Intervall-zensiertes Cox-Modell
Differenz in Differenzen (DID)
Panel-Daten multinomiales Logit
Null-inflationiertes geordnetes Logit
Bayesianische IRF- und FEVD-Analyse
Bayesianische dynamische Vorhersage
Erweiterungen im Do-File-Editor
Tische
Passen Sie Ihre Tabellen an
- Zusammenfassende Statistiken
- Ergebnisse von Hypothesentests
- Regressionsergebnisse
- LR- und Wald-Tests, GOF-Statistiken, …
- Ergebnisse aus beliebigen Stata-Befehlen
Exportieren nach
- Word, Excel
- LaTeX
- HTML, Markdown
- und mehr
Bayes’sche Ökonometrie
Bayessche
- VAR-Modelle
- IRF- und FEVD-Analyse
- Dynamische Vorhersage
- Panel-/Langzeitdaten-Modelle
- Lineare und nichtlineare DSGE-Modelle
PyStata—Python and Stata
- Aufruf von Python aus Stata.
- Rufen Sie Stata von Python aus auf.
- Tauschen Sie Daten, Metadaten und Ergebnisse nahtlos aus.
- Verwenden Sie Stata aus Jupyter Notebook, Spyder, PyCharm IDE und mehr.
Jupyter Notebook mit Stata
- Rufen Sie Stata und Mata von Jupyter Notebook aus auf.
- Reproduzieren Sie auf einfache Weise Ihre Arbeit und arbeiten Sie mit anderen zusammen.
- Greifen Sie auf Ergebnisse von Stata-Analysen innerhalb von Python zu.
- Stata-Ausgabe, Graphen und Tabellen lassen sich nahtlos in Ihr Jupyter Notebook integrieren.
Differenz-in-Differenzen (DID)- und DDD-Modelle
- Evaluieren Sie den Effekt einer Politik, einer Behandlung oder einer Intervention.
- Kontrolle für störende unbeobachtete Gruppen- und Zeitmerkmale.
- Verwenden Sie Paneldaten oder wiederholte Querschnitte.
- DID verwenden. Seit 1855 in Mode.
Schnelleres Stata
Stata ist schnell, und wird immer schneller.
- Schnelleres Sortieren und Kollabieren
- Schnellere gemischte Modelle
- Schnellere Schätzungsbefehle
- Schnelleres Importieren von Begrenzungen
- Und mehr
Intervall-zensiertes Cox-Modell
Sie möchten die Zeit bis zu einem Ereignis modellieren.
Sie kennen aber nicht die genauen Ereigniszeiten, sondern nur die Intervalle, in denen die Ereignisse stattfinden.
Und Sie wollen keine parametrischen Annahmen treffen.
Versuchen Sie ein intervall-zensiertes Cox-Modell.
Multivariate Meta-Analyse
Haben Sie mehrere Effektgrößen?
Teilen sie sich eine gemeinsame Kontrollgruppe?
Haben sie die gleiche Gruppe von Probanden?
Eine multivariate Meta-Analyse kann helfen.
Bayessche VAR-Modelle
Sie passen Ihre VAR-Modelle mit var an.
Sie passen Ihre Bayes’schen Regressionsmodelle mit bayes: an.
Jetzt passen Sie Ihre Bayes’schen VAR-Modelle mit bayes: var an.
Bayes’sche Mehrebenen-Modellierung
Nichtlineare, gemeinsame, SEM-ähnliche und mehr.
Mehr Multilevel-Modelle.
Mächtiger.
Einfacher zu benutzen.
Behandlungseffekte-Lasso-Schätzung
Wenn Sie wollen:
Kausale Inferenz, durchschnittliche Behandlungseffekte, potenzielle Ergebnismittelwerte, doppelt robuste Schätzung
Und Sie haben:
Viele (vielleicht Hunderte oder Tausende) potenzielle Kovariaten
Verwenden Sie die Schätzung von Behandlungseffekten mit Lasso-Variablenauswahl.
Neue Funktionen für Daten und Zeiten
- Berechnen Sie Dauern, wie z. B. Alter und andere Unterschiede zwischen Datumszeiten.
- Berechnung von relativen Datumswerten oder von Datumswerten aus anderen Datumswerten, wie z. B. dem vorherigen oder nächsten Geburtstag oder Jahrestag relativ zu einem Referenzdatum.
Weglassende Meta-Analyse
Gibt es einflussreiche Studien in Ihren Daten?
Verwenden Sie die Leave-One-Out-Meta-Analyse, um das herauszufinden.
Galbraith-Diagramme
Fassen Sie die Ergebnisse einer Meta-Analyse grafisch zusammen
- Studienspezifische Effektgrößen
- Präzision der Effektgrößen
- Gesamt-Effektgröße
Potenzielle Ausreißer erkennen
Heterogenität abschätzen
Multinomiales Logit-Modell für Paneldaten
Sie können kategoriale Ergebnisse mit mlogit modellieren.
Sie können Paneldaten mit xt. modellieren.
Jetzt können Sie beides tun!
Der neue Stata-Befehlxtmlogit modelliert kategoriale Ergebnisse, die sich über die Zeit verändern.
Bayes’sche Paneldaten-Modelle
Mit der Bayes’schen Analyse können Sie probabilistische Fragen mit Paneldatenmodellen beantworten.
- Wie wahrscheinlich ist es, dass ein zusätzliches Jahr Schulbildung den Lohn erhöht?
- Wie hoch ist die Ausfallwahrscheinlichkeit für ein Portfolio mit geringem Risiko?
Beziehen Sie Vorwissen ein, sehen Sie Posterior-Verteilungen von Zufallseffekten, berechnen Sie Bayes’sche Vorhersagen und vieles mehr.
Null-inflationäres geordnetes Logit-Modell
Sie müssen ein ordinales Ergebnis modellieren?
Haben Sie überschüssige Nullen (oder Antworten in der niedrigsten Kategorie)?
ziologit ist die Antwort.
Nichtparametrische Tests für den Trend
Weisen die Antworten einen steigenden oder fallenden Trend auf? Finden Sie es mit einem der vier nichtparametrischen Tests für den Trend heraus:
- Cochran-Armitage-Test
- Jonckheere-Terpstra-Test
- Linear-für-linear-Test
- Cuzick’s Test mit Rängen
Bayessche IRF- und FEVD-Analyse
Was ist der Effekt eines Schocks über die Zeit?
Was ist der Mittelwert oder Median des Effekts für eine Verteilung von wahrscheinlichen Szenarien?
Die Bayes’sche IRF-Analyse beantwortet diese und weitere Fragen.
Bayessche dynamische Prognose
Nach VAR wollen Sie eine dynamische Prognose.
Nach der Bayes’schen Schätzung wollen Sie eine Statistik der posterioren Verteilungen.
Schätzen Sie beides. Visualisieren Sie beides.
Lasso mit geclusterten Daten
Ihre Daten haben …
viele Variablen.
Ihre Daten haben …
Clustern von Beobachtungen.
Ihr Lasso für Vorhersage, Modellauswahl oder Inferenz kann nun Variablen auswählen und dabei die Clusterung berücksichtigen.
BIC für Lasso-Strafauswahl
Welche Variablen sollte Lasso einschließen?
BIC für die Lasso-Strafauswahl kann Ihnen das sagen.
Bayessche lineare und nichtlineare DSGE-Modelle
Rationale Erwartungen zu bilden
der Zukunft ist schwierig.
DSGE-Modelle enthalten
diese Erwartungen.
Vorabinformationen helfen dabei.
Erweiterungen im Do-File-Editor
- Persistente Lesezeichen
- Steuerung der Navigation
- Syntaxhervorhebung für Java, XML und mehr
- Automatische Vervollständigung für Anführungszeichen, Klammern und Klammern
Stata auf Apple Silicon
- Native M1-Prozessor-Unterstützung
- Universelles Programm für Intel- und Apple-Silicon-Macs
- Eine Lizenz, beide Arten von Hardware
Intel Math Kernel Library (MKL)
Mata-Funktionen und -Operatoren verwenden stark optimierte LAPACK-Routinen, die von der Intel Math Kernel Library unterstützt werden.
Verwenden Sie Ihre bevorzugten Stata-Befehle wie immer; die zugrunde liegenden Funktionen sind schneller, so dass Sie schneller Ergebnisse erhalten.
Java integration
- Verwenden Sie Java interaktiv (wie JShell) aus Stata heraus.
- Betten Sie Java-Code in do-Dateien ein.
- Einbetten von Java-Code in ado-Dateien.
- Kompilieren und führen Sie Java-Code „on the fly“ ohne externe Programme aus.
H2O integration
- Starten Sie einen neuen H2O-Cluster oder verbinden Sie sich mit einem bestehenden Cluster.
- Manipulieren Sie Daten auf einem H2O-Cluster.
- Greifen Sie auf die Möglichkeiten von H2O direkt in Stata zu.
JDBC
Die Anbindung von Stata an Datenbanken ist jetzt einfacher.
Möchten Sie auf Daten von Oracle, MySQL, Amazon Redshift, Snowflake, Microsoft SQL Server und anderen zugreifen?
Verwenden Sie jdbc.
Sie wollen einen Treiber, der unter Windows, Mac und Linux funktioniert?
Verwenden Sie jdbc.