Tableaux

Personnalisez vos tableaux de

  • Statistiques sommaires
  • Résultats des tests d’hypothèse
  • Résultats des régressions
  • Tests LR et Wald, statistiques GOF, …
  • Résultats de toute commande Stata

Exportation vers

  • Word, Excel
  • LaTeX
  • HTML, Markdown
  • PDF
  • et autres

Économétrie bayésienne

Bayesian

  • VAR bayésiens
  • Analyse IRF et FEVD
  • Prévision dynamique
  • Modèles de données de panel/longitudinales
  • Modèles DSGE linéaires et non linéaires

PyStata—Python et Stata

  • Appelez Python depuis Stata
  • Appelez Stata à partir de Python.
  • Échangez des données, des métadonnées et des résultats de manière transparente.
  • Utilisez Stata à partir de Jupyter Notebook, Spyder, PyCharm IDE, et plus encore.

Jupyter Notebook avec Stata

  • Invoquez Stata et Mata à partir de Jupyter Notebook.
  • Reproduisez facilement votre travail et collaborez avec d’autres personnes.
  • Accédez aux résultats des analyses Stata dans Python.
  • Les résultats, graphiques et tableaux de Stata s’intègrent parfaitement à votre Jupyter Notebook.

Modèles de différence dans les différences (DID) et DDD

  • Évaluez l’effet d’une politique, d’un traitement ou d’une intervention.
  • Contrôlez les caractéristiques de groupe et de temps non observées qui prêtent à confusion.
  • Utilisez des données de panel ou des sections transversales répétées.
  • Utilisez le modèle DID. En vogue depuis 1855.

Stata plus rapide

Stata est rapide, et le devient encore plus.

  • Tri et réduction plus rapides
  • Modèles mixtes plus rapides
  • Commandes d’estimation plus rapides
  • Importation délimitée plus rapide
  • Et plus encore

Modèle de Cox à censure par intervalles

Vous voulez modéliser le temps écoulé jusqu’à un événement.

Mais vous ne connaissez pas le moment exact de l’événement – seulement les intervalles dans lesquels les événements se produisent.

Et vous ne voulez pas faire d’hypothèses paramétriques.

Essayez un modèle de Cox censuré par intervalles.

Méta-analyse multivariée

Avez-vous plusieurs tailles d’effet?

Ont-elles un groupe de contrôle commun?

Ont-ils le même groupe de sujets?

La méta-analyse multivariée peut vous aider.

Modèles VAR bayésiens

Vous ajustez vos modèles VAR avec var.

Vous avez ajusté vos modèles de régression bayésiens avec bayes:.

Ajustez maintenant vos modèles VAR bayésiens avec bayes:var.

Modélisation bayésienne multi-niveaux

Non-linéaire, conjoint, de type SEM, et plus encore.

Plus de modèles multiniveaux.

Plus puissant.

Plus facile à utiliser.

Estimation lasso des effets de traitement

Quand vous voulez:

Inférence causale, effets de traitement moyens, moyennes des résultats potentiels, estimation doublement robuste.

Et vous avez:

Beaucoup (peut-être des centaines ou des milliers) de covariables potentielles.

Utilisez l’estimation des effets de traitement avec la sélection de variable lasso.

Nouvelles fonctions pour les dates et les heures

  • Calcul des durées, comme les âges et autres différences entre les dates.
  • Calculer des dates relatives, ou des dates à partir d’autres dates, comme l’anniversaire précédent ou suivant par rapport à une date de référence.
  • Extraction de composants individuels à partir de valeurs de dates et de variables.

Méta-analyse avec exclusion

Y a-t-il des études influentes dans vos données?

Utilisez la méta-analyse leave-one-out pour le savoir.

Graphiques de Galbraith

Résumez graphiquement les résultats de la méta-analyse

  • Tailles d’effet spécifiques aux études
  • Précision des tailles d’effet
  • Taille de l’effet global

Détecter les valeurs aberrantes potentielles.

Évaluer l’hétérogénéité.

Modèle logit multinomial à données de panel

Vous pouvez modéliser des résultats catégoriels avec mlogit.

Vous pouvez modéliser des données de panel avec xt.

Maintenant, vous pouvez faire les deux!

La nouvelle commande xtmlogit de Stata modélise les résultats catégoriels qui évoluent dans le temps.

Modèles bayésiens de données de panel

L’analyse bayésienne vous permet de répondre à des questions probabilistes avec des modèles de données de panel.

  • Quelle est la probabilité qu’une année supplémentaire de scolarité augmente les salaires?
  • Quelle est la probabilité de défaut de paiement pour un portefeuille à faible risque?

Incorporez des connaissances préalables, consultez les distributions postérieures des effets aléatoires, calculez des prédictions bayésiennes, etc.

Modèle logit ordonné zéro-gonflé

Vous devez modéliser un résultat ordinal?

Vous avez un excès de zéros (ou de réponses dans la catégorie la plus basse)?

Le modèle ziologit est la solution.

Tests non paramétriques de tendance

Les réponses ont-elles une tendance à la hausse ou à la baisse? Découvrez-le en utilisant l’un des quatre tests non paramétriques de tendance:

  • le test de Cochran-Armitage
  • Test de Jonckheere-Terpstra
  • Test linéaire par ligne
  • Test de Cuzick avec rangs

Analyse bayésienne de l’IRF et de la FEVD

Quel est l’effet d’un choc dans le temps?

Quelle est la moyenne ou la médiane de cet effet pour une distribution de scénarios probables?

L’analyse IRF bayésienne répond à ces questions et à bien d’autres.

Prévision dynamique bayésienne

Après la VAR, vous voulez une prévision dynamique.

Après une estimation bayésienne, vous voulez des statistiques de distributions postérieures.

Estimez les deux. Visualisez les deux.

Lasso avec des données en grappes

Vos données ont…
de nombreuses variables.

Vos données ont…
groupes d’observations.

Votre lasso pour la prédiction, la sélection de modèles ou l’inférence peut maintenant sélectionner des variables tout en tenant compte de l’agrégation.

BIC pour la sélection de pénalités lasso

Quelles sont les variables à inclure dans le lasso?

Le BIC pour la sélection de pénalités lasso peut vous le dire.

Modèles DSGE bayésiens linéaires et non linéaires

La formation d’anticipations rationnelles
de l’avenir est difficile.

Les modèles DSGE incluent
ces attentes.

Les informations préalables sont utiles.

Améliorations de l’éditeur de fichiers de données

  • Signets persistants
  • Contrôle de la navigation
  • Coloration syntaxique pour Java, XML, etc.
  • Auto-complétion pour les guillemets, les parenthèses et les crochets.

Bibliothèque Intel Math Kernel (MKL)

  • Support natif du processeur M1
  • Application universelle pour les Macs Intel et Apple Silicon.
  • Une licence, les deux types de matériel

Intel Math Kernel Library (MKL)

Les fonctions et les opérateurs de Mata utilisent des routines LAPACK fortement optimisées, soutenues par la bibliothèque Intel Math Kernel.

Utilisez vos commandes Stata préférées comme d’habitude; les fonctions sous-jacentes sont plus rapides, vous obtenez donc des résultats plus rapidement.

Intégration de Java

  • Utilisez Java de manière interactive (comme JShell) à partir de Stata
  • Incorporez du code Java dans les fichiers do.
  • Incorporez du code Java dans des fichiers ado.
  • Compilez et exécutez du code Java « à la volée » sans programmes externes.

Intégration de H2O

  • Démarrer un nouveau cluster H2O ou se connecter à un cluster existant.
  • Manipuler des données sur un cluster H2O.
  • Accéder aux capacités de H2O directement dans Stata.

JDBC

La connexion de Stata aux bases de données est désormais plus facile.

Vous voulez accéder aux données d’Oracle, MySQL, Amazon Redshift, Snowflake, Microsoft SQL Server et autres?

Utilisez jdbc.

Vous voulez un seul pilote qui fonctionne sur Windows, Mac et Linux?

Utilisez jdbc.