我正在尝试分析明尼苏达大学IPUMS数据集中 R 中1990 US census的数据。我正在使用survey包，因为数据是weighted。只是获取家庭数据（并忽略人员变量以保持简单），我试图计算hhincome（household income）的平均值。为此，我使用svydesign()函数创建了一个调查设计对象，其代码如下：
> require(foreign)
> ipums.household <- read.dta("/path/to/stata_export.dta")
> ipums.household[ipums.household$hhincome==9999999, "hhincome"] <- NA # Fix missing
> ipums.hh.design <- svydesign(id=~1, weights=~hhwt, data=ipums.household)
> svymean(ipums.household$hhincome, ipums.hh.design, na.rm=TRUE)
mean SE
[1,] 37029 17.365
到目前为止一切顺利。但是，如果我在 Stata （使用code meant for a different portion of the same dataset）中尝试相同的计算，则会出现不同的标准错误：
use "C:\I\Hate\Backslashes\stata_export.dta"
replace hhincome = . if hhincome == 9999999
(933734 real changes made, 933734 to missing)
mean hhincome [fweight = hhwt] # The code from the link above.
Mean estimation Number of obs = 91746420
--------------------------------------------------------------
| Mean Std. Err. [95% Conf. Interval]
-------------+------------------------------------------------
hhincome | 37028.99 3.542749 37022.05 37035.94
--------------------------------------------------------------
另外，survey的作者{@ 1}}的另一种方法是对这只猫进行皮肤处理，其频率加权为this suggestion：
expanded.data<-as.data.frame(lapply(compressed.data,
function(x) rep(x,compressed.data$weights)))
但是，我似乎无法使用此代码：
> hh.dataframe <- data.frame(ipums.household$hhincome, ipums.household$hhwt)
> expanded.hh.dataframe <- as.data.frame(lapply(hh.dataframe, function(x) rep(x, hh.dataframe$hhwt)))
Error in rep(x, hh.dataframe$hhwt) : invalid 'times' argument
我似乎无法修复。这可能与this issue有关。
总而言之：
Stata 和 R 中得到相同的答案？rep()解决方案有效，那会复制 Stata 的结果吗？plyr包进行任意计算，而不是仅限于survey（svymean()，svyglm()等中实现的功能，那么就会感到荣幸。 / LI>
所以在我通过电子邮件收到我和IPUMS的优秀帮助之后，我正在使用以下代码来正确处理调查权重。我在这里描述以防其他人将来遇到这个问题。
由于IPUMS目前不会发布用于将数据导入 R 的脚本，因此您需要从 Stata 开始，< strong> SAS ，或 SPSS 。我现在坚持使用 Stata 。首先从IPUMS运行导入脚本。然后在继续添加以下变量之前：
generate strata = statefip*100000 + puma
这为表格240001的每个PUMA创建一个唯一的整数，前两位数作为状态fip代码（马里兰州为24），最后四位为PUMA id，即在每个州的基础上独一无二。如果您要使用 R ，您可能也会发现运行此功能也很有帮助
generate statefip_num = statefip * 1
这将创建一个没有标签的附加变量，因为将.dta文件导入 R 会应用标签并丢失基础整数。
svyset 正如Keith解释的那样，调查抽样由 Stata 通过调用svyset来处理。
对于个人级别分析，我现在使用：
svyset serial [pweight=perwt], strata(strata)
这会将权重设置为perwt，即我们在上面创建的变量的分层，并使用住户serial编号来计算群集。如果我们使用多年，我们可能想尝试
generate double yearserial = year*100000000 + serial
也考虑了纵向聚类。
对于家庭层面分析（没有年数）：
svyset serial [pweight=hhwt], strata(strata)
应该是不言自明的（虽然我认为在这种情况下，串行实际上是多余的）。将serial替换为yearserial将考虑时间序列。
R 假设您要导入一个.dta文件，其中包含上面解释的其他strata变量并在单个字母处进行分析：
require(foreign)
ipums <- read.dta('/path/to/data.dta')
require(survey)
ipums.design <- svydesign(id=~serial, strata=~strata, data=ipums, weights=perwt)
或在家庭层面：
ipums.hh.design <- svydesign(id=~serial, strata=~strata, data=ipums, weights=hhwt)
希望有人觉得这很有帮助，非常感谢来自IPUMS的Dwin，Keith和Brandon。
答案 0 :(得分：8)
1＆amp; 2）你引用Lumley的评论是在2001年写的，并且在他发表的任何一篇研究报告之前都已经过了几年。你可能在两种不同的意义上使用“权重”。 （Lumley在他的书的早期描述了三种可能的感觉。）调查函数svydesign使用概率权重而不是频率权重。考虑到该数据集的大小，这似乎不是真正的频率权重而是概率权重，这意味着调查包结果是正确的并且Stata结果不正确。如果您不相信，那么调查包提供了函数as.svrepdesign（），Lumley的书中描述了如何从svydesign-object创建复制权重向量。
3）我是这么认为的，但正如RMN所说的那样......“这是错误的。”4）因为它是错的（IMO）所以没有必要。
答案 1 :(得分：5)
您不应该在Stata中使用频率权重。这很清楚。如果IPUMS没有“复杂”的调查设计，您可以使用：
mean hhincome [pw = hhwt]
或者，为方便起见：
svyset [pw = hhwt]
svy: mean hhincome
svy: regress hhincome `x'
第二个选项的好处在于你可以将它用于更复杂的调查设计（通过svyset上的选项。然后你可以运行大量命令而无需一直打[pw ...]
答案 2 :(得分：3)
对无法访问Stata或SAS的人员进行轻微添加; （我会把它放在评论中，但......） 库SAScii可以使用SAS代码文件读取IPUMS下载的数据。读入数据的代码来自doc
library(SAScii)
IPUMS.file.location <- "..\\usa_00007dat\\usa_00007.dat"
IPUMS.SAS.read.in.instructions <- "..\\usa_00007dat\\usa_00007.sas"
#store the IPUMS extract as an R data frame!
IPUMS.df <-
read.SAScii (
IPUMS.file.location ,
IPUMS.SAS.read.in.instructions ,
zipped = F )