Stata SE

Systemanforderung

Bayesian econometrics:

Stata does econometrics. And Stata does Bayesian statistics. Stata 17 now does Bayesian econometrics. Want to use probabilistic statements to answer economic questions, for example, Are those who participate in a job-training program more likely to stay employed for the next five years? Want to incorporate prior knowledge of an economic process? Stata’s new Bayesian econometrics features can help. Fit many Bayesian models such as cross-sectional, panel-data, multilevel, and time-series models. Compare models using Bayes factors. Obtain predictions and forecasts. And more!
One of the appeals for using Bayesian methods in econometric modeling is to incorporate the external information about model parameters often available in practice. This information may come from historical data, or it may come naturally from the knowledge of an economic process. Either way, a Bayesian approach allows us to combine that external information with what we observe in the current data to form a more realistic view of the economic process of interest.
Stata 17 offers several new features in the area of Bayesian econometrics:
Bayesian VAR models
Bayesian IRF and FEVD analysis
Bayesian dynamic forecasting
Bayesian longitudinal/panel-data models
Bayesian linear and nonlinear DSGE models

https://www.stata.com/new-in-stata/bayesian-econometrics

Stata values accuracy and it values speed. There is often a tradeoff between the two, but Stata strives to give users the best of both worlds. In Stata 17, we updated the algorithms behind sort and collapse to make these commands faster. We also attained speed improvements for some estimation commands such as mixed, which fits multilevel mixed-effects models.

https://www.stata.com/new-in-stata/faster-stata-speed-improvements

The bayes prefix now supports the var command to fit Bayesian vector autoregressive (VAR) models.
VAR models study relationships between multiple time series by including lags of outcome variables as model predictors. These models are known to have many parameters: with K outcome variables and p lags, there are at least p(K^2+\nn1) parameters. Reliable estimation of the model parameters can be challenging, especially with small datasets.
Bayesian VAR models overcome these challenges by incorporating prior information about model parameters to stabilize parameter estimation.

https://stata.com/new-in-stata/bayesian-VAR-models

The new command meta galbraithplot produces Galbraith plots for a meta-analysis. These plots are useful for assessing heterogeneity of the studies and for detecting potential outliers. They are also used as an alternative to forest plots for summarizing meta-analysis results when there are many studies.

https://www.stata.com/new-in-stata/galbraith-plots

The nptrend command now supports four tests for trend across ordered groups. You can choose between the Cochran–Armitage test, the Jonckheere–Terpstra test, the linear-by-linear trend test, and the Cuzick test using ranks. The first three tests are new, and the fourth test was performed by nptrend previously.

https://www.stata.com/new-in-stata/nonparametric-trend-tests

Lasso ist eine maschinelle Lerntechnik, die zur Modellauswahl, Vorhersage und Inferenz verwendet wird.
Der neue -lasso-Befehl wählt abweichungsbasierte „optimale“ Prädiktoren für kontinuierliche, binäre und Häufigkeits-Ergebnisse aus.
Wenn Sie beispielsweise
. lasso linear y x1-x500

eingeben, wählt Lasso eine Teilmenge der angegebenen Kovariaten aus; z. B. x2, x10, x11 und x21. Mit dem standard -predict-Befehl erhalten Sie anschließend Vorhersagen von y.
Sollten Sie es vorziehen, Variablen mittels elastischer Netze oder des Quadratwurzel basierter Methoden auszuwählen, können Sie die Befehle -elasticnet- oder -sqrtlasso- in gleicher Weise verwenden.
 
Manchmal ist die Variablenauswahl oder die Vorhersage bereits das Endziel von Lasso. Andere Male steht jedoch das Schätzen und Testen von Koeffizienten im Mittelpunkt. Hierfür stehen Ihnen in Stata 16 elf weitere Befehle mit denen Sie Koeffizienten, Standardfehler und Konfidenzintervalle schätzen sowie Tests für interessierende Variablen bei Verwendung von Lasso-Methoden durchführen können. Die Befehle sind
dsregress, dslogit, dspoisson, poregress, pologit, popoisson, poivpoisson, xporegress, xpologit,
xpopoisson und xpoivregress.
Die -ds-Befehle führen ein Lasso mit doppelter Auswahl durch, mit den Befehlen -po- wird ein Partialing-Out-Lasso ausgeführt. Die -xpo-Befehle führen schließlich ein Cross-Fit-Partialing-Out-Lasso durch. Dies tun sie für Modelle mit kontinuierlichen, binären und Zähldaten. In Modellen für kontinuierliche abhängige Variablen können sie sogar endogene Kovariaten berücksichtigen.
 
Während viele der neueren Lasso-Methoden insbesondere in der Ökonometrie entwickelt werden, erfreuen sie sich in allen Disziplinen wachsender Beliebtheit, da sie auch im Bereich des maschinellen Lernens Möglichkeiten des formalen Testens und der inhaltlichen Interpretation von interessierenden Variablen bieten. Erfahren Sie im neuen Lasso-Referenzhandbuch auf anschauliche Weise alles über die Lasso-Funktionen in Stata 16.

Python integration

Mit den neuen Befehlen -import sas- und -import spss- in Stata 16 können Sie nun auch direkt Daten im SAS- (.sas7bdat) und SPSS-Format (.sav) verwenden. Visuelle Dialoge erleichtern Ihnen den Import mit einer Vorschau der Daten sowie bei Bedarf auch das Auswählen einer Teilmenge von Variablen und Beobachtungen.
Darüber hinaus können Sie mit den neuen Befehlen -import sasxport8- und -export sasxport8- SAS XPORT-Transportdateien nun auch in der Version 8 direkt mit Stata verwenden.

Mehrere Ketten:Bayesianische Inferenz basierend auf einer MCMC (Markov chain Monte Carlo) Stichprobe ist nur gültig, wenn die Markov-Kette konvergiert hat. Eine Möglichkeit, diese Konvergenz zu bewerten, besteht darin, mehrere Ketten zu simulieren und zu vergleichen. Mit der neuen Option -nchains ()- können Sie dies sowohl mit dem -bayes:-Prefix als auch mit dem Befehl -bayesmh- durchführen.Geben Sie beispielsweise den Befehl
. bayes, nchains(4): regress y x1 x2

ein werden vier unabhängige Ketten simuliert. Die Ketten werden automatisch kombiniert, um ein genaueres Endergebnis zu erzielen. Vor der Ergebnisinterpretation können Sie die Ketten auch grafisch vergleichen, um die Konvergenz zu bewerten. Oder Sie bewerten die Konvergenz mittels der Gelman-Rubin-Konvergenzdiagnose, die nun von -bayes: regress- und anderen Bayes-Schätzbefehlen bei multiplen Ketten berichtet wird. Wenn Sie daraufhin immer noch Bedenken hinsichtlich Nichtkonvergenz haben, können Sie mit dem Befehl -bayesstats grubin- noch genauer nachforschen und individuelle Gelman-Rubin-Diagnostiken für jeden Parameter Ihres Modells durchführen. Bayes‘sche Vorhersagen:Bayes’sche Vorhersagen sind simulierte Werte aus der posterioren Vorhersageverteilung. Diese Vorhersagen sind nützlich, um die Modellgüte zu überprüfen sowie Beobachtungen außerhalb der Stichprobe vorherzusagen. Nachdem Sie ein Modell mit -bayesmh- geschätzt haben, können Sie nun -bayespredict- verwenden, um diese simulierten Werte oder Funktionen zu berechnen und in einem neuen Datensatz zu speichern. Beispielsweise können Sie Minimum und Maximum der simulierten Werte berechnen. Anschließend können Sie andere postestimation Befehle wie -bayesgraph- verwenden, um Zusammenfassungen der Vorhersagen zu erhalten.Der von -bayespredict- erzeugte Datensatz kann Tausende von simulierten Werten für jede Beobachtung in Ihrem Datensatz enthalten. Mitunter brauchen Sie jedoch nicht alle Einzelwerte. Um stattdessen Zusammenfassungen wie beispielsweise posteriore Mittelwerte oder Mediane zu erhalten, können Sie auch -bayespredict, pmean- oder -bayespredict, pmedian- verwenden. Alternativ könnten Sie an einer Zufallsauswahl der simulierten Werte interessiert sein. Hierzu können Sie beispielsweise -bayesreps, nreps(100)- verwenden, um 100 Replikate zufällig auszuwählen. Und mehr:Schließlich möchten Sie möglicherweise die Anpassungsgüte des Modells unter Verwendung posteriorer prädiktiver p-Werte (auch als PPPs oder Bayes’sche prädiktive p-Werte bezeichnet) bewerten. PPPs messen die Übereinstimmung zwischen den beobachteten und replizierten Daten und können mit dem neuen Befehl -bayesstats ppvalues- berechnet werden.

Mit den Berichtsfunktionen von Stata können Sie Word-, PDF-, Excel- und HTML-Dokumente erstellen, die Stata-Ergebnisse und -Diagramme mit formatiertem Text und Tabellen enthalten. Unabhängig von der Art des von Ihnen erstellten Dokuments können Sie sich auf die integrierten Versionsfunktionen von Stata verlassen, um sicherzustellen, dass Ihre Berichte reproduzierbar sind.

Neue Berichtsfunktionen in Stata:
Mit den Befehlen -dyndoc- und -markdown- erstellen Sie zusätzlich zu den bisherigen HTML-Dokumenten nun auch Word-Dokumente. Dadurch können Sie nun noch einfacher vollständige Stata-Ergebnisse und Grafiken in Markdown-Text einbinden, um benutzerdefinierte Word-Dokumente zu erstellen.
Hierfür bietet der Do-File-Editor jetzt auch Syntaxhervorhebung speziell für Markdown.
Mit dem -putdocx-Befehl können Sie jetzt außerdem auch Kopf- und Fußzeilen inklusive Seitenzahlen einrichten. Darüber hinaus ist es jetzt auch einfacher mit dem Befehl längere Absätze zu schreiben.
Schließlich wandelt der -html2docx-Befehl HTML-Dokumente, einschließlich CSS, in Word-Dokumente um. Der Befehl -docx2pdf- konvertiert Word-Dokumente im Handumdrehen in PDF-Dateien.

Sie können jetzt mehrere Datensätze in den Speicher laden. Geben Sie wie gewohnt -use teilnehmer- ein und teilnehmer.dta wird geladen. Geben Sie als Nächstes
. frame create laender
. frame laender: use laender

ein und schon haben Sie zwei Datensätze im Speicher geöffnet. Das gleichzeitige Arbeiten mit mehreren Datensätzen war ein viel gewünschtes Feature unserer Nutzer. Besonders mächtig wird es jedoch durch das einfache Verlinken verbundener Datenstrukturen. Stellen Sie sich beispielsweise vor, dass beide Datensätze die Variable „bundesland“ beinhalten, welche die Bundesländer auf dieselbe Weise identifiziert. Indem Sie einfach

. frlink m:1 bundesland, frame(laender)

eingeben, sind alle Teilnehmenden im default-Frame mit einem Bundesland im laender-Frame verknüpft. Nun können Sie spielend einfach Variablen zwischen Frames kopieren oder mit der Funktion -frval()-direkt auf Werte von Variablen in gelinkten Frames zuzugreifen. Beispielsweise könnten Sie mit dem Befehl:

. generate rel_einkommen = einkommen / frval(laender, median_einkommen)

aus dem individuellen Teilnehmer-Einkommen sowie dem Median des Einkommens im jeweiligen Bundesland direkt eine neue Variable mit dem relativen Einkommen erzeugen. Und das ist erst der Anfang: Während dieses Beispiel lediglich zwei Frames verwendet, können Sie bis zu 100 Frames gleichzeitig laden und zahlreiche Links zwischen den jeweiligen Frames erstellen.