使用dplyr按年份计算指定比率均值/中位数的问题排查

咱先理清楚你遇到的核心问题：计算aqc/(ppent - lag(ppent))的年度均值时结果异常，中位数全为0，大概率是代码逻辑漏了关键步骤，或是没处理数据里的异常情况。下面一步步给你解决：

第一步：先排掉最容易踩的坑——滞后操作没按公司分组 #

这是用dplyr做时间序列计算最常犯的错！如果直接对整个数据集用lag(ppent)，会把不同公司的固定资产数据混在一起滞后，算出来的分母完全不对，结果自然异常。正确的做法是先按公司（gvkey）分组，再计算每个公司自身的年度ppent变化。

第二步：完整的修正代码 #

我给你写了一套严谨的代码，每一步都加了注释，直接套用到你的数据集上就行：

library(dplyr)

# 假设你的数据集名叫df，替换成你实际的数据集名称
result_df <- df %>%
  # 先按公司+年份排序，确保时间顺序正确，滞后操作才靠谱
  arrange(gvkey, fyear) %>%
  # 按公司分组，计算每个公司的年度固定资产变化
  group_by(gvkey) %>%
  mutate(
    # 计算ppent的年度变化量
    ppent_change = ppent - lag(ppent),
    # 计算目标比率，同时处理异常情况：分母为0/缺失时设为NA，避免出现Inf/NaN
    aqc_ratio = ifelse(ppent_change == 0 | is.na(ppent_change), NA, aqc / ppent_change)
  ) %>%
  ungroup() %>%
  # 现在按年份分组，计算均值和中位数，记得排除NA值
  group_by(fyear) %>%
  summarise(
    mean_aqc_ratio = mean(aqc_ratio, na.rm = TRUE),
    median_aqc_ratio = median(aqc_ratio, na.rm = TRUE)
  ) %>%
  ungroup()

第三步：关键细节解释 #

1. 排序+分组滞后：必须先按gvkey和fyear排序，再按gvkey分组做滞后，这样每个公司的ppent变化都是自身年度的对比，不会串到其他公司。
2. 处理分母异常：当公司当年固定资产没变化（ppent_change=0）或者是第一年没有上一年数据（lag(ppent)为NA）时，把比率设为NA，这些无意义的数值会严重干扰均值和中位数的计算。
3. na.rm=TRUE：计算均值和中位数时一定要加这个参数，不然只要有NA，结果就会变成NA，或者异常值会拉偏结果。

第四步：如果中位数还是0？那得检查数据本身 #

要是跑了上面的代码，中位数还是全0，大概率是你的业务数据特性导致的：

• 很多公司当年没有并购支出（aqc=0），这时候比率自然是0，如果这类样本占比极高，中位数就会是0，这是正常的业务现象，不是代码错了。
• 你可以先看看数据分布：

  # 查看aqc的数值分布
  summary(df$aqc)
  # 查看计算后的比率分布
  result_df_check <- df %>% arrange(gvkey, fyear) %>% group_by(gvkey) %>% mutate(ppent_change = ppent - lag(ppent), aqc_ratio = ifelse(ppent_change == 0 | is.na(ppent_change), NA, aqc / ppent_change)) %>% ungroup()
  ggplot(result_df_check, aes(x=aqc_ratio)) + geom_histogram(bins=30)
  

• 如果确实是因为大量aqc=0导致的，你可以选择过滤掉这些样本再计算：

  # 过滤掉aqc=0的观测值
  result_df_filtered <- df %>%
    filter(aqc != 0) %>%
    arrange(gvkey, fyear) %>%
    group_by(gvkey) %>%
    mutate(
      ppent_change = ppent - lag(ppent),
      aqc_ratio = ifelse(ppent_change == 0 | is.na(ppent_change), NA, aqc / ppent_change)
    ) %>%
    ungroup() %>%
    group_by(fyear) %>%
    summarise(
      mean_aqc_ratio = mean(aqc_ratio, na.rm = TRUE),
      median_aqc_ratio = median(aqc_ratio, na.rm = TRUE)
    ) %>%
    ungroup()
  

第五步：验证结果的正确性 #

你可以抽一两个公司的数据手动计算，对比代码输出的结果，确保逻辑是对的：

# 随便选一个公司的样本数据
sample_company <- df %>% filter(gvkey == "你的某个gvkey值") %>% arrange(fyear)
# 手动计算ppent_change和aqc_ratio，和代码结果对比

内容的提问来源于stack exchange，提问作者Ayoze Alfageme