如何将Stata中含缺失值的参与者列表转为'excluded sample'数据框

问题背景 #

我有一个包含1834名参与者的Stata数据集，变量包括age、gender、ses、employment、exercise、pm25、phq9、borough、smoker。其中age、ses、exercise、pm25、phq9为数值型变量，其余为字符型变量；已知borough、age、smoker无缺失值，所有缺失值统一标记为字符串"NA"。

我已通过以下代码列出含缺失值的参与者：

list if gender == "NA" | ses == "NA" | employment == "NA" | exercise == "NA" | pm25 == "NA" | phq9 == "NA"

但尝试将这些样本单独保存为名为excluded sample的独立数据集时出错——以下代码会把所有参与者标记为有缺失，无法正确筛选：

egen missing_datas = max(gender == "NA" | ses == "NA" | employment == "NA" | exercise == "NA" | pm25 == "NA" | phq9 == "NA")
keep if excluded_sample == 1

egen any_missing = any(gender == "NA" | ses == "NA" | employment == "NA" | exercise == "NA" | pm25 == "NA" | phq9 == "NA")
keep if excluded_sample == 1

正确解决方案 #

步骤1：标记含缺失值的样本 #

推荐两种简洁可靠的标记方式：

• 方式一：直接生成判断变量
  通过逻辑表达式直接生成标记变量excluded，1代表该样本有缺失值，0代表无缺失值：

  gen excluded = (gender == "NA" | ses == "NA" | employment == "NA" | exercise == "NA" | pm25 == "NA" | phq9 == "NA")
  

• 方式二：使用egen anymatch()函数
  利用Stata内置的anymatch()函数，批量检查指定变量是否存在值为"NA"的情况：

  egen excluded = anymatch(gender ses employment exercise pm25 phq9), value("NA")
  

步骤2：提取并保存独立数据集 #

为避免修改原数据集，建议使用preserve/restore组合操作：

// 保存当前数据集状态
preserve

// 筛选出含缺失值的样本
keep if excluded == 1

// 保存为独立数据集，文件名按需求设置
save "excluded sample.dta", replace

// 恢复原数据集状态（可继续处理原数据）
restore

原代码错误说明 #

• 变量名不匹配：生成的标记变量是missing_datas和any_missing，但筛选时用了未定义的excluded_sample，导致筛选逻辑完全错误。
• egen any()用法错误：any()函数的正确用法是传入变量列表+缺失值判断参数（如any(varlist), miss），直接写入条件表达式会导致逻辑计算错误，最终所有样本被错误标记为1。

内容的提问来源于stack exchange，提问作者Rana Sabra