本文作者：王宇新，河南大学经济学院
本文编辑：崔雨晨
技术总编：马梦杰
Stata and Python 数据分析
爬虫俱乐部Stata基础课程、Stata进阶课程和Python课程可在小鹅通平台查看，欢迎大家多多支持订阅！如需了解详情，可以通过课程链接（https://appbqiqpzi66527.h5.xiaoeknow.com/homepage/10）或课程二维码进行访问哦~
你的数据是否也遇到过这些"戏精"？
• 年薪一个小目标的"打工皇帝"，让平均工资直冲云霄
• 月消费999万的"剁手狂魔"，把消费数据拉成过山车
• 年龄-1岁的"时空穿越者"，在数据里玩起了时空扭曲
别慌！今天教你用Stata的winsor2命令，像美颜滤镜一样，一键磨平数据中的"尖刺"，让分析结果重回颜值巅峰！这可不是简单的"数据整容"，而是科学的数据清洗方法，能帮你保住珍贵的样本量，同时消除异常值的干扰。
最近隔壁实验室小王差点被数据坑哭——明明做了100份问卷，结果因为两个"土豪"年收入填了9个9，导致全组平均收入直接突破天际！导师的死亡凝视.jpg
异常值的三大罪状：
1️⃣ 均值刺客：就像班上来个奥数冠军，能把全班平均分拉高20分。1个极端值能让平均值暴涨300%，完全掩盖真实情况。
2️⃣ 模型杀手：回归分析时，这些"数据霸王龙"会强行带节奏，让系数估计严重失真。
3️⃣ 检验骗子：它们会伪造显著性，让本不显著的结果变得"星光熠熠"。
缩尾处理是一种统计学上的数据调整方法，其核心思想是将极端值“拉回”到设定的分位数范围内，而不是直接删除。具体来说：
缩尾处理是将超出指定分位数（如1%和99%）的观测值替换为该分位数的值。例如，某变量的99%分位数是100，但有一个观测值是200，那么该值会被调整为100。
Stata中的winsor2命令
winsor2并非Stata自带命令，而是由社区贡献的外部命令，需先安装：
ssc install winsor2, replace基本语法
winsor2 varlist [if] [in], [cuts(low high) suffix(string) trim replace label]• suffix(string)：为缩尾后的变量添加后缀，如suffix(_w)。
• trim：改为截尾处理（删除极端值）。
• replace：直接替换原变量（慎用！建议先用suffix生成新变量）。
• label：为新变量添加标签。
拿经典的工资数据开刀！我们使用美国国家纵向调查（NLSW88）的工资数据，人工插入极端值进行演示。
Step 1：数据"体检"
sysuse nlsw88, clear // 调用Stata内置数据keep wage grade //保存工资、教育等级主要数据gsort -wage //按工资降序排列set seed 12345 //设置随机数生成器的种子值replace wage=runiform(50,100) in 1/5 //在前五行人工插入异常值list in 1/10 //插入异常值后，展示前十行数据
sum wage grade, detail // 看看工资和受教育年限
hist wage, title("震惊！工资分布惊现长尾巨兽") 
诊断结果让人大跌眼镜：
-
平均工资$7.85/小时，还算正常 -
但有个大佬工资$84.47/小时（疑似马云兼职做调研） -
右尾长得像彗星尾巴💫，明显被个别值拉长
这就像班级里99个同学考60-80分，突然来了个150分的学霸（满分100），平均分瞬间失去意义。
Step 2：施展"缩尾大法"
winsor2 wage, cuts(1 99) suffix(_w) // 把头和尾各砍1%图形对比：
用 winsor2 处理后，工资数据的分布变得平滑多了，极端值不再那么扎眼，分析结果也更靠谱啦！这样一来，我们的统计分析就稳如泰山，不怕那些离群点捣乱了。
统计量对比：
sum wage wage_w1 
缩尾后，数据最大值由原来的84.46917,调整为为38.70926，数据最小值由1.0049552调整为1.930993，整体数据被削峰填谷，标准差由原来的6.415369变为5.686979，数据更紧凑了。就像给照片开了瘦脸功能，轮廓更清晰自然，但绝对没有换头——数据真实性丝毫未损！
展示前、后十行数据：
list in 1/10list in -10/-1
Step 3：回归模型"卸妆前后"
-
处理前：被土豪支配的恐惧
reg wage gradeestimates store original
-
处理后：真相浮出水面
reg wage_w1 gradeestimates store winsorized
-
回归结果对比
esttab original winsorized,b(3) se(3) mtitle
哇塞，缩尾处理简直是给回归分析打了一针强心剂！处理后，grade系数从0.751降到了0.742，标准误也从0.051降到了0.045，下降了12.75%！这表明模型的稳定性更强了，不再那么受异常值的干扰。而且，grade的系数依然显著为正，说明教育水平对工资的正向影响是板上钉钉的事，缩尾处理后这个结论依然坚如磐石。总的来说，缩尾处理让回归分析更加靠谱，结果更加可信，真是棒棒哒！
1️⃣ 无脑1%-99%：
-
金融数据要用0.5%-99.5%（极端值就像韭菜，割一茬长一茬） -
小样本用5%-95%（就像小班级，去掉一个最高分影响很大）
2️⃣ 乱杀"无辜"：
错误示范：对性别变量缩尾（黑人问号脸？）
winsor2 gender, cuts(1 99) // 性别咋缩尾？男变女？！离散变量、虚拟变量千万别碰！
3️⃣ 闷头硬干不检查：
-
必须画图对比！眼见为实 -
要做不同分位数的稳健性检验，就像买衣服要试不同尺码
数据分析就像给照片修图——不过度美颜，但必须祛痘磨皮！
• 祛痘（异常值）：用winsor2精准点掉数据"痘痘"，不伤及无辜
• 磨皮（分布修正）：平滑极端值，让数据呈现最自然的"素颜美"
• 保真（样本保留）：绝不粗暴删除，留住每一份珍贵数据
记住这个万能公式：
📌 诊断 → 处理 → 验证 = 靠谱结果 + 导师微笑
下次再遇"数据土豪"，别慌！
三行代码甩过去，还你一个清朗的数据世界：
ssc install winsor2winsor2 你的变量, cuts(1 99)sum 你的变量, detail
现在轮到你啦！
快去给数据做个"SPA"，回来告诉我：
你最想用Winsor2"收拾"哪个变量？
（工资？股票收益？还是...男/女朋友的身高数据？）
重磅福利！为了更好地服务各位同学的研究，爬虫俱乐部将在小鹅通平台上持续提供金融研究所需要的各类指标，包括上市公司十大股东、股价崩盘、投资效率、融资约束、企业避税、分析师跟踪、净资产收益率、资产回报率、国际四大审计、托宾Q值、第一大股东持股比例、账面市值比、沪深A股上市公司研究常用控制变量等一系列深加工数据，基于各交易所信息披露的数据利用Stata在实现数据实时更新的同时还将不断上线更多的数据指标。我们以最前沿的数据处理技术、最好的服务质量、最大的诚意望能助力大家的研究工作！相关数据链接，请大家访问：(https://appbqiqpzi66527.h5.xiaoeknow.com/homepage/10)或扫描二维码：
对我们的推文累计打赏超过1000元，我们即可给您开具发票，发票类别为“咨询费”。用心做事，不负您的支持！