写在前面：Stata 中的时间变量典型的比如日期，真正的取值是浮点型的数值。

即2020年10月10日这天，在Stata内部真实的取值是浮点数“22198”。

然后为了好看，我们通常将这个浮点数（日期型变量），转换为方便阅读的 td% 格式。

要论日常遇到的数据类型中，哪种最复杂最麻烦？答案肯定就是日期型数据了。虽说一般的实证分析未必用到日期型变量，但是时间序列或者动态面板模型一定会需要和它打交道。尤其是间隔时间较小的时间序列，比如季度、月度、周、日、时和分秒等数据就更不好处理。一般来说，间隔约小，时间单位也就越小，处理起来就越麻烦。

一般数据来源中的日期型数据，通常都是字符型（string）。如果直接当成日期型来对待，Stata就会报错。

下面我们结合具体案例，演示一下常见的处理过程。第一个案例的数据是“年月日+时分秒”的数据，第二个是常见的“年月日”日期型数据。

首先，导入原始的数据dta。这里TIMESTAMP变量取值是一个很长的时间格式，包括了“月/日/年 时/分/秒”。

接下来，我们尝试将它声明为日期型变量。Stata报错。

这是因为这个变量本来就是字符型，不是日期型，不能直接当日期型变量使用。所以我们需要对这个变量进行转换。

TIMESTAMP变量转换使用clock函数。

这里变量eventtime变量显示的是Stata眼中的真正变量取值（从1960年1月1日开始；Excel是1900年1月1日开始；R语言和Python是1970年1月1日开始；），eventtime_format只不过是改变了它的显示格式（Stata中真正的取值不变），让人类能直观地读懂。

一般来说，eventtime和eventtime_format两个变量都可以当成日期型变量使用，因为他们的本质是同一个东西。因为显示效果更直观，一般我们会使用eventtime_format这种形式的变量。

不过这里需要注意，eventtime_format变量即使已经变为日期型，依然不能声明它是时间序列的时间变量——因为它的取值不唯一。这时我们可以考虑对数据进行改造，比如使用collapse将同一时点的其它变量数据取均值，再使用。

如果不能声明为时间序列，就意味着我们不能使用像tsline这种简洁的命令绘制时间序列图。这个时候，我们可以考虑绘制散点图。比如我们绘制eventtime_format和PRICE的散点图，结果如下。

接下来，我们演示一个更常见的日期型变量的转换已以及格式化。

加入我们导入的日期型变量date为字符串，具体显示为2020-10-10，或者2020/10/10。还是和第二部分的案例处理步骤一样。通过date函数进行转换，再通过format指定显示格式。

季度变量，通过quarterly函数进行转换，再通过format指定显示格式。

月度变量，通过montyly函数进行转换，再通过format指定显示格式。

最后补充：对于长长地字符串型日期数据，可以用substr函数进行截取。

substr(var, 1, 4) 表示截取var变量的第一个字符，共截取4个。如果var取值是“2020-10-10”这种，截出来的就是“2020”的年份数据。接着进行转化+格式化，即可正常使用。

反之，对于分列的字符型日期变量，直接生成新变量，用+连接分开的变量即可。比如：

gen date = year + month + day

这里date就是一个长的字符串日期了。接着还是转换+格式化。

更多转换函数和日期格式，可参考Stata相关帮助文件。

Stata Date and time functions 帮助文件

-----全文结束----