基于双变量唯一标识的Stata多文件合并操作指导

你的数据用Cluster和Household两个变量共同唯一标识观测，完全不需要强行生成新变量（当然生成也可以），以下是两种可靠方案，同时解决缺失住户的处理问题：

方案一：直接用多变量作为合并键（推荐，更高效） #

Stata原生支持用多个变量作为合并标识，无需额外生成新变量，步骤如下：

1. 统一变量属性：确保所有待合并文件中，Cluster和Household的变量名、类型、编码完全一致（比如都是数值型，或都是字符型，不能一个是数值一个是字符串）。可以用describe命令检查变量类型。
2. 执行合并：打开主数据集后，用merge命令指定两个变量作为匹配键，根据数据结构选择合适的匹配类型（绝对避免m:m，会产生冗余的笛卡尔积）：
   • 1:1：每个Cluster-Household组合在两个数据集中都只有1条观测
   • 1:m：主数据中每个组合1条，待合并数据中每个组合多条（比如某住户的多笔支出记录）
   • m:1：主数据中每个组合多条，待合并数据中每个组合1条

示例代码：

* 打开主数据集
use "main_data.dta", clear

* 按联合标识合并第二个数据集，这里用1:1匹配（根据你的数据结构调整）
merge 1:1 Cluster Household using "data2.dta"

3. 处理缺失观测：合并后Stata自动生成_merge变量，对应三种情况：
   • _merge=1：仅主数据存在的住户（待合并数据缺失该住户）
   • _merge=2：仅待合并数据存在的住户（主数据缺失该住户）
   • _merge=3：两个数据都匹配到的住户

根据需求筛选观测，比如保留主数据所有住户（不管是否匹配到）：

keep if _merge == 1 | _merge == 3
* 查看匹配结果
tab _merge

方案二：生成唯一标识变量后合并（符合你的思路） #

如果偏好生成单一标识变量，可按以下步骤在所有待合并文件中统一操作：

1. 生成唯一标识：在每个数据集中执行以下代码，将Cluster和Household拼接为唯一字符串（加下划线避免组合混淆，比如1_10不会和11_0混淆）：

* 数值型变量转字符串后拼接
gen id_hh = string(Cluster) + "_" + string(Household)

* 如果变量本身是字符型，直接拼接即可
* gen id_hh = Cluster + "_" + Household

2. 统一标识变量：确保所有文件中生成的id_hh变量名、内容完全一致，可通过list id_hh抽查。
3. 执行合并：用新生成的id_hh作为合并键，操作逻辑和方案一一致：

use "main_data.dta", clear
merge 1:1 id_hh using "data2.dta"

注意事项 #

• 合并前建议对每个数据集按合并键排序，比如sort Cluster Household或sort id_hh，提升合并效率和稳定性。
• 多文件合并可依次进行：先合并第二个数据集到主数据，再将第三个数据集合并到当前的主数据。

内容的提问来源于stack exchange，提问作者MKK