1 .0014747 .0077856 0.189 0.851 -.0142063 .0171557
- cons 1 .5733959 .0143885 39.851 0.000 .5444161 .6023758

describe 1*

42. Iregio_2 byte %8.0g region==2

43. Iregio_3 byte %8.0g region==3
44. Iregio_4 byte %8.0g region==4
152 L'essentiel de Stata

La région Nord Est (codée 1) a été omise et fait donc office de

catégorie de référence. Le pourcentage d'habitants d'âge actif
semble positivement corrélé au pourcentage d'habitants vivant
dans les villes, mais peu à l'appartenance régionale: seul le
coefficient pour la région du Centre Nord pourrait être
significatif (au seuil, plutôt élevé, de 15 %).

[Link] Violation de l'hypothèse de linéarité

Dans ce modèle, les variables indépendantes, mais aussi la
variable dépendante, peuvent être plus ou moins bien spécifiées.
Par exemple, l'échelle de mesure de la variable dépendante n'est
peut-être pas appropriée, et les observations extrêmes auront
certainement une influence indue sur le résultat de la régression.
Dans ce cas, l'hypothèse de linéarité (de la relation entre
variables dépendante et indépendante) n'est pas forcément
adéquate.

Une solution à ce type de problèmes est de transformer l'échelle

de la variable dépendante pour vérifier l'hypothèse de linéarité.
Une transformation classique est la transformation en une
distribution proche d'une distribution normale à l'aide de la
commande boxcox dont la syntaxe de base est:
boxcox vardep [varindep]
[, mean median !lenerate (vardeptransformée)]

Si les variables indépendantes sont spécifiées, il suffit d'exécuter

ensuite la commande regress sans argument pour obtenir les
résultats de la régression avec la variable dépendante
transformée. L'option generate ( ) permet de conserver le
résultat de la transformation dans une nouvelle variable. Les
options mean et median sont appropriées dans le cas où la
variable dépendante a une distribution symétrique.
 L'analyse statistique: approche par type de problèmes 153

Exécutez les commandes suivantes pour transformer la variable

dépendante pctact :
boxcox pctact pcturb Iregio*

regress

Les résultats de la régression diffèrent-ils de la régression simple?

(comparez en particulier les coefficients de régression)
Avant de faire une telle transformation, il aurait été plus judicieux de
voir d'abord la distribution empirique de pctact et de la comparer
à la loi normale (voir la section sur l'ajustement des courbes univariées) :
kdensity pctact, biweight normal

qnorm pctact, grid

La transformation aurait peut-être été plus valide si l'on avait tenu

compte de la relative symétrie de la distribution de pctact :
boxcox pctact pcturb Iregio*, medlan

regress

La transformation centrée a-t-elle plus d'intérêt? Que vous inspire

notamment le graphique obtenu par qnorm et comment interprétez-
vous en conséquence les différences ou l'absence de différence
avec la régression simple?

[Link] Violation de l'hypothèse de mesure correcte des variables

indépendantes
Certaines variables indépendantes peuvent être mesurées avec
approximation. Dans ce cas, on voudrait pouvoir tenir compte de
la fiabilité de ces mesures dans la régression. La commande
eivreg (Error-in-variables regression) tient compte pour une
ou plusieurs variables indépendantes d'une mesure de fiabilité,
qui correspond au pourcentage de la variance totale mesurée que
l'on peut attribuer à la variance réelle (le reste étant attribué aux
erreurs de mesure). La syntaxe est la même que pour le modèle
de régression simple, hormis l'option définissant la fiabilité :

eivreg vardep varindep ,

r(varindep # [varindep # [ ... ]])

Le problème est que la plupart du temps la fiabilité n'est pas

connue, mais suspectée. L'option r () est alors utile pour tester
l'influence que pourrait avoir un erreur de mesure des variables
154 L'essentiel de Stata

indépendantes sur les résultats de la régression. Autrement dit,

on veut connaître la robustesse des résultats.

On va donc tester différents niveaux de fiabilité. Le niveau

minimum est déterminé par la statistique du R 2 (R-squared) pour
la régression de la variable indépendante à tester sur toutes les
autres variables (dépendante et indépendantes) du modèle. Une
fiabilité inférieure à ce R 2 signifierait que la variable
indépendante à tester est connue avec une trop grande
imprécision.

Pour évaluer le manque de fiabilité (supposé) du taux d'urbanisation

on exécutera d'abord:
. regress pctact pcturb Iregio*

La statistique du Fi est de 0,2337. On peut donc tester différentes

mesures de fiabilité allant par exemple, de 0,25 (25 %) à 1 (100 %) :
eivreg pctact pcturb Iregio* r(pcturb .25)

eivreg pctact pcturb Iregio* r(pcturb .5)

eivreg pctact pcturb Iregio* r(pcturb .7)

eivreg pctact pcturb Iregio* r(pcturb .8)

eivreg pctact pcturb Iregio* r(pcturb .9)

eivreg pctact pcturb Iregio* r(pcturb 1 )

Comparez ces résultats avec ceux de la régression simple.

À quoi correspond une fiabilité de 100 % ? Quel niveau de fiabilité
pensez-vous pouvoir tolérer?

[Link] Violation de l'hypothèse d'homoscédasticité

(homogénéité de la variance de la variable dépendante)
Cette hypothèse est couramment violée et une très grande part de
la littérature statistique est consacrée aux moyens d'évaluer
l'hétéroscédasticité et de la contourner. La régression sur la
médiane est, contrairement à la régression sur la moyenne, peu
sensible à l'hétérogénéité de la variable dépendante: nous
reviendrons sur cette technique plus loin.
Pour la régression sur la moyenne, si l'on suppose le différentiel
de variance connu précisément, on peut alors en tenir compte
L'analyse statistique: approche par type de problèmes 155

dans le calcul avec la commande vwls (variance-weighted least

square), dont la syntaxe de base est:

vwls vardep varindep [, sd (var) ]

Deux cas peuvent se présenter:

1. la variable dépendante est mesurée avec une erreur connue
pour chaque observation (ce cas se présente essentiellement
pour les sciences de la nature) : on utilise alors l'option sd ( )
pour spécifier la variable qui indique l'écart type pour chaque
observation;
2. on mesure la variance dans chaque groupe constitué par le
croisement des variables indépendantes (qui de ce fait doivent
être nécessairement discrètes et non continues), et on fait la
régression sur les observations ainsi groupées (ce cas est plus
fréquent dans les sciences humaines et médicales) : l'option
sd() n'est pas valide puisque l'écart type est calculé à partir
des observations groupées.
Plus loin figure une autre technique d'estimation robuste de la
variance pour les données échantillonnées.

Nous allons prendre ici un exemple pour illustrer le deuxième cas.

Comparez les résultats de la régression simple avec la régression
pondérée correspondante:
regress pctact 1* pcturb

vwls pctact 1* pcturb

regress pctact 1* urbain

vwls pctact 1* urbain

Pourquoi la deuxième commande renvoie-t-elle un message d'erreur?

Pourquoi la dernière régression porte-t-elle sur 49 États seulement?
Pour vous aider à répondre à cette question, considérez attentivement
le tableau résumé suivant:
. table urbain region, c(mean pctact sd pctact freq)
156 L'essentiel de Stata

Les exercices qui suivent ont pour but d'indiquer sommairement

des commandes non mentionnées jusqu'à présent pour la régression
linéaire simple.

Un nombre important de commandes sont disponibles pour le

diagnostic de la régression linéaire. Pour cela, if faut utiliser la
commande fit plutôt que regress : les options de regress pour
les estimations robustes empêchent certains diagnostics, et la
commande fi t a été créée pour éviter les confusions.

Pour tester l'hétéroscédasticité, on peut effectuer après fi t :

flt pctact Iregio* pcturb

hettest

Pour repérer graphiquement les observations aberrantes (outliers),

on représente les valeurs résiduelles contre les valeurs ajustées de
la variable dépendante (rvfplot) :
. rvfplot, symbol([stateJ)

Quel est l'État le plus éloigné de la droite de régression?

On appelle les observations influentes celles dont le poids influe

fortement sur la pente de la droite de régression. Si elles sont à la
fois influentes et extrêmes (éloignées de la masse des autres
observations), on parle alors d'effet levier ~everage effect). On peut
déterminer à la fois les observations aberrantes et les observations
influentes en exécutant la commande 1vr2plot :
. lvr2plot, s([state])

D'après ce graphique, les États aberrants sont-ifs en même temps des

États influents?

Les graphiques de diagnostic utilisent certains indices que l'on peut

obtenir avec la commande fpredict après fit:

fpredict residu, residuals (valeurs résiduelles)

fpredict levier, leverage (valeurs à fort effet levier)

Voir l'entrée [R] fit - Regression fit and diagnostics du manuel de Stata
pour d'autres graphiques et statistiques plus complexes.)
L'analyse statistique: approche par type de problèmes 157

L'extrapolation des données d'enquête peut être prise en compte

dans la régression avec la commande svyreg. ( / -/'
1/ est conseillé de définir d'abord la stratification et les unités primaires
avec la commande svyset (voir la section sur les pondérations
et les extrapolations), mais on peut aussi les définir en option de la
commande svyreg. À supposer que nos données soient issues d'un
sondage, on aurait alors:
. svyreg pctact Iregio* pcturb, strata(strate} psu (grappe)

Remarquez la différence entre l'extrapolation à partir des données

d'enquête, et la simple pondération avec l'option [al fi i Ipweight]
Dans notre exemple, tiré du recensement, on utilisera le chiffre de la
population pour pondérer les États. Dans ce cas, la pondération dite
analytique est la plus appropriée :
. regress pctact Iregio* pcturb [aweight=pop]

La commande cnsreg (à ne pas confondre avec la commande /'

cnreg qui est traitée plus loin) permet d'imposer des contraintes ( /
dans les coefficients de régression linéaire.
Par exemple, si l'on veut imposer le même coefficient pour deux
catégories d'une même variable polytomique (ce qui revient à fusionner
les deux catégories), on définit d'abord la contrainte par la commande
constraint avant d'exécuter cnsreg :
constraint define 1 Iregio_3=Iregio_4

cnsreg pctact Iregio* pcturb, constraint(l}

La commande cnsreg peut être utilement associée aux tests sur les
coefficients de la régression. Confrontez par exemple les résultats
précédents avec le test suivant:

Les contraintes ne concernent pas seulement les relations entre les

variables indépendantes (ou leur modalités) mais aussi la valeur des
coefficients eux-mêmes. Par exemple, on peut être curieux de voir l'effet
sur les coefficients par région, d'une constante définie à l'avance:
constraint define 2 cons=.5

cnsreg pctact Iregio* pcturb, constraint(2}

(Remarquez l'absence d'erreur type et de statistiques de significativité

pour la constante du modèle)
158 L'essentiel de Stata

7.2.2 Les estimations robustes de la variance

On a vu plus haut le moyen de déceler les violations à
l'hypothèse d'homogénéité de la variance de la variable
dépendante (homoscédasticité) et d'y remédier en utilisant la
variance observée dans chaque groupe avec la commande vwls.

Une autre méthode consiste à considérer systématiquement les

données comme issues d'un échantillonnage (sujet à certaines
variations aléatoires, notamment des erreurs de mesure) et non
comme des résultats absolument exacts. Sans rentrer dans le
détail du calcul d'estimation, disons simplement que les erreurs
types des coefficients ainsi obtenues tiennent compte de
l'hétérogénéité de la variance (c'est-à-dire de la dispersion au
sein de chaque groupe d'observations).

Les estimations robustes de la variance sont données par l'option

robust de la commande regress (cette option n'est pas
disponible pour la commande fit). De plus, l'option
cluster(var) associée à l'option robust, allège l'hypothèse
d'indépendance entre les observations, pour chaque groupe
défini par var. Pour calculer des estimations robustes de la
variance, on tient alors compte de l'hétérogénéité de la variance
entre les groupes d'observations, et non pas entre les
observations d'un même groupe. Dans le contexte des données
échantillonnées, l'option cluster() est donc une alternative
utile à la commande vwls qui s'applique aux données où la
variance est supposée exacte et précisément connue.

Cela n'a pas de sens de considérer les données de" [Link] »

(issues du recensement) comme des données échantillonnées mais si
c'était le cas on pourrait obtenir des estimations robustes pour les
erreurs types des coefficients de la régression en faisant:
. regress pctact Iregio* pcturb, robust

Si les pourcentages d'actifs n'étaient pas indépendants par région, on

pourrait considérer ces régions comme des grappes:
. regress pctact Iregio* pcturb, robust cluster(region)

Remarquez qu'à la différence de la commande vwls, on peut utiliser

des variables continues (telle que pcturb) dans la régression.
 L'analyse statistique: approche par type de problèmes 159

7.2.3 Les estimations robustes des coefficients

Les données sur lesquelles on travaille ne sont pas toujours
connues précisément, soit en raison d'erreurs de mesure, soit en
raison d'un échantillonnage approximatif ou insuffisant. Dans ce
cas, on peut attribuer aux observations extrêmes ou aberrantes
un poids moins important que les observations proches du centre
de la distribution. À la différence de la section précédente où
l'on a calculé des variances robustes, on veut maintenant obtenir
des coefficients robustes, sans trop se soucier des observations
qui pourraient influer grandement sur les estimations.
Deux méthodes sont disponibles pour obtenir de telles
estimations. Si l'on raisonne toujours sur les tendances centrales
mesurées par la moyenne (régression classique), la commande
rreg est appropriée:

rreg vardep [varindep]

[,iterate (#) tolerance (#) ~enwt (var)]

La procédure consiste à attribuer un poids moins important aux

observations qui s'éloignent trop du nuage de points. Un poids
initial est attribué à chaque observation et la procédure utilise
une distance avec le point c~ntral pour attribuer un nouveau
poids à l'observation lors de l'itération suivante, et ainsi de
suite.
Le nombre d'itération maximum peut être contrôlé par l'option
i terate ( #) tandis que l'option tolerance ( #) spécifie le
critère de convergence entre deux itérations successives (valeur
par défaut: 0,01). Le poids obtenu après estimation robuste pour
chaque observation peut être conservé dans une nouvelle
variable par l'option genwt (var).

Une autre forme de régression moins sensible aux observations

extrêmes ou aberrantes est la régression sur les quantiles. Au
lieu de considérer la moyenne comme mesure de la tendance
centrale pour le calcul des coefficients, la commande qreg
utilise la médiane, très peu sensible aux observations en queue
de distribution.
160 L'essentiel de Stata

Cette méthode est excellente pour obtenir des coefficients de

régression robuste, mais elle conduit à sous-estimer les erreurs
types de ces coefficients. Aussi, quel que soit le problème
envisagé, il vaut mieux toujours utiliser l'estimation par la
méthode du bootstrapping, terme intraduisible qui signifie que
les estimations des erreurs types sont obtenues par
rééchantillonnage des observations:
bsqreg vardep [varindep]
[, reps(#) iterate(#) quantile(#)

Le nombre de rééchantillonnage (réplication de l'échantillon)

par défaut est de 20, ce qui suffit amplement à un stade
exploratoire. Pour obtenir des estimations définitives, après
sélection du modèle optimum, on peut augmenter le nombre de
réplications (à 100 ou plus par exemple) avec l'option reps ( #) .

L'originalité de la commande qreg (ou bsqreg) est de

permettre la régression sur d'autres quantiles que la médiane:
par exemple, le premier quartile ou le troisième, ou tout autre
décile ou centile. Dans le cas où les observations présentent une
relative homoscédasticité, les régressions sur les premier,
deuxième et troisième quartiles devraient donner à peu près les
mêmes résultats. Dans le cas contraire (forte hétéroscédasticité),
les résultats différeront. Ce type de régression est donc aussi un
bon moyen de voir si l'hypothèse d'homogénéité de la variance
est respectée ou non.

Comparer les résultats de la régression classique et de la régression

robuste sur la moyenne:
regress pctact pcturb Iregio*

rreg pctact pcturb Iregio*, genwt(probust)

Quels sont les coefficients les plus affectés par les observations
extrêmes ou aberrantes ? La variable probus t contient le poids
de chaque observation après estimation. Pour repérer les États dont
on a diminué le poids pour estimer les coefficients robustes, on peut
exécuter:
sort probust

1ist state probust in 1/10

 L'analyse statistique: approche par type de problèmes 161

L'estimation sur la médiane donne aussi des résultats intéressants:

. bsqreg pctact pcturb Iregio*

Comparez avec la régression simple et avec la régression robuste sur

la moyenne: quels sont les résultats les plus proches? Pourquoi?
Pour évaluer l'homogénéité de la variance entre les États, comparez
les résultats sur les trois quartiles:
bsqreg pctact pcturb Iregio*, quant(.25)

bsqreg pctact pcturb Iregio*, quant(.75)

D'après ces résultats, l'hétérogénéité est-elle forte ou non? En d'autres

termes, les États faiblement ou fortement actifs s'écartent-ils du centre
de la distribution? Sur quels États l'effet de l'urbanisation mesurée
parpcturb est-il le moins fort ?

7.2.4 La régression multivariée et la régression multiple

Cette section s'adresse aux lecteurs avertis et rompus aux
statistiques avancées. La régression multivariée est en effet d'un
usage peu courant et sert essentiellement à faire des tests
complexes. La régression multiple disponible dans Stata est d'un
usage délicat: elle distingue une équation principale et une
équation secondaire dans la régression.

Dans la régression multivariée, plusieurs variables dépendantes

interviennent simultanément dans l'équation pour un même
ensemble de variables indépendantes:

mvreg vardepl vardep2... : [varindep] [, corr ]

La procédure est absolument équivalente à faire une régression

pour chaque variable dépendante, mais elle donne la possibilité
de tester les valeurs des coefficients et d'obtenir la matrice de
corrélation des résidus sur l'ensemble des régressions. Avec
l'option corr, on peut voir si les variables dépendantes restent
ou non indépendantes l'une de l'autre après la régression, et
avec la commande test on peut tester si une ou plusieurs
variables indépendantes sont significatives sur l'ensemble des
régressions.
162 L'essentiel de Stata

Le modèle précédent est en fait un cas particulier d'un modèle

plus général où les variables indépendantes ne sont pas
forcément les mêmes pour chaque régression. Cette fois-ci, pour
chaque variable dépendante, un ensemble différent de variables
indépendantes peut être choisi. La syntaxe de la commande est
par conséquent plus complexe, car elle demande de définir
d'abord chacune des équations du modèle:
eq vardepl varindep

eq vardep2 varindep

sureg vardepl vardep2 [, corr ]

Contrairement au modèle précédent, le modèle n'est pas

équivalent à estimer plusieurs régressions séparément, sauf si les
variables indépendantes sont les mêmes pour chaque équation
(ce qui revient à exécuter mvreg). En revanche, on obtient la
matrice de corrélation des variables dépendantes avec l'option
corr, et on peut toujours tester avec test le degré de
signification de certaines variables indépendantes.

Dans la commande sureg, chacune des équations est

équivalente: elles ont la même valeur, le même niveau
hiérarchique. La commande regress offre la possibilité de
distinguer une équation principale (ou structurelle) où figure la
variable dépendante d'intérêt, et une équation secondaire,
« nichée» (nested) au sein de la première. Dans cette équation
secondaire, une des variables indépendantes de l'équation
principale est considérée comme variable dépendante dans une
régression sur un autre ensemble de variables indépendantes. La
syntaxe de base de la régression multiple est:
regress vardepl vardep2 varindepl
(varindepl varindep2)

Pour distinguer les termes des deux équations, la variable

dépendante de l'équation secondaire (vardep2) ne doit pas
figurer dans la liste des variables indépendantes entre
parenthèses: à ce titre vardep2 est considérée comme une
variable endogène (qui obéit à un processus propre), tandis que
L'analyse statistique: approche par type de problèmes 163

les variables indépendantes de l'équation principale varindepl

et secondaire varindep2 sont considérées comme exogènes.
On remarque que les variables indépendantes exogènes de
l'équation principale (varindepl) figurent à la fois dans la liste
des variables indépendantes de l'équation principale et dans la
liste des variables exogènes entre parenthèses.

La régression multivariée permet de mesurer la corrélation entre les

résidus de plusieurs régressions sur un même ensemble de variables
indépendantes:
. mvreg pctact pcturb : Iregio*. corr

Le résultat du test est significatif: cela indique-t-if que les deux

variables pcturb et pctact sont indépendantes l'une de l'autre?
L'appartenance régionale semble très peu significative pour expliquer
les variations autant du niveau d'urbanisation que du pourcentage
d'actifs. Vérifier que l'appartenance à l'une quelconque des régions
n'est pas significatif pour les deux régressions jointes:

Comparez les résultats des commandes mvreg et sureg :

eq pcturb Ireglo*

eq pctact Iregio*

sureg pctact pcturb. corr

La commande sureg n'oblige pas à définir le même ensemble de

variables indépendantes entre les équations:
eq pctact pcturb

eq pcturb Iregio*

sureg pctact pcturb, corr

Ce modèle multivarié, où chaque équation est indépendante l'une de

l'autre est à bien distinguer de la régression multiple où les deux
équations sont hiérarchisées:
. regress pctact pcturb (Iregio*)

Dans cette régression, quelle est la variable dépendante dans l'équation

secondaire ? Quelles sont les variables exogènes ? Pourquoi la variable
pcturb ne figure-t-elle pas entre parenthèses?
164 L'essentiel de Stata

7.2.5 Les régressions non linéaires

Rappelons que l'hypothèse principale de la régression classique
est que la relation entre la variable dépendante et les variables
indépendantes est... linéaire. Pour mieux se représenter
l'importance de cette hypothèse, on peut imaginer un espace où
chaque point représente la position de chaque observation: la
régression linéaire consiste à tracer une droite à travers le nuage
formé par ces points, de telle manière à minimiser la distance
entre cette droite et ces points.

L'hypothèse principale de la régression non linéaire est tout

aussi contraignante: elle stipule que la relation entre la variable
dépendante et les variables indépendantes suit une forme
donnée, une fonction définie par l'utilisateur. Cette forme n'est
pas une droite, mais la régression consiste toujours à minimiser
la distance entre la fonction de régression et les points
d'observations.

La fonction de régression non linéaire doit être définie dans un

sous-programme écrit dans le langage de Stata : cette procédure
s'adresse bien évidemment aux utilisateurs avertis ayant une
bonne connaissance des principes de programmation.
Cependant, un certain nombre de fonctions courantes sont
disponibles dans la version standard du logiciel, pour la
régression sur une seule variable indépendante. La syntaxe de
base de la régression non linéaire est:
nI fonction vardep varindep

Les fonctions courantes sont décrites dans le manuel de Stata. Il

s'agit des fonctions exponentielles à deux ou trois paramètres
(exp2, exp2a et exp3), des fonctions logistiques et de
Gompertz à trois ou quatre paramètres (log3 et log4, gom3 et
gom4).

Pour les fonctions plus complexes faisant intervenir plusieurs

variables indépendantes, il faut écrire ses propres sous-
programmes. Nous n'expliquerons pas ici cette procédure qui
dépasse le cadre de ce manuel.
 L'analyse statistique: approche par type de problèmes 165

La régression non linéaire sur une seule variable indépendante est

comparable aux procédures de lissage graphique que l'on a abordé
dans le chapitre précédent. Comparez les résultats suivants:
graph pctact pcturb. twoway s([state]) connect(m) band(lO)

ksm pctact pcturb, lowess

nl log4 pctact pcturb

nlpred ajlog4

graph ajlog4 pctact pcturb. c(l.) sort

D'autres fonctions peuvent être testées, avec plus ou moins de succès:

nl exp2 pctact pcturb

nlpred ajexp2

graph ajexp2 pctact pcturb, c(l.) sort

nl exp2a pctact pcturb

nlpred ajexp2a

graph ajexp2a pctact pcturb, c(l.) sort

7.3 Les modèles à variable continue datée

Dans les modèles de régression classique, la relation entre les
variables est considérée comme atemporelle. La mesure de
chaque variable a en principe été faite au même moment, et par
conséquent le temps n'intervient pas comme paramètre dans la
régression.

Dans cette section, nous allons aborder des modèles où la

variable dépendante est toujours continue, mais associée à une
durée ou à une date.

7.3.1 Les processus de comptage

Dans le modèle de Poisson, le nombre d'événements dépend de
la durée d'exposition (ou de la surface d'exposition, dans
quelques cas de figure ne faisant pas référence au temps) et de
certaines variables indépendantes. La syntaxe de base de la
commande est:
poisson vardep varindep
[, exposure(#) offset(#) irr]
166 L'essentiel de Stata

Le temps d'exposition peut être défini soit directement par

l'option exposure (#) soit sous forme logarithmique par
l'option offset (#). Le rapport entre les taux d'incidence
(incidence rate ratio, c'est-à-dire les coefficients sous forme
exponentielle) sont obtenus avec l'option irr.

Très proche du modèle de Poisson, le modèle de régression

binomiale négative tient compte d'une éventuelle dispersion
entre les observations qui pourrait suivre une autre loi que celle
de Poisson. En d'autres termes, la régression binomiale négative
tient compte d'une hétérogénéité non observée, c'est-à-dire non
captée par les variables indépendantes dans la régression de
Poisson. Mesurer l'importance de cette hétérogénéité non
observée est utile pour tester la conformité au processus de
Poisson: si l'hétérogénéité non observée est significative, le
modèle doit être rejeté. La syntaxe de base est:
nbreg vardep varindep
[, exposure(#) offset(#) irr]

Un modèle plus général encore permet de paramétriser la

variance qui dépend d'un processus de Poisson et la variance
supplémentaire qui s'ajoute à ce processus. Ce modèle permet
aussi de tester la conformité au processus de Poisson, mais cette
fois l'hétérogénéité supplémentaire est elle-même modélisée:
elle est supposée dépendre d'un certain nombre de variables
indépendantes. La syntaxe est plus complexe dans la mesure où
il faut définir deux équations:
eq vardep varindepl

eq eq2: varindep2

gnbreg vardep eq2

[, exposure(#) offset(#) irr]

Enfin, dans le cas où plusieurs mesures auraient été faites sur les
mêmes individus, on utilisera une commande qui lie les
observations relevant d'un même individu:
xtpois vardep varindep
[, exposure(#) i(ident) robust irr]
L'analyse statistique: approche par type de problèmes 167

Cette commande est équivalente à la commande poisson,

honnis l'option i () qui spécifie l'identifiant des individus pour
plusieurs observations. il est en outre fortement conseillé
d'utiliser l'option robust pour obtenir des erreurs types qui
tiennent compte du fait que certaines observations ne sont pas
indépendantes l'une de l'autre puisqu'elles se rapportent au
même individu (voir plus haut la section sur Les estimations
robustes de la variance).
La commande xtpois est à notre avis improprement classée
panni les commandes pour l'analyse des séries temporelles. En
effet, les observations pour chaque individu ne sont pas classées
dans le temps: le modèle ne tient pas compte du fait qu'une
première observation d'un individu a pu avoir lieu un jour, des
semaines, des mois ou des années avant une seconde ou une
troisième observation. La durée d'exposition peut varier d'une
observation à l'autre mais l'intervalle de temps entre les
observations n'est pas pris en compte.

Supposons que la population totale d'un État soit une bonne évaluation
du temps d'exposition en termes d'hommes-années. Pour tester si le (//
nombre de décès dépend de la part d'actifs, du degré d'urbanisation et
de l'appartenance régionale, on exécutera:
. poisson death petIt5 pet5_17 pet65p peturb Iregio*, exposure(pop)

Pour tester la conformité au processus de Poisson, on préferera :

. nbreg death petIt5 pet5_17 pet65p peturb Iregio*, exposure(pop)

Le test par rapport à la distribution de Poisson montre une différence

très significative qui montre que l'on doit rejeter le modèle de Poisson.
Le nombre de décès dépend peut-être plus de la composition par âges
de la population que de l'urbanisation et de l'appartenance régionale.
Dans ce cas, on peut tester un modèle plus général où ces dernières
variables interviennent séparément par rapport au processus de Poisson.
eq death petlt5 pet5_17 pet65p

eq region: peturb Iregio*

gnbreg death region, exposure(pop)

Après un nombre considérable d'itérations, que conclut le test?

Doit-on rejeter le processus de Poisson? Voir plus loin le modèle
logistique sur des données groupées pour une meilleure estimation.
168 L'essentiel de Stata

Pour illustrer par des exemples l'utilisation des commandes pour

l'analyse des séries temporelles et pour l'analyse de survie, nous
vous demandons de bien vouloir saisir un fichier de données fictives
à l'aide par exemple de l'éditeur intégré de Stata (assurez-vous
qu'aucun fichier n'est en mémoire, puis cliquer sur Editor dans le
menu: voir le chapitre sur les fichiers de données) :

n~ Inlercooled Slala 5.0

fie ~dit Erefs Yiindow !:!elp

date sexe r taux euen

1 0 143 0
2 1 .......- -----_. ._---_. ..._---- 0 132 0
3 .. ! .199~1_._.__ .~.__....!~~. 1
11'- 4. 2-+-_.._.19901_. ~_ 123 0
5 2 1991 1 124 0
I;.......----Jf------f------
6 2 1992 1 121 0
1 2 1995 1 145 0
8 3 1993 1 98 0
9 3 1994 1 101 0
10 4 1990 1 0 102 0
}-----f-----+--
11 4 1992 _._-
......... _.... _....._...
0 -_..._---_.... - ....._---_.0
120
12 4 1993
.......................... . - _ _.. - - - -122 0 -. . _ _..- 0 1---
13 4 1994 0 131 0
i~--- ·······································-·_··· --.-.-_ - - _-.- .
._--
14
..-
4 1995 _--~_. _.. 0 160 1
15 5 1990 1 111 1
> .,·v-
'< I~

Après la saisie, exécutez les commandes suivantes:

expand = 2
expand = 2
replace ident=ident+5 if _n>15 & _n<3l
replace ident=ident+10 if _n>30 & _n<46
replace ident=ident+15 if _n>45 & _n<61
replace taux=taux+round(uniform() *100, 1) if _n>15
save temporel

On dispose maintenant d'un fichier fictif (( [Link] » composé de

20 individus. Supposez que le temps d'exposition soit calculé par la
différence entre deux années d'observation consécutives (chaque
individu ayant été observé depuis 1989) et que le nombre
d'événements soit indiqué par even :
 L'analyse statistique: approche par type de problèmes 169

sort ident date

by ident: generate expo=cond(_n==1,date-1989,date-date[_n-l])

xtpois even sexe taux, exposure(expo) i(ident) robust

Notez que le nombre d'observations (60) n'est pas le même que le

nombre de groupes (20) qui représentent en fait les individus: chaque
individu est représenté par plusieurs observations qui sont liées par
un identifiant (ident) propre à chaque individu. Dans notre exemple,
chaque observation correspond à une période traversée par l'individu.
Cependant, les résultats s'interprètent de la même façon que pour la
commande poisson: seule la durée d'exposition est prise en compte
et non la succession des différentes observations.

7.3.2 Les séries temporelles auto-corrélées

Une variable enregistrée à intervalles réguliers sur une longue
période de temps constitue une série temporelle. Généralement
on veut expliquer l'allure de cette série par d'autres séries, qui
constitueront autant de variables indépendantes. Ces variables
peuvent être soit continues, soit discrètes (dichotomiques ou
polytomiques).

La différence avec une régression classique est que les variables

(dépendante et indépendantes) sont ordonnées dans le temps, en
principe à intervalles réguliers. Dans ce cas, il peut arriver que
l'observation à une date donnée ne soit pas indépendante de
l'observation à la date antérieure, invalidant ainsi une des
hypothèses de la régression classique: on parle alors
d'autocorrélation. Une part importante de l'analyse consiste
alors à tester l'existence d'une autocorrélation, et le cas échéant,
à corriger en conséquence les résultats de la régression.

Le test d'autocorrélation le plus connu est celui de Durbin-

Watson, que l'on obtient avec la commande suivante en même
temps que le résultat de la régression classique:
regdw vardep varindep
[, t (vartemps) force]
170 L'essentiel de Stata

11 vaut mieux définir la variable de temps avec l'option

t (vartemps) plutôt que de laisser la commande prendre par
défaut l'ordre des observations dans le fichier comme variable
de temps. La commande regdw fournit exactement le même
résultat que la commande regress, si ce n'est qu'elle le
complète par le test de Durbin-Watson sur la corrélation, après
régression, entre les résidus pour deux observations consécutives
dans la série. Ce test s'interprète de la même façon qu'un test sur
la loi normale (significatif au seuil de 5% lorsqu'il est supérieur
à 1,96). L'option force est utilisée lorsque les intervalles de
temps ne sont pas égaux, et que l'on veut néanmoins obtenir des
résultats en ne considérant que l'ordre de la série (et non les
intervalles de temps exacts).

Pour obtenir des résultats corrigés par la procédure de Cochrane-

Orcutt, on exécute:
corc vardep varindep
[, t (vartemps) force]

Les coefficients de régression ainsi calculés tiennent compte de

l'autocorrélation: le test de Durbin-Watson est calculé avant et
après correction. D'autres procédures font le même travail mais
sont plus adaptées à de petits échantillons:
prais vardep varindep
[, t (vartemps) force]

ou bien:
hlu vardep varindep
[, t(vartemps) force]

Le choix de l'une ou l'autre procédure est une affaire de haute

théorie statistique que nous éviterons allègrement d'aborder ici.
Les commandes corc et prais tendent à sous-estimer
l'autocorrélation pour les petits échantillons: dans ce cas, la
commande hlu est en principe plus efficiente.

Enfin, une dernière procédure permet de faire une estimation

robuste de la variance des coefficients pour les séries
temporelles. À la différence des commandes précédentes, elle ne
corrige pas la valeur des coefficients de régression en fonction
L'analyse statistique: approche par type de problèmes 171

de l'autocorrélation. Elle corrige seulement l'erreur type en

tenant compte à la fois de l'hétéroscédasticité (voir l'option
robuet de la régression simple) et de l'autocorrélation sur un
ou plusieurs intervalles de temps:
newey vardep var indep , lag ( #)
t(vartemps) force]

L'option lag( lest obligatoire: lorsqu'elle est fixée à 1,

l'autocorrélation est calculée par rapport à l'observation
précédente; fixée à 2, l' autocorrélation est calculée par rapport
aux deux observations précédentes, etc.

Reprenons le fichier « [Link] " créé plus haut, mais cette fois-ci
en considérant que chaque observation représente un individu:
· generate n=_n

Comparez les résultats des deux commandes suivantes:

regress taux sexe

regdw taux sexe, t(n)

On constate que les coefficients sont les mêmes: dans les deux cas
il s'agit d'une régression simple. La deuxième commande indique en
plus que le test de Durbin-Watson est significatif à 9,5%. En effet:
· display round ( (1-normprob(1.668804))*2*lOO,O.1)

On peut obtenir des intervalles de confiance des coefficients de

régression qui tiennent compte d'une éventuelle autocorrélation sur
des intervalles de temps d'une unité:
· newey taux sexe, lag(l) t(n)

Pour corriger les coefficients de régression en tenant compte de

l'autocorrélation, plusieurs procédures sont disponibles:
core taux sexe, t(n)

prais taux sexe, t(n)

hlu taux sexe, t(n)

Remarquez les différences d'estimation des coefficients. Le test de

Durbin- Watson devient significatif après correction pour l'autocorrélation
par la commande praie, et encore plus par la commande hlu.
172 L'essentie1de Stata

7.3.3 Les données issues de panels

Dans la section qui précède, une seule série était en jeu, un peu
comme si l'échantillon n'était constitué que d'un seul individu.
Dans la présente section, à chaque individu correspond une série
temporelle, mais le questionnement est toujours le même: y a-t-
il une relation entre une variable dépendante et une ou plusieurs
variables indépendantes? Ce type de données est généralement
recueilli par panels, c'est-à-dire par des observations répétées au
cours du temps sur un échantillon en principe représentatif. Ces
données sont aussi dites «longitudinales» , par opposition aux
données « transversales» recueillies en une seule fois. Elles sont
aussi appelées «séries temporelles », quoique nous préférons
réserver ce terme aux données agrégées (dans des annuaires
statistiques, par exemple) plutôt qu'aux données d'enquêtes.

La première chose à faire avant d'exécuter un calcul de

régression est de voir comment est organisé le fichier,
notamment par rapport au temps:

xtdes [, patterns(#) i(ident) t(vartemps)]

L'identifiant qui permet de lier les observations entre elles pour

un même individu est indiqué par l'option i (i den t) et la
variable de temps par l'option t (vart emps). La commande
xtdes décrit les configurations présentes dans l'échantillon: les
données ne sont pas forcément disponibles pour tous les
individus et pour chaque durée. Par défaut, la commande xtdes
décrit neuf configurations (en indiquant, le cas échéant, s'il yen
a plus de neuf), mais l'option pat terns ( #) permet
d'augmenter le nombre de configurations décrites.

Exécuter la commande xtdes est très utile en début de session de

travail. Une fois exécutée, il n'est plus nécessaire de redéfinir
l'identifiant de l'individu et la variable de temps pour les autres
commandes commençant par xt. De plus, les paramètres définis
par xtdes sont conservés sur le fichier après la sauvegarde, et il
n'est donc plus nécessaire d'exécuter cette commande pour chaque
nouvelle session, à moins d'avoir à redéfinir la variable de temps
et l'identifiant des individus.
L'analyse statistique: approche par type de problèmes 173

La commande xtgee est certainement la commande la plus

complète pour traiter les données longitudinales. Mais elle est
aussi très complexe. Dans ce manuel, nous n'aborderons que les
commandes les plus courantes pour traiter ces données: ces
commandes sont en général des versions simplifiées de la
commande xtgee. (qui signifie: cross-sectional time-series
using generalized estimating equation). Leur syntaxe est plus
simple et elles sont donc une première étape sur le parcours
initiatique qui mène à la maîtrise de l'analyse des séries
temporelles.

Moins complexe que xtgee, la commande xtreg (cross-

sectional time-series linear regression) permet déjà de tester de
nombreuses composantes de la variance grâce à ses options :
xtreg vardep varindep
(, be fe re]

Sans rentrer dans les détails de l'estimation statistique,

rappelons que pour des données longitudinales, la variance se
décompose en deux éléments: la variance entre les individus, et
la variance entre les observations au cours du temps pour un
même individu.

La commande estime une régression en introduisant dans le

modèle une constante représentant la variation moyenne de la
variable dépendante au cours du temps pour chaque individu.
Par exemple, si la variable étudiée est le taux de cholestérol, on
introduit dans la régression la variation moyenne de ce taux tout
au long du suivi du patient. Les variantes du modèle dépendent
de la façon de considérer cette variation moyenne.

Le modèle le plus simple consiste à traiter la variance moyenne

comme fixe (option fe pour fixed-effects estimator, appelé
encore within estimator), c'est-à-dire connue avec précision pour
chaque individu. Au contraire, si cette moyenne est considérée
comme une estimation (provenant d'une distribution aléatoire, et
donc susceptible d'erreur), on utilise l'option be (pour between
estimator). Dans ce cas, on doit faire l'hypothèse forte d'absence
de corrélation entre la variation moyenne de la variable
dépendante (pour un même individu au cours du temps) et les
coefficients de la régression. Cette hypothèse est présente aussi
174 L'essentiel de Stata

avec l'option re (pour random-effects estimator) mais de plus

on fait l'hypothèse que la corrélation moyenne pour l'ensemble
de l'échantillon peut s'appliquer de manière identique à chaque
individu (il n'y a pas de variation d'un individu à l'autre). La
corrélation entre les observations successives pour un même
individu est censée être la même à la fois pour chaque individu
et pour tous les individus de l'échantillon.

Le modèle à effets fixes (option fe) est focalisé sur l'effet des
variables indépendantes qui varient au cours du temps pour un
même individu (d'où le nom de within estimator, qui sous-
entend une estimation des variations internes à chaque individu).
L'effet des autres variables (constantes) n'est pas calculé.

Les deux autres modèles (option be et re), au prix de

l'hypothèse d'absence de corrélation dans le temps, calculent les
effets de tous les types de variables (constante pour chaque
individu ou variant au cours du temps). On utilise généralement
l'option be pour calculer la composante de la variance due aux
différences entre individus, après avoir calculé la variance totale
(inter- et intra-individuelle) dans le modèle plus général (option
re).

Une variante des modèles précédents est obtenue par la

commande xtgls. Son intérêt réside dans la possibilité
d'obtenir des estimations qui tiennent compte de
l'autocorrélation entre deux observations consécutives pour un
même individu, ainsi que de la corrélation ou de
l'hétéroscédasticité entre individus. Pour exécuter cette
commande, il faut disposer au moins d'autant de périodes que
d'individus dans l'échantillon. Sa syntaxe de base est:
xtgls vardep varindep
[, ~anels(typerreur) ~orr(corr) force]

On peut spécifier la structure des erreurs entre les différents

individus (ou panels): par défaut, elle est supposée
homoscédastique (constante à travers les individus), mais il est
utile de tester l'hétéroscédasticité avec l'option
panels (heteroscedastic) ou plus simplement p (h). Si de
plus, on soupçonne une corrélation entre les individus, on peut
spécifier p (c ) .
L'analyse statistique: approche par type de problèmes 175

Par ailleurs, l' autocorrélation entre deux observations

consécutives peut être testée avec l'option corr (arl) ou c (a)
pour une autocorrélation globale ou bien avec l'option
corr(psarl) ou c (p) pour une autocorrélation spécifique à
chaque individu (panel-specifie).
On remarquera qu'avec l'option p (h) ou p (c) et l'option c (a)
ou c (p), on est en présence d'un modèle très proche du modèle
calculé par la commande newey . .. , lag ( 1) pour un seul
panel.

Reprenons notre fichier « [Link] " en rapportant chaque panel

aux individus correspondants. La commande xtdes permet à la fois
de décrire les données et de définir une fois pour toute la variable
temps et l'identifiant des individus:
· xtdes, i(ident) t(date)

Nous n'avons ici que 5 configurations possibles de dates. Tous les

individus n'ont pas été observés à chaque date depuis 1989. Quel est
l'indicateur du nombre total d'années couvertes par l'enquête?
Commençons par tester l'effet des variations dans le temps:
· xtreg taux sexe, fe

Ce modèle présente-t-il un intérêt? Que signifient les valeurs du R-sq

pour la variation intra-, inter-individuelle et totale? Ce modèle est mal
adapté parce que nous n'avons pas de variable indépendante qui varie
dans le temps: if ne peut y avoir de mesure de la variation intra-
individuelle (within panels) et le modèle stipule de plus que l'effet des
constantes n'est pas calculé. Pour obtenir une estimation de la différence
selon le sexe, on préférera les autres modèles:
xtreg taux sexe, re

xtreg taux sexe, be

Comment interprétez-vous les valeurs du R-sq ? Que concluez-vous

sur l'effet du sexe ?
Pour tenir compte de l'autocorrélation entre observations consécutives
et de l'héréroscédasticité entre individus, on exécutera:
· xtgls taux sexe, p(h) c(a) force

Le nombre de périodes est-if suffisant pour ce modèle? Pourquoi a-t-on

utilisé l'option force? Quelle est la signification de la note qui apparaÎt
au début des résultats (voir aussi le nombre d'observations) ?
176 L'essentiel de Stata

7.4 Les modèles à variable continue par intervalles

Supposez que vous cherchiez à mesurer de quoi dépend le
revenu, mais que dans votre échantillon, certaines personnes
bien payées hésitent à déclarer leur revenu réel. Dans ce cas, il
est préférable de mentionner pour ces personnes un revenu
supérieur à une valeur x (à définir) plutôt que de se risquer à
mentionner la déclaration biaisée des revenus de ces riches
enquêtés.

Le modèle à variable continue par intervalles a pour but de

répondre à ce type de problème. il n'est d'ailleurs pas restreint
aux intervalles ouverts à droite (dans les valeurs supérieures) et
peut être généralisé à tous types d'intervalles (à gauche, à droite
ou bien tout au long de la distribution). Dans tous les cas, il fait
l'hypothèse que la distribution de l'erreur type de la variable
dépendante suit une loi normale pour l'ensemble des
observations: il faut souligner que cette hypothèse n'est pas
forcément vérifiée, et que les cas d'intervalles ouverts sont
fréquemment associés à une forte hétéroscédasticité.

La forme la plus générale de ce modèle est fournie par la

commande intreg, dont la syntaxe de base est:
intreg varinf varsup varindep
[, Eobust cluster (var) ]

Cette commande nécessite de définir les limites de chaque

intervalle. Dans le cas où par exemple, les revenus ne seraient
connus que par intervalles (pour ménager les susceptibilités ou
pour simplifier l'enquête, on demande souvent aux enquêtés de
se situer dans une classe de revenu, par exemple entre 5000 et
6499 FF, entre 6500 et 7999, etc.), on a besoin des bornes
inférieures et supérieures pour chaque individu. Pour les
intervalles ouverts à gauche (valeurs inférieures à un seui1), la
borne inférieure est codée manquante «( .
»), tout comme la
borne supérieure dans le cas d'intervalles ouverts à droite.
Lorsque les deux bornes ont la même valeur, cela signifie que la
variable dépendante est connue précisément.
L'analyse statistique: approche par type de problèmes 177

Pour limiter l'effet de l'hypothèse d'homoscédasticité, on peut

spécifier les options robust et c1uster, de la même manière
que pour la régression classique (voir nos commentaires plus
haut).

Lorsque la variable dépendante est connue sur une échelle

ouverte à droite et/ou à gauche, mais que les données entre les
bornes inférieure et supérieure sont connues avec précision, la
commande cnreg (pour censored-normai regression) est plus
adaptée:

cnreg vardep varindep , censored ( varcens)

11 n'est nécessaire de définir qu'une seule variable dépendante,

et l'option censored (varcens) indique si la valeur de la
variable dépendante représente la borne inférieure de l'intervalle
(varcens==-l), la borne supérieure (varcens==+l) ou bien si
la valeur est connue précisément (varcens==O).

Une variante de ce modèle consiste à fixer pour toutes les

observations les mêmes bornes supérieure et/ou inférieure:
tobit vardep varindep, 11[(#)] u1[(#)]

Si les limites ne figurent pas entre parenthèses pour les options

Il (Iower limit) et u1 (upper limit), cela signifie que les valeurs
minimum et maximum de la variable dépendante rencontrées
dans le fichier sont considérées comme les limites effectives. On
peut spécifier une seule limite, Il ou u1, si l'autre est connue
pour chaque individu. Pour éviter les erreurs, et pour faciliter la
lecture des résultats il est préférable de toujours mentionner
explicitement les limites.

Notez, pour les commandes tobit et cnreg, l'absence des

options robust et c1uster : même si la commande intreg
paraît à première vue plus complexe (du fait qu'elle nécessite la
création de deux variables indiquant les bornes des intervalles),
il est préférable de faire cet effort pour obtenir des estimations
moins sensibles à l'hétéroscédasticité, grâce aux options
robust et c1uster.
178 L'essentiel de Stata

Supposons que dans le fichier" [Link] ", chaque observation

représente un individu et que taux soit la variable dépendante.
Si les valeurs supérieures à 200 sont considérées comme douteuses,
on pourra appliquer le modèle tobi t et comparer les résultats avec
un modèle de régression simple:
regress taux sexe

tobit taux sexe, ul(200)

Supposons maintenant que la variable even indique un intervalle

ouvert à droite (even==l). Dans ce cas, l'intervalle peut être différent
pour chaque individu, et la commande cnreg sera mieux adaptée:
. cnreg taux sexe, censored(even)

Notre petit fichier de données fictives ne contient pas des limites

inférieure et supérieure pour la variable taux, mais en guise
d'exercice vous pouvez créer artificiellement de tels intervalles pour
chaque observation en considérant la variable taux comme la limite
inférieure et en y ajoutant quelques unités aléatoirement :
generate tauxinf=taux

generate tauxsup=taux+round(lO*uniforrn() ,1)

Pour agrémenter le problème, remplacez par des valeurs manquantes

certaines limites inférieure et supérieure:
replace tauxinf=. if _n<S

replace tauxsup=. if _n>46

Le modèle correspondant à ces données serait alors:

. intreg tauxlnf tauxsup sexe, robust

Remarquez l'utilisation de l'option robust.

Dans chacune des régressions obtenues, en dessous des coefficients,

figure un indice _se ou bien _sigma qui correspond à l'écart type de
la variable dépendante après régression sous l'hypothèse d'une
distribution normale. Une erreur type est associée à cet indice ainsi
qu'un degré de significativité et un intervalle de confiance.
 L'analyse statistique: approche par type de problèmes 179

7.5 Les modèles à variable dichotomique non datée

L'idée à la base des modèles logistique ou probit est de faire
l'analyse non pas sur une variable dépendante continue qui peut
prendre une infinité de valeurs, comme dans les modèles
précédents, mais sur une variable dichotomique, codée 1 ou 0
selon que l'individu a ou n'a pas la caractéristique étudiée.

Ces modèles s'appliquent aux situations où certains individus

ont une caractéristique que d'autres n'ont pas. La modélisation a
pour objectif de déterminer les facteurs qui peuvent expliquer la
présence de cette caractéristique. En principe, le temps est
considéré comme nul ou inopérant : comme dans le modèle de
régression simple, le moment de l'observation est supposé
unique (voir plus loin les modèles qui s'inspirent du modèle
logistique tout en tenant compte du temps).

7.5.1 Les modèles logistique et probit

Dans le modèle logistique (ou logit, nous verrons que ces deux
termes sont équivalents), le ratio qui est modélisé est constitué
du rapport entre la population qui a la caractéristique étudiée et
celle qui ne l'a pas. Ce n'est donc pas exactement une
proportion (rapport entre la population qui a la caractéristique
étudiée et la population totale), mais les deux ratios sont proches
lorsque la caractéristique étudiée est rare.

La différence entre les modèles logistique et probit réside dans la

forme de la fonction qui lie la variable dépendante aux variables
indépendantes: dans le modèle logistique, il s'agit de la
distribution logistique cumulée, tandis que dans le modèle
probit, il s'agit de la distribution normale cumulée. La
conséquence se situe essentiellement au niveau de la distribution
des variations aléatoires (1'erreur type).

Pour simplifier l'exposé, nous ne traiterons ici que du modèle

logistique, en gardant à l'esprit que les procédures sont presque
les mêmes pour le modèle probit. Dans le tableau ci-dessous
figurent la correspondance entre les différentes commandes pour
les deux types de modèle.
180 L'essentiel de Stata

Modèle Modèle
logistique probit
logit probit
logistic dprobit
blogit bprobit
glogit gprobit
svylogit svyprobit

La syntaxe de base du modèle logistique est:

logistic vardep varindep
[, !:obust cluster (var)]

Cette commande fournit les résultats sous forme de « rapports de

chances» (odds ratios): à chaque changement d'unité d'une
variable indépendante correspond un coefficient multiplicatif,
qui varie de 0 à plus l'infini et qui est centré sur la valeur 1,
correspondant à un effet nul. Par exemple, à un rapport de
chance calculé de 1,5 correspond une multiplication de la
probabilité par 1,5. À un rapport de 0,5 correspond une
réduction de 50% de la probabilité, ou bien, si l'on préfère, une
division de la probabilité par 2.

Pour obtenir des coefficients sous forme additive, dont

l'interprétation est moins immédiate mais qui varient
symétriquement (autour de 0) de plus à moins l'infini, on
exécutera la commande logit. Les deux commandes sont
absolument équivalentes (c'est le même modèle qui est estimé)
mais logistic est associée à des commandes de diagnostic de
la régression qui ne sont pas disponibles après logit.

Comme pour la régression classique, les options robust et

cluster permettent de tenir compte d'une éventuelle
hétéroscédasticité.
L'analyse statistique: approche par type de problèmes 181

En principe le modèle logistique est adapté à l'analyse des caractéris-

tiques rares. Il arrive fréquemment que l'estimation ne converge pas
lorsqu'une variable indépendante dichotomique ou bien une catégorie
d'une variable indépendante polytomique définit un sous-ensemble
d'individus dont aucun n'a la caractéristique étudiée (vardef}==O).
Dans ce cas une note apparaÎt avant les résultats de la régression
pour dire que « nomvar-=O predicts failure perfectly ». Les individus
concernés sont alors éliminés de l'analyse ainsi que la variable
indépendante qui correspond. Il en est de même si tous les individus
d'une catégorie ont la caractéristique étudiée (vardef}==1), et le message
« nomvar-=O predicts success perfectly » apparaÎt.

On assiste là à un véritable paradoxe: les individus pour lesquels le

modèle s'ajuste parfaitement sont éliminés des calculs. Cela provient
du fait que dans ce cas les coefficients pour ces individus pour le
modèle logistique tendent vers 0 ou plus l'infini (ou bien vers plus ou
moins l'infini pour le modèle sous forme logit).

Une astuce pour obtenir des estimations sur l'ensemble de l'échantillon

est d'utiliser la commande mlogit en y introduisant une contrainte de
convergence: en effet cette commande (qui est décrite dans une section
ultérieure) n'élimine pas les individus pour lesquels la prédiction est
parfaite, et calcule les coefficients tendant vers plus ou moins l'infini
(modèle additif) dont le degré de significativité n'est pas interprétable
(l'erreur type tendant aussi vers l'infini). Pour les autres coefficients,
les résultats sont les mêmes qu'avec la commande logit, mais
l'avantage est que l'on peut estimer le gain de vraisemblance véritable
compte tenu des prédictions parfaites.

Dans le fichier« [Link] ", créons une catégorie bidon pour

laquelle la variable dépendante even est toujours codée 1, et comparons
les résultats:
generate bidon=cond(_n<16,even,0)

logit even bidon sexe taux

mlogit even bidon sexe taux, Itolerance(.OOOOOl)

Le gain de vraisemblance (Pseudo Fr) a presque doublé entre les

deux estimations. Remarquez l'utilisation de l'option 1 tolerance (#)
ainsi que les valeurs du coefficient pour bidon, de son erreur type et
de son degré de significativité.
182 L'essentiel de Stata

Une variante du modèle logistique de base permet de traiter les

données groupées lorsque les données individuelles ne sont pas
disponibles. Le cas se présente lorsqu'on connaît le nombre
d'individus ayant la caractéristique étudiée ou non, classés par
groupe selon les catégories des variables indépendantes, mais
qu'on ne dispose pas d'un fichier où figurent pour chaque
individu les valeurs des variables dépendante et indépendantes.
Dans le fichier groupé, chaque observation représente plusieurs
individus et correspond à une catégorie de l'échantillon définie
par le croisement des variables indépendantes.

La syntaxe de base de la commande blogi test:

blogit nbreponse poptotale
[, Eobust cluster{ var) or]

La syntaxe de glogi t est la même excepté que les estimations

robustes ne sont pas possibles. Le maximum de vraisemblance
(maximum-likelihood) est la procédure d'estimation utilisée pour
blogit (comme pour logit ou logistic) alors que glogit
utilise la méthode des moindres carrés pondérés (weighted least
squares). Le modèle blogit s'applique aux données issues
d'un échantillon non pondéré, tandis que le modèle glogit est
mieux adapté aux données exhaustives (de type recensement).

Enfin, la commande svylogit permet de traiter les données

issues d'échantillonnage par grappes, stratifiées ou non (voir la
section sur les pondérations dans le chapitre sur Les statistiques
simples et leurs représentations graphiques).

Supposons que dans le fichier« [Link] ", chaque observation

représente un individu et que aven soit la variable dépendante.
On peut alors appliquer un modèle logistique. Comparez les résultats
obtenus avec les différentes commandes:
logit even sexe taux

logit even sexe taux, robust

logit even sexe taux, robust or

logistic even sexe taux, robust

 L'analyse statistique: approche par type de problèmes 183

On peut appliquer le modèle logistique sur les données groupées

du fichier cc [Link] ". Comparez les résultats suivants:
nbreg death petIt5 pet5_17 pet65p peturb Iregio*, exposure(pop)

blogit death pop petIt5 pet5_17 pet65p peturb Iregio*

glogit death pop petIt5 pet5_17 pet65p peturb Iregio*

Lequel de ces modèles est le plus adapté aux données du recensement?

Faites le même exercice avec les commandes bprobi t et gprobi t.

7.5.2 Le modèle conditionnel logistique appliqué aux données

assorties (échantillon cas-témoin)
En biologie ou en épidémiologie (et parfois dans l'ingénierie), il
arrive fréquemment de mesurer l'effet d'un produit ou d'un
traitement en comparant des individus couplés par paires selon
des caractéristiques communes et connues à l'avance. En
d'autres termes, la variable dépendante distingue les cas
(codés 1) et les témoins (0) au sein de groupes ayant des
caractéristiques communes, et on cherche à connaître l'effet
d'autres variables (indépendantes) au sein de ces groupes. La
régression est dite conditionnelle (conditional logistic
regression) parce que l'estimation est conditionnée par
l'appartenance à un groupe. On ne s'intéresse pas à la variance
entre les groupes (between) mais au sein des groupes (within).

Cette méthode a été généralisée de telle façon à ce que les cas et

les témoins ne soient pas seulement assortis par paires (matched
case-control): un cas peut être assorti à plusieurs témoins et
inversement, de sorte que toutes les configurations sont
possibles entre le nombre de cas et le nombre de témoins.

La syntaxe de base de clogit est:

clogit vardep varindep ,group(ident) [or]

Les résultats sont produits sous forme additive. La forme

multiplicative (soit une présentation du même type que la
commande logistic) est obtenue avec l'option or (odds
ratio).
184 L'essentiel de Stata

Créons dans le fichier« [Link] ", une variable fictive indiquant

si une observation est un cas ou un témoin, au sein de chaque groupe
défini par la variable ident, et appliquons le modèle c logi t :
sort ident

by ident: generate cas=round(uniform() ,1)

c10git cas expo sexe taux, group (identJ

La première note indique que les groupes ne sont pas uniquement

constitués de paires. La deuxième note indique que certains groupes
ont été éliminés de l'analyse car une seule catégorie (soit des cas, soit
des témoins) est représentée dans ces groupes: il faut en effet au
minimum une paire par groupe pour que l'analyse ait un sens. Enfin la
variable sexe a été éliminée car chaque groupe est en fait constitué
de personnes de même sexe: l'estimation porte sur la variance au
sein des groupes (pour des variables indépendantes variant entre les
individus d'un même groupe) et non entre les groupes.
Sur combien d'individus porte l'analyse de régression? Pourquoi tout
l'échantillon n'est-il pas analysé?

7.6 Les modèles à variable dichotomique datée

7.6.1 Les modèles logistiques et probit appliqués aux données
longitudinales
Les modèles logistique et probit s'appliquent aux données non
datées, c'est-à-dire où chaque observation du fichier représente
un individu. Une généralisation consiste à considérer plusieurs
observations par individu (par exemple, plusieurs
expérimentations d'un produit, plusieurs diagnostics, ou une
série d'observations annuelles d'un même échantillon). Ce type
de modèle est généralement appliqué aux données
longitudinales, issues de panels. Rappelons cependant que les
observations sur un même individu ne sont pas nécessairement
ordonnées: il ne s'agit pas toujours de séries temporelles.
L'équivalent de la commande logit pour les données
longitudinales est:
xtgee vardep varindep , !amily(binomial)
[!ink(logit/probit) ~orr(corr)
force robust eform ]
L'analyse statistique: approche par type de problèmes 185

Comme on l'a dit plus haut dans la section sur Les données
issues de panels, il est préférable d'exécuter xtdes avant une
commande de type xt, pour définir l'identifiant liant les
observations entre elles pour un même individu, et la variable de
temps.

En spécifiant l'option fami ly (binomial), le lien par défaut

est de type logistique. L'option link n'est donc utile que pour
spécifier un lien de type probit. Stata dispose d'une commande
spécifique pour ce type de modèle, xtprobi t, mais étant donné
que cette commande fait appel aux mêmes options que xtgee,
nous vous conseillons plutôt d'utiliser cette dernière, qui vous
permettra de passer plus rapidement d'une variante du modèle à
une autre.
L'option corr permet de définir jusqu'à sept types de structure
de corrélation entre panels, c'est-à-dire entre les observations
successives au cours du temps (within correlation). La
corrélation par défaut est de type exchangeable. Dans ce cas
une corrélation moyenne est appliquée pour tous les individus:
la corrélation entre les observations pour un même individu est
supposée constante, et cette corrélation est la même pour tous les
individus de l'échantillon. Cette option est équivalente à l'option
re (random-effects estimator) que nous avons vu plus haut dans
la section sur Les données issues de panels. À l'opposé, l'option
corr (unstructured) permet de ne poser aucune contrainte
sur la corrélation entre observations successives au cours du
temps (entre chaque panel).

Les autres options posent des contraintes intermédiaires. La plus

intéressante sans doute correspond au modèle autorégressif
AR(n) où les observations d'un panel sont supposées corrélées
aux observations du ou des panels précédents. Les options
corr(arl) pour les commandes xtgls et xtgee sont
équivalentes, mais l'autocorrélation n'est pas restreinte à deux
panels consécutifs pour xtgee: dans le cas où n> 1
l'autocorrélation est supposée régresser avec la valeur de n.

Une variante du modèle autorégressif est donnée par l'option

corr(stationary n). Dans ce cas, l'autocorrélation entre un
panel et les n précédents est constante, quel que soit le
186 L'essentiel de Stata

nombre n. Avec l'option corr(nonstationary n), une

autocorrélation spécifique est calculée pour chaque couple de
panels formé par le panel courant et les n précédents.

L'option corr (independent) revient à considérer que les

observations ne sont pas regroupées par individus, c'est-à-dire
qu'elles ne sont plus issues de panels: la commande est alors
équivalente à logit ou probit. Enfin, l'utilisateur peut
spécifier sa propre matrice de corrélation (et non une matrice
calculée à partir des données) avec l'option corr ( f ixed
matrice) : cette option est rarement utilisée.

Il n'est pas très aisé de choisir a priori une structure de

corrélation entre panels successifs. En pratique, on étudiera
d'abord la structure de la matrice de corrélation avec l'option
corr (unstructured), pour voir si les données ne présentent
pas une structure particulière dont on pourrait rendre compte
avec une autre option de corrélation plus contraignante et plus
simple à la fois.

L'option robust a été expliquée plus haut dans la section sur

Les estimations robustes de la variance. Ajoutons que dans le
cas de la commande xtgee, l'option cluster(ident) est
implicite: une grappe correspond à un ensemble d'observations
consécutives (panels) pour chaque individu.

L'option force est utilisée lorsque les intervalles de temps ne

sont pas égaux, et que l'on veut néanmoins obtenir des résultats
en ne considérant que l'ordre de la série (et non les intervalles de
temps exacts).

Enfin, l'option eform permet d'obtenir les coefficients sous

forme multiplicative (comme pour les commandes logistic
ou dprobit), alors que sans cette option les résultats sont
présentés sous forme additive (commandes logit et probit).
 L'analyse statistique: approche par type de problèmes 187

Reprenons pour exemple le fichier« [Link] ", avec even pour

variable dépendante. Tous les individus n'ont pas été observés aux
mêmes dates, de sorte que l'on est contraint d'utiliser l'option force.
Le nombre d'individus est trop petit (et trop artificiel) pour tester toutes
les options de corrélation, mais on peut tout de même comparer les
résultats avec une corrélation moyenne (identique entre panels pour
tous les individus) et avec une corrélation non structurée entre panels:
xtgee even sexe taux, family(bin) corr(exchang) force robust

xtcorr

xtgee even sexe taux, family(bin) corr(unstr) force robust

xtcorr

La commande xtcorr fournit la matrice de corrélation entre panels:

l'option unstructured montre-t-elle une structure de corrélation
particulière? L'option de corrélation par défaut exchangeable est-
elle raisonnable ?

Comparez maintenant les résultats des deux commandes suivantes:

logit even sexe taux, robust cluster(ident)

xtgee even sexe taux, family(bin) corr(indep) force robust

Que vous inspirent ces résultats ? Que signifie l'option de corrélation

independent ?

7.6.2 Les modèles de survie

L'analyse de survie prend son origine en épidémiologie mais elle
s'est étendue depuis à d'autres disciplines: le terme anglais
survival analysis qui lui correspond le mieux, est de plus en plus
remplacé par event history analysis pour bien signifier que ce
type d'analyse s'applique aussi à des événements moins
définitifs que le décès. En français, les termes d'analyse des
biographies et d'analyse des transitions sont les plus courants.

Par souci de conformité avec le manuel de référence de Stata qui

classe les modèles présentés dans cette section dans les
rubriques [R] st (comme survival lime), nous conserverons le
terme générique de modèle de survie. Mais, le terme qui décrit le
mieux leurs aspects techniques est celui de modèles à risques
proportionnels (proportional hazard models). Mis au point la
188 L'essentiel de Stata

première fois par D. R. Cox en 1972 (d'où l'appellation

fréquente de «modèle de Cox »), ces modèles font l'hypothèse
que l'effet des variables indépendantes est proportionnel à la
probabilité de connaître l'événement dans chaque intervalle de
temps.

Le modèle de survie se rapproche du modèle logistique sur les

données longitudinales, par panels: ils traitent tous deux une
variable dépendante dichotomique. En revanche, ils diffèrent
fondamentalement l'un de l'autre dans leur façon de traiter le
temps.

En effet, les modèles de type logistique ne considèrent pas

...
explicitement la succession des panels dans le temps. Le temps
n'intervient éventuellement que dans la structure de la
corrélation entre périodes successives: c'est le cas par exemple
avec les options de corrélation ar, stationary ou
nonstationary où la corrélation est limitée à un nombre fixe
de périodes successives. Pour les autres options de corrélation, le
temps n'est pas pris en compte.

Dans les modèles de survie, au contraire, le temps écoulé entre

la première et la dernière période fait partie intégrante de
l'estimation. Le risque est calculé pour chaque unité de temps et
non globalement pour l'ensemble des observations.

Ces modèles prennent explicitement en compte l'interruption du

temps d'observation du fait de l'enquête, ou bien du fait de la
déperdition de certains individus, qu'on appelle une «troncature
à droite» (right censoring). Les troncatures à gauche (les entrées
tardives en observation - left censoring) et même les
interruptions en cours d'observation (time gaps) peuvent aussi
être prises en compte. De plus, les variables indépendantes
peuvent varier dans le temps (time-varying variables), et les
sujets, après avoir connu une première fois l'événement, peuvent
entrer à nouveau dans la population soumise au risque et ainsi
connaître plusieurs événements successifs jusqu'à la date
d'enquête: on parle alors d'événement renouvelé (multiple
failure ou recurring time failure). De ces diverses manières,
l'information sur le temps d'observation est mieux contrôlée.
L'analyse statistique: approche par type de problèmes 189

Un nombre important de commandes sont disponibles pour

déclarer, décrire et traiter les données de survie (survival time
data). Sans les passer toutes en revue, il est indispensable de
montrer comment déclarer les paramètres nécessaires à l'analyse
de survie (de la même façon qu'on utilise la commande xtset
pour les données de panels - cross-sectional time series). La
syntaxe de base est la suivante:
stset vartemps indtronc [f/p/iweight]
, [id(ident) tO (datedébut) ]

L'exécution de cette commande nécessite au minimum de

connaître la durée d'observation de l'individu jusqu'à
l'événement et un indice de troncature, qui par convention sera
égal à 1 si l'événement a eu lieu avant la sortie d'observation, et
à 0 sinon (troncature à droite).

Dans le cas où plusieurs observations ont été faites sur les

mêmes individus, l'option id permet de déclarer la variable
reliant les observations pour un même individu. Si les périodes
correspondant à chacune de ces observations ne se suivent pas
(s'il y a des interruptions au cours du temps d'observation -
gaps), on doit alors déclarer la variable indiquant le début de
période avec l'option tO.

Les paramètres définis par stset sont conservés sur le fichier

après la sauvegarde: il n'est pas nécessaire d'exécuter cette
commande pour chaque nouvelle session, à moins d'avoir à
redéfinir les paramètres. Pour vérifier qu'ils ont été bien définis,
et pour décrire le fichier, on exécutera la commande stdes.

Plusieurs modèles de survie (à risques proportionnels) sont

disponibles dans Stata. Le modèle classique le plus courant est
obtenu avec la commande steox, dont la syntaxe de base est:
steox varindep
[, nohr strata(var) !:obust eluster(var)]

Ce modèle a une composante non paramétrique, qui correspond

à la fonction de survie: les quotients instantanés de survie -
hazard ratios - sont calculés indépendamment pour chaque unité
de temps, de sorte qu'aucune forme n'est imposée à la
distribution de ces quotients. La composante paramétrique du
190 L'essentiel de Stata

modèle est constituée du vecteur des variables indépendantes qui

agissent proportionnellement sur toute la durée d'observation.
En raison de cette double composante, le modèle est dit semi-
paramétrique.

Pour ajuster la fonction de survie à une fonction de Weibull (où

les quotients instantanés de survie sont de forme pt p - 1 où t
représente le temps et p un paramètre estimé à partir des
données), on utilise la syntaxe de base:
stweib 1 stereg varindep
,[nohr robust cluster(var)]
- -
Les commandes stweib et stereg diffèrent simplement en ce
que stereg est un cas particulier de stweib où p= 1. Dans ce
cas la fonction de survie est dite exponentielle (quotients
instantanés constants au cours du temps). Ces modèles sont dits
paramétriques étant donné que les deux composantes du modèle
(fonction de survie et variables indépendantes) sont
paramétriques.

Le fichier" [Link] » est parfaitement adapté à l'analyse de

survie. Les observations qui se rapportent à un même individu sont
repérées avec la variable ident. La variable even représente l'indice
de troncature, et la variable date le moment de l'évènement.
Dans un premier temps, on va considérer que les observations ont eu
lieu depuis 1989. Pour déclarer les variables nécessaires à l'analyse
de survie, on exécutera :
generate duree=date-1989

stset duree even , ld(ldent)

stdes

La commande stset crée automatiquement une nouvelle variable

indiquant le moment d'entrée en observation:
sort ident duree

by ident: list date tO duree expo taux

Pourquoi tO est-elle toujours égale à 0 pour la première observation

pour chaque individu? À quoi correspond tO pour les observations
suivantes (comparez les variables tO, duree et expo) ? Remarquez
les valeurs de taux: comment appelle-t-on ce type de variable?
 L'analyse statistique: approche par type de problèmes 191

On pourrait considérer que chaque observation correspond en fait à

une durée d'exposition d'un an. Oans ce cas, on sera en présence de
troncatures à gauche (puisque tous les individus n'ont pas été observés
en 1990) et aussi d'interruptions d'observations (certains individus ne
sont pas observés tous les ans). Pour cela on devra définir explicitement
la variable de début de période avec l'option tO :
generate debut=duree-l

stset duree Even, id(ident) tO(debut)

stdes

sort ident duree

by ident: list date debut duree

La commande stdes nous confirme bien que tous les individus

n'entrent pas en observation à la durée 0 (first entry time>O) et qu'il y a
des interruptions d'observation (subjects with gaps).

Comparez les résultats des modèles suivants:

xtgee Even sexe taux, family(bin) corr(exchang) force robust

stcox sexe taux, robust nohr

stweib sexe taux, robust nohr

Quel est le modèle qui correspond le mieux à la structure des données ?

Oans quel modèle pose-t-on le moins d'hypothèses fortes?

7.7 Le modèle à variable polytomique exclusive

Le modèle multinomial logit (ou logistique polytomique, les
deux fonnulations sont équivalentes) est adapté aux situations
où la variable dépendante est polytomique mais n'est pas
ordonnée. Les modalités de la variable dépendante ne peuvent
être classées selon un ordre de valeur. On sait simplement
qu'elles sont exclusives l'une de l'autre, c'est-à-dire que les
individus ne peuvent être classés à la fois selon l'une et l'autre
modalités. À la différence du modèle logit, ce n'est pas la
présence d'une seule caractéristique dont on mesure les chances,
mais l'alternative entre plusieurs caractéristiques.
192 L'essentiel de Stata

La syntaxe de base de la commande mlogit est:

mlogit vardep varindep
[, ~asecategory (#) rrr ]

Le modèle multinomial logit est un système de m-1 équations,

où m correspond au nombre de modalités de la variable
dépendante. Une modalité de référence est choisie en fonction
du nombre de cas le plus élevé dans l'échantillon, mais on peut
imposer un autre choix avec l'option basecategory, en
indiquant le numéro de modalité. En changeant de cette manière
la catégorie de référence de la variable dépendante, on peut
calculer autant de coefficients pour une même variable
indépendante qu'il Y a de combinaisons de deux modalités de la
variable dépendante.

Par exemple, si m=6 on peut former jusqu'à

m! = 6 x 5 x 4 x 3 x 2 = 15
séries de coefficients de
2!(m-2)! 2x(4x3x2)
régression. On comprend que pour cette raison, les résultats du
modèle multinomial logit sont plus difficiles à interpréter que
ceux du modèle logit simple. li faut non seulement raisonner
avec plusieurs variables indépendantes (explicatives), elles-
mêmes le plus souvent polytomiques, mais il faut aussi ajouter
une dimension supplémentaire, puisque la variable dépendante
comporte plusieurs modalités.

Ajoutons enfin que l'option rrr (relative risk ratios) sert à

obtenir les résultats sous forme logistique.

Supposons que l'on veuille déterminer l'appartenance d'un État à une

des quatre régions des USA (m=4) à partir de certaines de ses
caractéristiques contenues dans le fichier" [Link] » :
. mlogit region pop actif urbain

Le nombre d'équations est bien de m -1 c'est-à-dire 3, mais on peut

former d'autres combinaisons de coefficients en changeant la catégorie
de base:
. mlogit region pop actif urbain, base(4)
 L'analyse statistique: approche par type de problèmes 193

Comparez les coefficients pour la région Ouest pour le premier modèle

aux coefficients pour la région Sud dans le second: pourquoi les
coefficients sont-ils symétriques? Que mesurent les coefficients pour
la région Nord-Est dans les deux modèles? Pourquoi les coefficients de
la région Centre-Nord sont-ils significatifs dans un cas et pas dans l'autre?

Contrairement aux commandes logit ou logistic, les individus

ne sont pas éliminés de l'analyse lorsque la catégorie à laquelle ils
correspondent prédit parfaitement le résultat. Par conséquent, comme
il est indiqué plus haut dans la note qui suit les explications sur le
modèle logistique, il est alors nécessaire d'introduire une contrainte de
convergence en limitant le nombre d'itérations: dans ce cas, mlogit
calcule, pour les catégories où la prédiction est parfaite, des coefficients
de régression tendant vers plus ou moins l'infini (selon que les chances
de succès sont totales ou nulles).

Dans le fichier " [Link] ", créons une catégorie bidon égale à 1
pour certains États de la région Ouest, et analysons les résultats:
generate bidon=cond(region==4,round(uniform() ,1) ,0)

tabulate bidon region

mlogit region actif urbain pop bidon, ltolerance(.DDDD1)

mlogit region actif urbain pop bidon, ltolerance(.DDDD1) base(4)

Le coefficient bidon pour la région Ouest tend vers l'infini. Par contre
pour les régions Nord-Est et Centre-Nord, ils tendent vers une valeur
nulle: en fait il faut se rappeler que la variable bidon est codée 0
pour la catégorie de référence, la région Sud. Par conséquent, les
coefficients pour les régions Nord-Est et Centre-Nord, pour lesquelles
la variable bidon est aussi codée 0, s"interprètent comme une
différence entre risques nuls. On peut vérifier que c'est bien le cas en
changeant la catégorie de référence pour la région Ouest:
. mlogit region actif urbain pop bidon, lto1erance(.DDDD1) base(4)

7.8 Les modèles à variable polytomique ordonnée

Dans les modèles logit ordonnés, la variable dépendante est
évaluée par degré, comme par exemple un niveau de
satisfaction, allant par paliers de « mauvais» à «excellent ». La
variable dépendante est à la fois polytomique et ordonnée, sans
toutefois être continue comme dans la régression simple.
194 L'essentiel de Stata

La modélisation consiste à ajuster la répartition observée entre

les différentes catégories de la variable dépendante, par
régression sur un certain nombre de variables indépendantes
(explicatives). Cela revient, sur une échelle allant de 0 à 1, à
choisir des points de césure (eut-points) de façon à définir des
intervalles de probabilité: le premier intervalle (entre 0 et le
premier point de césure) correspond au premier niveau de
l'échelle ordinale, le deuxième intervalle (entre le premier et le
deuxième point de césure) au deuxième niveau, etc. Sur une
échelle logistique, l'échelle varie en fait de plus à moins l'infini
autour de la valeur O.

La syntaxe de base de la commande est:

ologit vardep varindep [, ~able]

La commande oprobit pour les estimations sous forme probit

a la même syntaxe. L'option table permet d'obtenir la
distribution empirique qui correspond aux points de césure.

Supposons que dans le fichier« [Link] ", nous ne connaissions

pas l'âge médian, mais que nous disposions d'une variable ordinale
catage indiquant la catégorie d'âge médian où se situe chaque État
(voir les exercices de la section sur les Tableaux croisés à deux
variables) :
· generate catage=recode(medage,27,28,29,30,3l,32)

On peut alors estimer le modèle suivant:

· ologit catage pc tact pcturb Iregio*, table

Les valeurs de la variable dépendante n'ont pas d'importance pourvu

simplement qu'elles indiquent un ordre dans les catégories. Pour s'en
convaincre, il suffit de relancer le modèle après avoir modifié la
variable ainsi:
· replace catage=catage-26

" vaut toujours mieux traiter les données exactes quand on peut le
faire. Comparez les résultats précédents à ceux de la régression
simple sur la variable originale:
· regress medage pctact pcturb Iregio*
 Index
abbréviation 28 factor 152
adressage en ligne (explicit fit 158
subscripting ) 87 fpredict 158
ajustement des courbes 127 generate 75
analyse glogit 184
en composantes principales 152 gnbreg 168
factorielle 152 graph 9; 119
analyse de survie 189 grmeanby 146
analyse des biographies 189 hilite 147
analyse des transitions 189 hist 120
analyse exploratoire 8 hlu ln
analyse exploratoire des données infile 36; 39; 44; 46
93 infile (avec dictionnaire) 46
appariement Voir fichier infile (en format fixe) 46
association entre variables 100 infix 36; 49
autocorrélation 171; 173; 176 infix (avec dictionnaire) 50
infix (sans dictionnaire) 51
barre 121 input 37; 59
boîte 128 insheet 36; 42; 59
bootstrapping 117; 162 intreg 178
kdensity 130
calcul direct 7 ksm 140
camemberts 124 label 40
catégorie de référence 153 label data 58
coefficient de régression 7 label define 58
commande label values 59
append 63 label var 58
blogit 184 list23;81
boxcox 154 log 20; 85
bsqreg 162 log close 95
clogit 185 logistic 182
cnreg 179 logit 182
cnsreg 159 lvr2plot 158
codebook 94 merge 65
compress 59; 62; 92 mlogit 183; 194
constraint 159 mvreg 163
corc ln nbreg 168
describe 22 newey 173; 177
display 7; JO 1 nI 166
do 84 notes 60
drop 83 ologit 196
edit 59; 81 oprobit 196
egen 90; 123 arder 62
eivreg 155 pnorm 137
encode 40; 43; 50; 59 poisson 167
eq 164; 168 prais ln
196 L'essentiel de Stata

qnonn 136 densité de kemel 130

qreg 161 dictionnaire 46
quantile 135 différence
regdw 171 signifiante 103
regress 24; 153 significati ve 103
replace 75; 81 distribution
rreg 161 bivariée 94
rvfplot 158 croisée de deux variables
save 19 continues 139
smooth 142 multivariée 94; 143
sort 25; 62 normale 127; 131; 134; 137;
stcox 191 178
stdes 191 pourcentuelle 123
stereg 192 symétrique 134
stset 191 uni variée 94; 127
stweib 192 données
summarize 23; 95 assorties (par paires) 185
sureg 164 de panels 186
svy 109; 114 groupées 184
svylogit 184 issues de panels 174
svyreg 159 longitudinales 174; 186
svyset 115; 159
symplot 134 écart type 115
tabl 97 échantillon cas-témoin 185
tab2 lOI échelle ordinale 97
table 105 effet levier 158
tabulate 78; 96; 98; 153 embedded blanks Voir espaces
test 163 incrustés
tobit 179 équation
toleranceO 161 principale 164
vwls 157; 160 secondaire 164
xtdes 174; 187 erreur de saisie 32
xtgee 175; 186 erreur type 115
xtgls 176 espaces incrustés 95
xtpois 169 estimation
xtreg 175 robuste de la variance 160
commande des menus robuste des coefficients 161
Browse 27; 81 étendue de mémoire 53
Delete... 83 étoile 124
Editor40 événement renouvelé 190
Editor Prefs 42 event history analysis Voir
Hide27;81 analyse de survie
Restore 83 explieit subseripting Voir
convergence 161 adressage en ligne
couper-coller 41 expression logique 25 76
Cox 190
eut-points 196
Index 197

feuille de calcul Voir tableur hétéroscédasticité 111; 156; 162;

feuilles de saisie 32 173; 176; 178; 182
fichier histogramme 120; 127
à saisir 32 homoscédasticité 162 Voir
apparié (match merge) 66 hétéroscédasticité
appelé 63 hypothèse
combinaison 62 d'homoscédasticité 156
en format ASCII 35 de linéarité 154
en format binaire 34
en format fixe (jixed format) 36 incidence rate ratio Voir rapport
en format libre (jree format) 36 de taux d'incidence
hiérarchisé 70; 90 internet 14
maître 63 interruption d'observation 190
rectangulaire 31 intervalle interquartile 128
Fisher 101 itération 161
fonction
condO 77; 79 langage 3
de survie de Weibull 192 de programmation 4
de survie exponentielle 192 left censoring Voir troncature à
intO 79 gauche
logO 78 libellé
ma 90 de variable 58
normdO 78 des valeurs 58
pO 92 du fichier 58
recodeO 102 lissage 130; 140
rmean 90 logiciel de saisie 32
roundO 78; 79 lowess 140
rsum 90
statistique 7 masque de saisie 32
sum 91 maximum de vraisemblance 12;
sumO 88 184
format maximum-likelihood Voir
« paysage» 100 maximum de vraisemblance
d'affichage 57 mémoire
de lecture 57 morte 17
numérique 54 virtuelle 6
format ASCII Voir fichier vive 5; 16,51
format binaire Voir fichier mesure
free format 36 de fiabilité 155
fréquence simple 94 de la variable dépendante 154
des variables indépendantes
General Preferences 42 155
gestion de fichiers 12 missing value 31

hazard ratio Voir quotient

instantané de survie
hétérogénéité non observée 168
198 L'essentiel de Stata

modèle opérateur
à risques proportionnels 189 arithmétique 76
à variable continue par logique 76
intervalles 178 relationnel 76
à variable dichotomique datée option 27
186 [aweight] 110
à variable dichotomique non [fweight] 110
datée 181 [iweight] 110
à variable polytomique [pweight] 110
exclusive 193 _columnO 48
à variable polytomique _ski pO 45; 49; 52
ordonnée 195 ail 101
autorégressif 187 automatic 45; 48
de Cox 190 bandO 140
de Poisson 167 bar 121
de régression (linéaire) 10; 152 basecategoryO 194
de régression binomiale be 175
négative 168 biweight 131
de régression sur les quantiles box 128
161 bwidthO 141
de régression multiple 163 by 25
de régression multivariée 163 byO 106; 121
de survie 189 cell 98
logistique (logit) 181; 190 censoredO 179
logistique daté 186 chi2 lOI
logistique polytomique 193 c1usterO 160; 179; 182
logit conditionnelle 185 column 98
multinomiallogit 193 connect(m) 140
non linéaire 143; 166 connectes) 140
non régressif 152 contentsO 106
paramétrique 192 corr 163
probit 181 corrO 177; 187
probit daté 186 detail 96
semi-paramétrique 192 eform 188
moyenne d'une variable epan 131
dichotomique 104 exact (Fisher) 101
multiple failure (recurring time exposureO 168
failure) Voir événement familyO 187
renouvelé fe 175
force 172; 188
NetCourses 14 forrnatO 107
fpc 115
observation freq 120
aberrante 158 gamma 101
extrême 154; 158 genO 141; 153
influente 158 generateO 78; 154
odds ratios Voir rapport de iO 174
chances id 191
Index 199

if 25 using 46
in 26 VIOl
irr 168 widthO 131
iterateO 161 wrap 99
lagO 173 ordre des observations 26
link 187
IIO 179 plan de sondage 109
lrchi2 101 points aberrants 128
matrix 144 points de césure 196
mean 154 points extrêmes 128; 135
means 122 pourcentage cumulé 97
median 154 préfixe 22
missing 100 by 102
modify 58 xi 153
nofreq 104 Prefs 42
nofreq 98 Preserve 83
nolabe196 procédure de Cochrane-Orcutt
nomiss 91 172
normal 127; 131 processus de comptage 167
nostandard 103 programmation Voir langage
offsetO 168 programmation matricielle 12
oneway 128 proportional hazard model Voir
or 185 modèle à risques proportionnels
panels0 176
pattemsO 174 quotient instantané de survie 191
pie 124
re 176 raccourci 29
replace 20; 21; 69; 72 RAM Voir mémoire
robust 160; 169; 179; 182; 188 rapport
row 98 de chances 182
rIT 194 de taux d'incidence 168
select(#,#) 125 référence Voir catégorie
stack 122 répertoire de travail 18
star 145 right censoring Voir troncature à
stubwidthO 106 droite
summarizeO 104
summarizeO 103 sampling design Voir plan de
symbol138 sondage
symbolO 147 scanner 33
tO 172; 174 série temporelle 171; 174
tOO 191 signification 103
table 196 significativité 103
tabulateO 94 sondage à plusieurs degrés 114;
taub 101 159; 163
triangle 131 standard deviation Voir écart type
twoway 139 standard error Voir erreur type
ul179
update 67; 72
200 L'essentiel de Stata

Statffransfer 34 valeur manquante 31

Stata variable
version simple (Small Stata) 5 alphanumérique 54
version standard (Intercooled continue 119
Stata) 5 dépendante 150
Stata Technical Bulletin - STB 4; dépendante à intervalles 150
13 dépendante continue 150
Statalist 14 dépendante continue datée 167
stratification 114; 159 dépendante datée 151
suffixe 22 dépendante dichotomique 150
survival analysis Voir analyse de dépendante discrète 150
survie dépendante polytomique 150
syntaxe des commandes 22 dépendante polytomique
ordonnée 150
tableur 34; 41 dépendante transformée 154
test de Durbin-Watson 171 dichotomique 76 Voir moyenne
time gap Voir interruption discrète 94
d'observation indépendante endogène 164
time-varying variable Voir indépendante variant dans le
variable indépendante variant temps 190
dans le temps numérique 53; 54
tirage avec remise 116 système 87
tirage sans remise 116
traitement de texte 41 Web 14
troncature
à droite 190
à gauche 190
type 43
types de stockage 53
typographie 15
Autres ouvrages disponibles aux Editions Global Design :

• L'Essentiel de Scientific Word

• L'Essentiel de Mathematica 3
• Introduction à la programmation sous GAUSS
Vol 1 : Méthodes Numériques en Mathématiques et Statistiques

Vol 2 : Applications à la Finance et à l'Econométrie

 1
l'

Imprimé par Jouve, 18 rue St Denis,

75001 Paris
N°256816A - Dépôt légal: Avril 1998