Tablas
Econometría Bayesiana
Modelo Cox censurado por intervalos
Diferencia en diferencias (DID)
Modelos Bayesianos VAR
Metanálisis multivariado
Efectos del tratamiento lasso
Logit multinomial de datos panel
Modelo logit ordenado inflado a cero
Análisis bayesiano de IRF y FEVD
Pronóstico bayesiano dinámico
Mejoras en el editor de do-files
Biblioteca de kernel matemático de Intel (MKL)
Stata en Apple Silicon
JDBC
PyStata
Jupyter Notebook con Stata
Stata más rápido
Modelado bayesiano multinivel
Nuevas funciones de fecha y hora
Leave-one-out meta-analysis
Gráficas Galbraith
Modelos de datos panel bayesianos
Pruebas de tendencia no paramétricas
Lasso con datos agrupados
BIC para la selección de penalización lasso
Modelos bayesianos DSGE lineales y no lineales
Integración H2O
Integración Java
Personaliza tus tablas de:
Exportar a
Bayesiano
Stata es rápido y sigue haciéndolo más rápido.
Quieres modelar el tiempo de un evento.
Pero no conoce las horas exactas de los eventos, solo los intervalos en los que ocurren los eventos.
Y no quiere hacer suposiciones paramétricas.
Prueba un modelo de Cox censurado por intervalos.
¿Tiene varios tamaños de efecto?
¿Comparten un grupo de control común?
¿Comparten el mismo grupo de asignaturas?
El metanálisis multivariado puede ayudar.
Se ajusta a sus modelos VAR con var.
Ajusta sus modelos de regresión bayesiana con bayes:.
Ahora ajuste sus modelos Bayesianos VAR con bayes: var.
No lineal, conjunta, SEM-like y más.
Más modelos multinivel.
Más poderoso.
Más fácil de usar.
Cuando quieres:
Inferencia causal, efectos promedio del tratamiento, medias de resultado potencial, estimación doblemente robusta
Y tienes:
Muchas (quizás cientos o miles de) variables potenciales
Utilice la estimación de los efectos del tratamiento con la selección de variables de lasso.
¿Hay estudios influyentes en sus datos?
Utilicé leave-one-out meta-analysis para averiguarlo.
Resumir gráficamente los resultados del metanálisis
Detecta posibles valores atípicos
Evaluar la heterogeneidad
Puede modelar resultados categóricos con mlogit.
Puede modelar datos de panel con xt.
¡Ahora puedes hacer ambas cosas!
El nuevo comando xtmlogit de Stata modela resultados categóricos que cambian con el tiempo.
El análisis bayesiano le permite responder preguntas probabilísticas con modelos de datos de panel.
Incorpore conocimientos previos, vea distribuciones posteriores de efectos aleatorios, calcule predicciones bayesianas y más.
¿Necesita modelar un resultado ordinal?
¿Tiene un exceso de ceros (o respuestas en la categoría más baja)?
ziologit es la respuesta.
¿Las respuestas tienen una tendencia creciente o decreciente? Averígüelo usando una de las cuatro pruebas no paramétricas de tendencia:
¿Cuál es el efecto de un shock a lo largo del tiempo?
¿Cuál es la media o mediana del efecto para una distribución de escenarios probables?
El análisis IRF bayesiano responde a estas y más.
After VAR, you want a dynamic forecast.
After Bayesian estimation, you want statistics of posterior distributions.
Estimate both. Visualize both.
Tus datos tienen ...
muchas variables.
Tus datos tienen ...
grupos de observaciones.
Utilice Lasso para predicción, selección de modelo o inferencia y es posible seleccionar variables mientras tiene en cuenta la agrupación.
¿Qué variables debería incluir Lasso?
BIC para la selección de penalización de lazo puede decirle.
Formando expectativas racionales
del futuro es difícil.
Los modelos DSGE incluyen
estas expectativas.
La información previa ayuda.
Las funciones y los operadores de Mata utilizan rutinas LAPACK altamente optimizadas respaldadas por Intel Math Kernel Library.
Utilice sus comandos favoritos de Stata como siempre; las funciones subyacentes son más rápidas, por lo que obtiene resultados más rápidamente.
Conectar Stata a bases de datos ahora es más fácil.
¿Quiere acceder a datos de Oracle, MySQL, Amazon Redshift, Snowflake, Microsoft SQL Server y otros?
Utilice jdbc.
¿Quiere un controlador que funcione en Windows, Mac y Linux?
Utilice jdbc.