STATA
1、egen命令+cut()函数
这种分割方法，是对感兴趣的变量的取值进行排序，然后变量的实际取值五等分。
// 收入五等分
egen income2=cut(income), group(5)
tab income2
// 查看五等分后的均值分布
mean income, over(income2)
| income2 | Freq. | Percent | Cum. |
|---|---|---|---|
| 0 | 1,947 | 19.64 | 19.64 |
| 1 | 1,586 | 16 | 35.65 |
| 2 | 1,754 | 17.7 | 53.34 |
| 3 | 2,566 | 25.89 | 79.24 |
| 4 | 2,058 | 20.76 | 100 |
| Total | 9,911 | 100 |
| Over | Mean | Std. Err. | [95% Conf. | Interval] | |
|---|---|---|---|---|---|
| income | |||||
| 0 | 645.1798 | 19.65844 | 606.6452 | 683.7143 | |
| 1 | 5340.14 | 46.23396 | 5249.512 | 5430.768 | |
| 2 | 13028.83 | 71.89518 | 12887.9 | 13169.76 | |
| 3 | 25492.33 | 93.73953 | 25308.58 | 25676.08 | |
| 4 | 67655.16 | 1357.951 | 64993.3 | 70317.02 |
2、gen命令+group()函数
这种分割方法是根据感兴趣的变量取值排序，然后对样本五等分。
//根据收入进行排序，然后对数据集五等分。
sort income
gen income3=group(5)
tab income3
mean income, over(income3)
| income3 | Freq. | Percent | Cum. |
|---|---|---|---|
| 1 | 1,983 | 20.01 | 20.01 |
| 2 | 1,982 | 20 | 40.01 |
| 3 | 1,982 | 20 | 60 |
| 4 | 1,982 | 20 | 80 |
| 5 | 1,982 | 20 | 100 |
| Total | 9,911 | 100 |
| Over | Mean | Std. Err. | [95% Conf. | Interval] | |
|---|---|---|---|---|---|
| income | |||||
| 1 | 687.9299 | 20.55276 | 647.6423 | 728.2175 | |
| 2 | 6398.316 | 56.05585 | 6288.435 | 6508.197 | |
| 3 | 16010.37 | 81.97568 | 15849.68 | 16171.06 | |
| 4 | 27724.18 | 96.34285 | 27535.33 | 27913.03 | |
| 5 | 68868.98 | 1402.875 | 66119.06 | 71618.9 |
R
cut()函数
# 利用cut()函数进行切割，生成新的因子变量income2
> cgss2 <- cgss %>%
+ mutate(income2=cut(income, breaks=5))
# 分组求均值
> avg_income2 <- cgss2 %>%
+ group_by(income2) %>%
+ summarise(avg=mean(income))
> avg_income2
| income2 | avg | |
|---|---|---|
| 1 | (-1e+03,2e+05] | 22143. |
| 2 | (2e+05,4e+05] | 315116. |
| 3 | (4e+05,6e+05] | 525000 |
| 4 | (6e+05,8e+05] | 750000 |
| 5 | (8e+05,1e+06] | 1000000 |
这个结果和STATA的结果差别很大，主要是由于R的cut()函数是先设定最大值和最小值，然后对取值区间进行五等分。
即，上例中的cut(income, breaks=5)相当于
cut(income, breaks=c(0, 200000,400000,600000,800000, 1000000))
参见下面的例子，尤其是等效的hist()函数。
> Z <- stats::rnorm(10000)
> table(cut(Z, breaks = -6:6))
(-6,-5] (-5,-4] (-4,-3] (-3,-2] (-2,-1] (-1,0] (0,1] (1,2] (2,3] (3,4] (4,5] (5,6]
0 2 7 220 1335 3510 3356 1335 225 10 0 0
> table(cut(cgss$income, breaks=5))
(-1e+03,2e+05] (2e+05,4e+05] (4e+05,6e+05] (6e+05,8e+05] (8e+05,1e+06]
9860 43 4 3 1
> hist(cgss$income, breaks=5, plot=F)
$breaks
[1] 0e+00 2e+05 4e+05 6e+05 8e+05 1e+06
$counts
[1] 9860 43 4 3 1
$density
[1] 4.974271e-06 2.169307e-08 2.017960e-09 1.513470e-09 5.044900e-10
$mids
[1] 1e+05 3e+05 5e+05 7e+05 9e+05
$xname
[1] "cgss$income"
$equidist
[1] TRUE
attr(,"class")
[1] "histogram"
很明显，cut()函数是无法满足很多情况下的五等分的切割需求的。
dplyr包中的case_when()函数，是类似if_else条件判断来分组，仍需要事先知道切割点。
如果知道五等分点，不用这些函数，也可以很好地切割。
目前没有找到更好的更好用的R函数。
