Stata15

Stata15官方版是一款用于数据分析和数据可视化的统计分析软件。Stata15官方版提供了多种统计分析工具，如回归分析、方差分析、因子分析等，可以帮助用户快速分析数据。Stata15官方版还提供了多种数据可视化工具，如散点图、柱状图、饼图等，可以帮助用户直观地展示数据。

Stata15基本简介

　　stata15最新版是一款集数据分析、数据管理以及绘制专业图表的整合性统计软件，它提供多种数据模型，包括线性混合模型、均衡重复反复及多项式普罗比模式，用Stata绘制的统计图形相当精美。它的分析功能也是比较出众的，可利用命令快速完成数据整理、导入导出等工作。

Stata15软件特色

　　stata15最新版是一款专业的数据分析、管理以及图表绘制工具，采用了最具亲和力的窗口接口，使用者自行建立程序时，能提供具有直接命令式的语法，可以帮助您更好的统计和分析数据，让您充分发挥自己的聪明才智，熟练应用各种技巧，真正做到随心所欲。该软件提供了多元统计分析中所需的矩阵基本运算，如矩阵的加、积、逆、 Cholesky分解、 Kronecker内积，以及一些高级运算，如特征根、特征向量、奇异，绘制的统计图形相当精美，而且统计功能很强，除了传统的统计分析方法外，还收集了Cox比例风险回归，指数与Weibull回归，多类结果与有序结果的logistic回归，Poisson回归等等，功能非常强大。

　　同时，stata15.1的统计分析能力远远超过SPSS，由于它是在分析时是将数据全部读入内存，在计算全部完成后才和磁盘交换数据，因此计算速度极快，以及生存数据分析、纵向数据(重复测量数据)分析等模块的功能都非常强大，另外，它还进行了全方面的优化和改善，例如将界面、DO转码、set more off的自动设置和do file edit进行美化，并增加了扩展回归模型、 潜在类别分析(LCA)、 贝叶斯前缀指令、 线性动态随机一般均衡(DSGE)模型等众多功能等等，能够大大提高用户工作效率。

Stata15功能介绍

 　　1.扩展回归模型

　　我们称之为ERMS 扩展回归模型。四个新的命令适合

　　-线性回归分析,

　　-区间回归包括 tobit模型，

　　-概率，

　　-有序概率模型

　　stata15最新版可任意组合成：

　　-内生变量

　　-非随机处理任务

　　-内源性(Heckman-style)样本的选择

　　这些新的命令让人惊喜，因为可以在任何一个方程中加入内生变量，包括处理赋值和概率选择方程。内生变量并不局限于连续性。它们可以是二进制或序数。不管是外生的还是内生的，它们都可以与其他变量相互作用。它们甚至可以互相作用，形成平方项或立方项!

　　这些新的ERM命令—eregress,eintreg,eprobit, 和eoprobit注定会流行起来，因为他们解决了研究人员的很多问题。首先, 可能有一个内生变量, 因为许多模型都省略了与模型中的变量相关的变量。其次，数据经常被删剪，而删剪不是随机的。ERM 样本选择选项允许您对选择过程进行建模, 并对其进行调整。或者, 如果您正在使用非随机处理效应模型, 则可以用 ERM处理分配选项。或者, 可以结合处理分配和选择选项, 其中一些是由于后续的行为而损失的拟合内生处理分配模型。

　　2、潜在类别分析(LCA)

　　潜在的均值未被观测。分类也就是分组。潜在类是数据中未观测到的组。你可能有关于消费者的数据，并且根据消费者对产品的潜在兴趣将他们分成三组。但是，在数据中没有指定每个消费者所属组的变量。拟合模型后，你可以

　　-使用新的estat lcprob命令估计属于每一类的消费者比例;

　　-使用新的estat lcprob命令估计每个类中Y1、Y2、Y3、Y4的边际均值(均值就是示例所示的概率);

　　-使用新estat lcprob命令来评价适合度;

　　-使用现有的predict命令获取分类成员的预测概率和观测结果变量的预测值。

　　3、贝叶斯前缀指令

　　新的bayes：前缀命令使你能够适应比以前版本更广泛的贝叶斯模型。原来也可以拟合贝叶斯线性回归, 但是现在可以通过输入文字就可以：在这个模型中, 为变量 id的每个值添加随机截距。

　　新的bayes：前缀命令在许多Stata评估命令之前工作，并提供超过50种可能性的模型。支持的模型包括多级、面板数据、生存和样本选择模型!

　　新命令支持所有Stata的贝叶斯的功能。你可以从之前的模型参数的分布中选择，也可以使用之前默认的。当闭合形式解决方案用于Gibbs方法时，可以使用默认的自适应 Metropolis–Hastings 抽样, 或Gibbs抽样, 或两种方法的组合。在bayesmh命令的基础上可以使用STATA的任何其他功能。可以更改回归系数的缺省先验分布，比如，使用prior()选项：

　　4、线性动态随机一般均衡(DSGE)模型

　　DSGEs是经济学中的一个时间序列模型。它们是传统预测模型的替代品。两者都试图解释总的经济现象, 但 DSGEs 允许对来自经济理论模型的基础上做这个。建立在经济理论基础上的方程很多。这些方程的关键特征是, 未来变量的期望值会影响今天的变量。这是区别 DSGEs 与矢量回归或状态空间模型的一个特性。另一个特点是, 从理论推导出来的参数通常可以用这个理论来解释。

　　在DSGE模型中有三种变量：

　　-控制变量和方程，如p没有冲击,并且是由方程组决定的。

　　-状态变量 (如 y) 具有隐含的冲击, 在时间段开始时是预先确定的。

　　-冲击是驱动系统的随机错误。

　　在任何情况下, 以上dsge 命令可以定义一个模型并拟合。

　　如果我们有一个关于 beta 和kappa之间关系的理论, 比如它们是相等的, 我们可以用现有的命令test来测试它。

　　新的 postestimation命令estat policy和estat transition报告策略和转换矩阵。如果键入

　　显示将控制变量作为状态变量的线性函数。如果有五个控制变量和三个状态变量, 则每个控件将被报告为三个状态的线性函数。在上面的简单例子中, 预测 p 的线性函数将显示为现在的 y 函数。

　　同时，报告转换矩阵。而策略矩阵将 p 报告为函数y, 而转换矩阵则报告 y 如何通过时间演变为p。可以使用Stata的现有预测命令来生成预测。可以使用Stata现有的irf命令来绘制脉冲响应函数。

　　5、web动态的Markdown文档

　　你有没有听过Markdown?它是一种创建 html 文档的流行方式。html 文件是繁琐的。Markdown简单直观，想法很简单。可以创建一个文件, 其中包含所需的可读格式的文本, 然后通过它运行一个命令来创建一个HTML文件。

　　Stata现在支持Markdown, 我们已经添加了标签 (功能) 到Markdown, 允许包括输入文件中的Stata命令。你所包含的命令将被运行和显示, 或者以秘密方式运行, 以及提取输出的部分供文档使用。

　　6、非线性混合效应模型

　　非线性混合效应模型也被称为非线性多级模型和非线性层次模型。可以用两种方式来考虑这些模型。可以把它们看成包含随机效应的非线性模型。或者可以把它们看成线性混合效应模型, 其中一些或所有的固定和随机效应都是非线性的。不管哪种方式, 总的误差分布假设成Gaussian分布。

　　这些模型在人口药代动力学, 生物鉴定和研究生物学和农业成长过程中很流行。比如，采用非线性混合效应模型对机体的药物吸收、地震强度和植物生长进行了模拟。

　　新的评估命令被命名为 menl。它实现了 popular-in-practice Lindstrom–Bates 算法, 是基于对固定和随机效应的非线性均值函数进行线性化。支持最大似然和受限最大似然估计方法。

　　Menl易于使用。可以直接输入单个方程。大括号{ }，用于将要匹配的参数括起来：

　　除了标准功能外, postestimation特征还包括对随机效应及其标准误差的预测，对模型中定义的感兴趣参数的预测, 作为其他模型参数和随机效应的参数、聚类相关矩阵的整体评估等。

　　7、空间自回归模型(SAR)

　　Stata适合空间自回归 (SAR) 模型, 也称为同步自回归模型。新的spregress,spivregress, 和spxtregress命令允许因变量的空间滞后、自变量的空间滞后和空间自回归误差。空间滞后是时间序列滞后的空间模拟。时间序列滞后近年来成为变量值。空间滞后是附近地区的值。

　　该模型适用于区域数据, 也称为区域性数据。观测结果被称为空间单位, 可以是国家、州、区、县、市、邮政编码或城市街区，或者它们可能根本就不是地理位置。它们可能是社交网络的节点。空间模型评估直接影响—区域对自身的影响，并估算邻近地区的间接或溢出效应。

　　有一个全新的 [SP] 手册专门介绍Stata的新SAR功能。这些命令被称为Sp命令。它们可以与以下一起工作：

　　-shapefiles通过 web 获取你选择数据，或者

　　-没有shapefiles 和数据，只包含位置的坐标，或者

　　-没有 shapefiles没有位置会出现社会网络数据。

　　8、区间删失参数生存时间模型

　　Stata新的stintreg 命令加入 streg, 用于拟合参数生存模型。stintreg拟合区间删失数据模型。在区间删失数据中，故障时间并不确定。众所周知, 受试者还没有失败的时候, 以及后来他们已经失败的时候。

　　stintreg拟合指数，Weibull, Gompertz, 对数正态分布、对数逻辑和广义的gamma生存时间模型。支持比例风险和加速故障时间度量。功能包括

　　-分层估计

　　-灵活的辅助参数建模

　　-robust, cluster–robust, bootstrap,和jackknife的标准误差

　　除了基本功能, postestimation功能还包括plots of survivor,, hazard, 和cumulative hazard函数;平均数和中位数时间预测;Cox–Snell and martingale-like残差值等。

　　9、有限混合模型(FMMs)

　　新的fmm:当数据来自未观测到的亚群时, 前缀命令拟合模型。它可以与17 个Stata评估命令一起使用。

　　大多数用户使用fmm来拟合模型中的参数 (系数、位置、方差、比例等) 在不同亚群之间的变化。在这些模型中，未观测到的亚群称为类。比如说你感兴趣的拟合模型。每个分类在总人口的比例中，Postestimation 命令可用于 (1) 评估，(2) 报告类内结果变量的边际均值，(3) 预测类成员的概率和预测结果。

　　10、混合Logit模型

　　Stata已经拟合多项Logit模型。Stata15能使它们拟合混合形式, 包括随机系数。

　　随机系数对拟合多项式逻辑模型具有特殊的意义。它们是围绕Independence of the Irrelevant Alternatives (IIA)假设一种方式。这一假设表明, 如果你选择步行去工作, 当你的选择是步行, 乘坐公交车, 或自驾, 你仍然选择步行, 即使你没有选择不可再用的一个选项。如果选项是在步行或开车之间，你仍然会选择步行。人类有时行为不同。

　　IIA假设在协变量的条件下, 选择是独立的。如果违反这种假设, 选择将是相关的。随机系数允许选择相关性。研究人员经常在随机效用模型和离散选择分析的中使用混合模型。Stata新的asmixlogit Logit命令支持各种随机系数分布, 并允许包含特定案例变量的模型。

　　11、非参数回归

　　Stata现在适合非参数回归。在这些模型中, 不指定函数形式。指定变量并指定想要匹配的变量：

　　匹配项是g()。该方法不假定 g () 是线性的

　　12、聚类随机设计和回归模型的功耗分析

　　Stata现有的power命令执行功率和样本(PSS) 分析。其功能包括PSS线性回归和集群随机设计 (CRDs)。现在可以添加你自己的功率和样本大小的方法。

　　线性回归的新方法包括

　　-power oneslope，在一个简单的线性回归中对斜率测试执行pss。根据给定的其他研究参数计算样本的大小或功率

　　-power rsquared，在多元线性回归中执行R-squared检验的PSS。R-squared检验是对测定系数 (R-squared) 的 f 检验。测试可以用来测试所有系数的意义, 也可以用来测试其中的一个子集。在这两种情况下, power rsquared计算样本大小或功率或目标R-squared给其他参数研究。

　　-power pcorr，在多元线性回归中执行PSS的部分相关测试。部分相关检验是平方偏多相关系数 f的 检验。该命令根据其他研究参数计算样本大小或功率或目标平方偏相关系数。

　　Stata 15现在还支持集群随机化设计：

　　在 CRD中, 组的受试者 (集群) 是随机的而不是个体, 这意味着样本大小的作用是通过数字集群和集群大小来发挥的。样本大小确定包括给定集群大小的数量或给定集群的大小。CRD命令计算 (1) 的一个集群的数目, (2)的集群大小, 或 (3)的功率, 或最小的可检测到的效果大小给定的其他参数。这些命令可以根据不相等的集群大小调整选项。

　　-当指定新的选项集群时, 现有的5个 power方法将扩展到支持CRDs。它们是

　　-对于两个样本方法, 还可以针对两个组中的不相等的集群进行调整。

　　与所有其他功率方法一样, 新方法允许指定参数的多个参数值, 并自动生成表格和图形结果。

　　另一个新功能是可以添加自己的PSS方法。这是很容易做到的。编写一个计算样本大小、功率或效果大小的程序。power命令将为您完成其余部分。它将处理选项中多个值的支持, 并且自动生成图形和结果表。

本地下载1