前言¶

做實證分析的人大多遇到過這類問題：同一道縮尾題，不同人寫出的代碼不一樣，有人先排序再替換，有人用 egen 繞一圈，結果兩個版本的變量名相同、數值卻對不上；缺失值處理也是，有的腳本直接 drop，有的填 0，最後迴歸表格裏又沒法解釋。問題不在 Stata 本身，而在缺少一份統一的寫法約定。下面介紹的 stata-data-cleaning 就是一個圍繞這類日常操作的 Skill，把縮尾、缺失值處理、變量生成等常用操作的規範寫法固定下來。

這是什麼¶

stata-data-cleaning 是一個面向 Stata 數據清洗與變量構造環節的 Skill，覆蓋縮尾（winsorize）、缺失值處理、變量生成等常用操作。它不替換 Stata 本身，而是在你寫代碼時給出一套規範寫法，讓同樣的操作在團隊內、腳本間保持一致。

發佈者爲成都市無限集數科技有限公司，來源標記爲 enterprise，分類屬於 data-analysis，座標是 @org-xhtzrlnb/stata-data-cleaning，當前版本 1.0.0。官方地址爲 https://api.skillhub.cn/org-xhtzrlnb/stata-data-cleaning ，SkillHub 頁面爲 https://www.skillhub.cn/skills/org-xhtzrlnb/stata-data-cleaning 。

按 SkillHub 頁面顯示的信息，該 Skill 評分 100000，下載 1201 次，安裝數爲 0。標籤爲 requires_api_key=false，即使用不需要 API Key。

核心功能¶

已覈實的能力範圍集中在三塊：

1、縮尾：對連續變量的極端值做截斷處理，給出規範寫法，避免不同實現方式造成的口徑差異。
2、缺失值處理：針對 Stata 數據中常見的缺失情況給出統一處理方式。
3、變量生成：用 generate / egen 等方式從已有變量構造新變量，明確推薦寫法。

這些能力的呈現形式是 Skill 內的規範說明與示例代碼，供你在寫 Stata do 文件時對照執行。

安裝與啓用¶

Skill 採用通用的 SKILL.md 格式，啓用方式取決於你使用的客戶端。目前手頭資料只提供了官方地址和座標，沒有給出具體的安裝命令或配置字段，因此這裏不寫未經覈實的命令。

需要安裝時，建議直接打開 SkillHub 頁面確認當前版本的安裝方式：

https://www.skillhub.cn/skills/org-xhtzrlnb/stata-data-cleaning

該 Skill 不需要 API Key，啓用時沒有額外的密鑰配置項。

典型用法¶

可復現示例應以 Skill 包內的 SKILL.md 爲準。手頭資料沒有附帶具體的代碼示例，下面只說明操作框架，具體命令請以 Skill 包內容爲準，不要憑習慣補寫。

1、縮尾：先確認要處理的變量名和分位點（常見做法是取兩端各 1% 或 5% 分位），再按 Skill 給出的規範寫法執行截斷，替換極端值爲分位點值。
2、缺失值處理：先檢查變量的缺失情況，再按 Skill 約定的方式處理，處理後注意覈對樣本量變化。
3、變量生成：明確新變量與原變量之間的關係，按 Skill 推薦的 generate 或 egen 寫法構造，避免同一變量在不同腳本里用不同函數實現。

適用場景與注意¶

適合使用 Stata 做數據處理、需要統一清洗口徑的個人或團隊：同一變量在多人多腳本下要得到一致結果時，這類規範寫法價值最大。

需要注意的幾點：

1、該 Skill 只負責寫法規範，不改變 Stata 命令本身的語義，最終結果仍取決於你選擇的分位點、缺失值處理策略。
2、手頭資料未包含完整示例代碼和安裝命令，接入前先打開官方頁面覈對 SKILL.md 內容。
3、評分、下載量等數據以 SkillHub 頁面當前顯示爲準，會隨時間變化。

結尾¶

stata-data-cleaning 的價值在於把 Stata 數據清洗中最常見、也最容易寫出差異的三類操作固定成規範寫法，減少口徑不一致帶來的返工。如果你正在整理團隊的數據清洗流程，可以先從縮尾和缺失值處理這兩塊對照 Skill 內容落地，再逐步覆蓋變量生成。

官方地址：https://api.skillhub.cn/org-xhtzrlnb/stata-data-cleaning ；SkillHub 頁面：https://www.skillhub.cn/skills/org-xhtzrlnb/stata-data-cleaning 。