模糊匹配——stata matchit 函数

一、引言

        数据清洗过程中常见的数据处理方式之一是：数据匹配，其中包括精确匹配与模糊匹配。精确匹配主要是指：需要匹配的两列数据数值或字符串完全一致，而在实际处理中需要匹配的两个变量并不总是存在完美的连接，此时就需要对两变量进行模糊匹配，如变量A（红富士苹果）与变量B（苹果（红富士））这类相似却并不完全相同的名称匹配。

二、精确匹配

        stata中常用的精确匹配函数为：merge函数，可实现一对多、多对一、一对一、多对多，具体参考stata软件中的help merge。

        excel中常用的精确匹配函数为：VLOOKUP函数，最近发现一款较为好用的插件（方方格子），如果处理数据为中文且数据量不大，建议使用，如果为英文且数据量万以上不建议使用，匹配效果有偏差且excel容易崩溃。

三、stata模糊匹配

        本节介绍stata模糊匹配常用到的matchit 函数。主要包括：函数中参数的含义、代码、实例、报错原因以及解决方法。

1.matchit函数

       官网给出的解释为：根据相似的文本模式匹配两个列或两个数据集。Raffo, J., & Lhuillery, S. (2009)：matchit通过采用不同的基于字符串的匹配技术，在两个不同的文本字符串之间提供相似性评分。执行操作后会返回一个新的匹配程度变量( similscore )，取值为 0 到 1 ，similscore 为 1 时代表完全匹配，取值越小，相似度越低，匹配程度是一个相对量，不同的匹配方法通常产生不同的相似度评分，详见help matchit。

2.代码

        如果是同一表单中的两列数据，一对一模糊匹配，可直接使用

        matchit varname1 varname2 [, options]

        如果是两个表单中的两列数据匹配，要相对复杂一些

        matchit idmaster txtmaster using filename.dta , idusing (varname) txtusing(varname) [options]

注：方括号中的单词不可当作代码，不能直接粘贴到代码行运行。

notation：varname1、 varname2、分别代表同一表单中匹配源与待匹配列的变量名称。idmaster指的是来自当前文件(主文件)的数值型变量名。txtmaster 指的是当前文件(主文件)中要进行匹配的字符型变量名。（注：idmaster 应该唯一识别txtmaster）。idusing（varname）与 txtusing（varname）同理，分别指来自于filename.dta数据集中待匹配的数值型变量以及字符型变量。

3.实例：模糊匹配两个数据集中的公司名称

（1）安装加权包：freqindex

ssc install freqindex, replace
ssc install matchit,   replace

（2）将xlsx文件转化为dta

         安装xls2dta命令

ssc install xls2dta,replace

         创建文件夹，改变缺省路径。

capture mkdir e:/xls2dta
cd e:/xls2dta

         此时会看到E盘中会产生一个空的xls2dta文件夹，将待转化的两个表格放在此文件夹下。

        转化：

ssc install filelist,replace
xls2dta,replace recursive : import excel using e:/xls2dta

此时，在该文件夹下的表格都会生成dta版本。具体的其它转化详见https://blog.youkuaiyun.com/crack6677/article/details/105346854。

(3)匹配

use sampleA.dta, replace
matchit IDmaster sub_nameA using sampleB.dta , idusing (IDusing) txtusing(sub_nameB)

其中sampleA.dta属于源文件，IDmaster是源变量中的唯一标识符（数值型），sub_nameA源变量的变量名称，sampleB.dta属于待匹配文件，相对的IDusing是数值型唯一标识符，sub_nameB则为待匹配变量的变量名。详见：https://www.lianxh.cn/news/7aba3c217a016.html

（4）报错及解决办法（第一次用stata者重点）

        第一个：variable IDmaster not found

        检查数据导入是否直接从“文件——导入——excel电子表格”中导入stata软件的，如果是则需要检查数据第一行是否没有被识别成为变量名，如果默认导入的话系统给出的变量名会是很直接的A、B、C、。。。

 

        建议使用以下代码，将excel中第一行定义为变量名称，其中sampleA为excel文件名（注意本文sampleA已经在默认路径下，前文提到了更改路径的方法，请参考，如果出错，试试加上路径）。

 import excel sampleA,first

更简单的方法：不用IDmaster作为变量名，直接使用A。

        第二个：no; dataset in memory has changed since last saved

        出现此问题的原因很简单：数据集冲突了，之前引入了sampleA.dta，后续引入sampleB.dta数据集就会报错，只需要在引入新数据集之前加一行代码即可：

clear

        第三个：weights not allowed

        出现此错误的原因是：把官网给出代方括号和方括号里面的option也加到了运行代码里面，去掉就可以了。

        第四个：XXXX not found

        仔细看一下，官网给出的参数解析：待匹配数据集需要加上路径，查阅网友解答发现，stata在同时引入两个文件时好像比较麻烦，建议加上路径，避免出错。

 四、本人代码

 matchit A B using E:\xls2dta\sampleB.dta , idusing (A) txtusing(B)

五、结果

注：Break ，本人选择运行终止了，不属于报错范围。不详细的地方建议参考连享会https://www.lianxh.cn/news/7aba3c217a016.html，与官方帮助文档help matchit。