gen与egen,傻傻分不清楚?

1.导读

众所周知，gen是Stata中使用频率非常高的变量生成命令之一。诶，难道还有其他变量生成命令?是的，egen(extension of generate)作为gen的扩展，对gen命令进行了补充，帮助我们更好地使用变量生成功能。2.gen与egen的比较

我们将从语法出发，比较gen与egen的异同，看看egen是如何对gen进行扩展的。

gen的语法为：

generate [type] newvar[:lblname] =exp [if] [in] [,before(varname) |after(varname)]

egen的语法为：

egen [type] newvar = fcn(arguments) [if] [in] [, options]

相同点：

(1)gen和egen都是变量生成命令;

(2)变量类型[type]均为可选项，缺省时，gen和egen能够根据新生成的变量值自动判断并分配数据类型;

(3)两者都能选用[if]和[in]进行条件判断和范围选择;

(4)两者都可以使用by前缀(在某些情况下egen无法使用by分组功能)。

不同点：

(1)[:lblname]选项使gen可以在生成新变量的同时赋予其已定义的值标签，并且[, before(varname) |after(varname)]选项允许我们调整新变量的顺序;

(2)敲重点：使用gen生成的新变量，其变量值是由给定的表达式(exp)计算所得，表达式中可以使用Stata中的任意运算符(如，代数运算符”+” “-“ “*” “\”，逻辑运算符”>” “<” “|” “&” “!”等)和九大类函数;

(3)敲重点：egen只能使用专属的egen函数来为新变量计算变量值，如mean()、rank()等。值得注意的是，egen函数只能在egen命令下使用，不能用在gen的表达式中，egen命令也无法使用任何运算符或九大类函数来计算生成变量值;

(4)在使用gen命令时，_n和_N是我们常用的下标变量，用于表示行号和总观测值非常方便，但egen却无法使用。这是为什么呢?因为egen专属函数往往以某个变量或某一观测目标为参数，计算某个变量(一列)或观测目标(一行)的某种特征(比如均值，使用mean())，因此无需使用_n和_N。这也提示了egen生成的新变量值往往是一个常数(constant)，当然也有egen专属函数的返回值不是常数，而gen生成的变量值则是一个变动值(running value)。

3.案例分析

下面，我们通过一个简单的例子来验证上述异同点。

现有两个家庭：第一个家庭是一个三口之家，父亲、母亲、女儿的年龄分别是44、41、20岁;第二个家庭三代同堂，祖父祖母为83、85岁，父亲母亲为45、44岁，儿子24岁，孙女3岁。

插入input命令，把两个家庭的把相关数据写入stata数据集：

input hid age gender income1 44 1 90001 41 0 80001 20 0 50002 83 1 20002 85 0 20002 45 1 60002 44 0 80002 24 1 40002 3 0 0end

查看Stata数据集：

(1)生成一个新变量sex：使其等于gender并以“1 `男’ 0 `女’”的值标签显示。

label define sexlb 1 “男” 0 “女”gen sex:sexlb = gender

运行结果如下图所示，表明gen命令能够在创建新变量的同时赋予已定义的值标签，但egen没有该功能。

(2)生成个人id变量：为每个家庭成员编码，比如第一个家庭中父亲的编码为11，第二个家庭中祖父的编码为21。

*尝试用gen生成：

bysort hid: gen idg = hid*10+_n

运行结果如下，各成员编码正确。

*尝试用egen生成：

bysort hid: egen ide = hid*10+_n

运行出现错误。显然，egen无法使用运算符，只能使用其专属的函数来计算生成变量值。

(3)生成AgeRank变量:以家庭为单位，对家庭成员按年龄升序排序;生成hsize变量：计算每个家庭的人口数。

*使用gen生成：

bysort hid (age): gen AgeRankg = _n //使用bysort对hid分组并排序，(age)表示age不参与分组，仅参与家庭内部的排序。bysort hid: gen hsizeg = _N

运行结果如下图所示，第一个家庭为3人，第二个家庭为6人。

*使用egen生成：

bysort hid (age): egen AgeRanke = _nbysort hid :egen hsizee = _N

运行出错，表明egen无法使用_n和_N。

(4)生成mean变量：计算每个家庭的平均年龄。

*使用gen创建新变量：

bysort hid: gen meang = mean(age)

运行出错，表示gen无法使用egen专属函数。

*使用egen创建新变量：

bysort hid: egen meane = mean(age)

运行结果如图所示，这表明egen的一些函数可以搭配by前缀使用。

(5)生成IncomeSum变量：计算两个家庭的总收入。

gen IncomeSumg = sum(income)egen IncomeSume = sum(income)

运行结果如下图所示。

特别地，目前仅发现sum()函数能够同时被gen和egen使用。利用gen命令，使用sum()函数生成的IncomeSumg是列累积和，比如IncomeSumg[2]=income[1]+ income[2] ，是一个变动值(running value)，而在egen命令下sum()返回的则是列总和，IncomeSume的每一个变量值都等于income变量值的总和(即44000=5000+8000+9000+0+4000+8000+6000+2000+2000)，是一个常数(constant)。

实际上，sum()作为一个常规数学函数，并不属于egen专属函数，并且egen专属函数中的total()函数功能与sum()完全一致——返回列总和。这个矛盾我们目前尚无答案，读者朋友们如有合理的想法请在评论区告诉我们唷~4.结论

综合上述分析，我们能够得到启示：使用gen命令创建新变量是一种“相对”创建，比如，现要求生成一个新变量，个人年收入incomey：

gen incomey = income*1

这个命令的实质是，创建一个新变量incomey，使得：

incomey[1] = income[1]*12incomey[2] = imcome[2]*12…incomey[_N] = income[_N]*12

而egen的某些专属函数的参数往往是某一整行或某一整列，比如计算两个家庭的月收入均值，月收入的下四分位数：

egen meani = mean(income)egen pctile4 = pctile(income),p(25)

其中，income是作为收入总和(即44000)参与计算的，这与gen命令有显著的不同。

当然，egen还有许多其他专属函数，比如anycount()、anymatch()等使用“相对”创建方法的专属函数，也有rowfirst()、rowmax()等对每行进行匹配和判断的函数……总之，当你想创建一个以整行或整列的特征为结果或判断、匹配条件时就可以考虑使用egen命令啦。