 |
||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
||||||||||||||||||||
| |
Imputación Multiple (Multiple-Imputation)
• mi impute ahora es compatible o soporta ecuaciones de cadena o encadenadas, la imputación condicional, y la imputación por grupo. Y es más rápido. |
|
||||||||||||||||||
Modelos de ecuaciones estructurales¿Qué son las SEM? SEM es sinónimo de modelos de ecuaciones estructurales. SEM es una notación para especificar ecuaciones estructurales, una manera de referirnos ellos, y los métodos de estimación de sus parámetros. SEM abarca una amplia gama de modelos de regresión lineal para modelos de medición de ecuaciones simultáneas, incluyendo el análisis factorial confirmatorio (CFA), modelos de crecimiento latente, múltiples indicadores y múltiples causas (MIMIC). Características • El uso de la interfaz gráfica o de menús (GUI) o de la interfaz o de comandos para especificar el modelo • Resultados estandarizados o no estandarizados • Efectos directos e indirectos • Estadísticas de bondad de ajuste • Pruebas para flujos omitidos y pruebas de simplificación del modelo incluyendo modificación de índices, pruebas de clasificación y pruebas de Wald • Los valores predichos y puntuaciones de los factores • Pruebas lineales y no lineales de los parámetros estimados • Combinaciones lineales y no lineales de los parámetros estimados con CIs • Estimación a través de los grupos
Ingrese su modelo gráficamente  O use la sintaxis de comandos
Interfaz gráfica o de menús de usuario de Stata usa la notación estándar de ruta. En la sintaxis de comandos, se puede escribir las flechas en cualquier dirección, es decir, (L1->m1 m2) o (m1 m2 <- L1). Es posible especificar las rutas de forma individual, (L2 -> m3) (L2 -> m4), o combinadas, (L2 -> m3 m4). Métodos de estimación • Estimación por máxima verosimilitud (ML) y estimación con libre distribución asintótica (ADF) • ADF es el método generalizado de momentos (GMM) • Estimación robusta de los errores estándar disponibles • Estimación de los errores estándar de muestras agrupadas (o de grupos) • Manejo de datos de la encuesta, incluyendo los pesos de muestreo, estratificación y pos estratificación, y muestras agrupadas en uno o más niveles • Pérdidas al azar (MAR) de datos compatibles a través de FIML ¿Qué se puede hacer con sem? sem puede ajustar o modelar regresiones lineales: sem (y1 <-x1 x2 x3) Puede ajustar regresión multivariante: sem (y1 y2 <-x1 x2 x3) Puede ajustar regresiones aparentemente no relacionada: sem (y1 <- x1 x2 x3) (y2 <- x1 x4), cov(e.y1*e.y2) Puede ajustar sistemas simultáneos: sem (y1 <- y2 x1 x2) (y2 <-y1 x1 x3 x4), cov(e.y1*e.y2) Ajusta modelos de factores (letras en mayúscula indican variables latentes [no observables]): sem (L -> m1 m2 m3 m4) Puede ajustar modelos de error de medición: sem (y <- X) (X -> x1 x2 x3) Y se pueden combinar todo lo anterior (true SEMs):
O para crear varios niveles CFAs:
Y además, sem puede ajustar o modelar: • Modelos de análisis de trayectoria • Modelos de un solo factor • Modelos de múltiples factores • Modelos MIMIC • Modelos de crecimiento latente • y más Resumen estadístico de datos SEM trabaja con resúmenes estadísticos de datos (SSD, por sus siglas en ingles) de covarianzas o correlaciones, varianzas o desviaciones estándar, y medias. La nueva característica de Stata, ssd hace que sea fácil crear, introducir, y usar el SSD. SSD se almacenan en bases de datos estándar de Stata. Modelos de factores dinamicos (Dynamic-Factors) Esta es una incursion dentro del creciente enfoque de modelado de conjuntos de variables relacionadas cuando se relacionan con una o mas caracteristicas o procesos no observables. Factores dinamicos son un enfoque moderno del analisis clasico de factores y el modelado de ecuaciones estructurales. |
||||||||||||||||||||
Contrastes y comparaciones pareadasContrastes, comparaciones apareadas, y gráficos de marginales para comprender los resultados de su modelo. ¿Cómo afecta una covariable a la respuesta? El efecto es no-lineal? ¿El efecto depende de otras covariables? Modelos lineales Considere la presión arterial y su respuesta a la edad, sexo y peso. Se podría estimar un modelo totalmente interactuado lineal,
 Las estimaciones difieren claramente por género. ¿La diferencia es significativa? Podríamos hacer un contraste para saberlo mediante el comando
 Comparaciones adyacentes ¿Se pueden combinar cualquiera de los grupos de edad? Es fácil obtener la respuesta a esa pregunta con el nuevo comando contrast.  ar Permite las comparaciones adyacentes inversas, es decir, compara el grupo edad 1 con el 2, el 2 con el 3, y así sucesivamente. Se pueden especificar algunas opciones para acortar la salida de resultados. Podemos hacer mucho más con los contrastes. Las comparaciones apareadas son contrastes donde cada nivel de una variable se compara con los demás niveles. Se llevan a cabo con la instrucción pwcompare. Modelos no-lineales Podemos utilizar estas herramientas para analizar variables continuas y modelos no lineales. Por ejemplo, aquí se tiene la gráfica de la diferencia entre hombres y mujeres evaluadas en 65 niveles de índice de masa corporal después de ajustar un modelo de regresión logística de la presión arterial alta sobre las variables sexo, grupo de edad, y la variable continua índice de masa corporal. La gráica se obtiene con la instrucción marginsplot.  |
||||||||||||||||||||
ARFIMAARFIMA se refiere a modelos autorregresivos de media móvil integrados fraccionalmente (operador de diferencia fraccionada, no un entero) y contempla procesos de memoria larga. Los modelos ARFIMA generalizan los modelos ARMA y ARIMA. Los modelos ARMA asumen memoria corta, después de un choque, el proceso vuelve a su tendencia de forma relativamente rápida. Los modelos ARIMA asumen que los shocks son permanentes y la memoria nunca se desvanece. ARFIMA ofrece un término medio en la longitud de la memoria del proceso. El nuevo comando arfima ajusta modelos ARFIMA. Además de los pronósticos dinámicos, ARFIMA de Stata puede predecir diferencias integradas fraccionalmente en una serie. |
||||||||||||||||||||
Componentes del modelo no observables (UCM)UCM trabaja sobre modelos con componentes no observables y descompone una serie temporal en sus componentes de tendencia, cíclica, estacional, e idiosincrásicos después del control por variables exógenas opcionales. UCM proporciona un enfoque flexible y formal a los problemas de suavizado y descomposición.  En la figura, utilizamos datos mensuales sobre la duración media de desempleo en los EE.UU. que no ha sido ajustada estacionalmente. Descomponemos los datos en componentes de tendencia (gráfico superior) estacional (gráfico inferior). Note que una parte de la componente estacional presenta tendencia en el tiempo. El segundo pico más bajo de cada año presenta suave tendencia ascendente. El nuevo comando ucm ajusta modelos UCM (unobserved components model) |
||||||||||||||||||||
Densidad espectralEl nuevo comando psdensity estima la densidad espectral de un proceso estacionario usando los parámetros de un modelo paramétrico estimado previamente. En el dominio del tiempo, la variable dependiente evoluciona con el tiempo debido a las perturbaciones aleatorias. Las autocovarianzas de un proceso de covarianza estacionaria específica su varianza y la estructura de dependencia, y las autocorrelaciones proporcionan una medida libre de escala de su estructura de dependencia. Por ejemplo, la autocorrelación en el retraso j especifica si las realizaciones en el tiempo t y realizaciones en el tiempo t + j están positivamente relacionados, no relacionados, o relacionados negativamente. En el dominio de la frecuencia, la variable dependiente puede considerarse como generada por un número infinito de elementos aleatorios que ocurren en las frecuencias 0 a |
||||||||||||||||||||
Filtros de Series de TiempoEl nuevo comando tsfilter permite filtrar una serie de tiempo y mantener únicamente periodicidades seleccionadas (frecuencias). El filtro se usa por ejemplo, para separar una serie de tiempo en sus componentes de tendencia y cíclico. En estas aplicaciones, la parte cíclica se supone que es impulsada por los choques dentro de un rango específico de períodos. El método ha sido utilizado, por ejemplo, para estimar el componente de ciclo económico de los índices de producción industrial. Por ejemplo, podríamos empezar con los datos de producción industrial de los EE.UU. desde 1920 hasta 2010 (abajo a la izquierda) y elegir los filtros para extraer los componentes cíclicos (como se muestra abajo a la derecha). En el gráfico cíclico, están sombreados los períodos de recesión.  |
||||||||||||||||||||
Calendarios de Negocios (de Trabajo)Nuevas incorporaciones de Stata como el calendario de trabajo le permiten definir sus propios calendarios de manera que las fechas y los retrasos se muestren correctamente y dirigir el trabajo como se debe. Se podría crear por ejemplo el archivo lse.stbcal que registre el día en que la Bolsa de Londres está abierto (o cerrado), y luego Stata entendería el formato %tblse tal como lo entiende el formato habitual de fecha %td. Una vez definido el calendario, el Stata lo entiende de manera correcta. Puede, por ejemplo, convertir fácilmente valores de %tblse a %td. |
||||||||||||||||||||
Análisis ROCAhora puede modelar las curvas ROC que controlan las covariables. Piense en ello como la regresión para ROC. En un estudio de la audiología neonatal de la hipoacusia, una prueba de audición se aplicó a los niños de 30 a 53 meses. Se cree que la prueba es más precisa en las edades más avanzadas. En un estudio de la audiología neonatal de la hipoacusia, una prueba de audición se aplicó a los niños de 30 a 53 meses. Se cree que la prueba es más precisa en las edades más avanzadas. En Stata 12, podemos usar rocreg con estos datos para modelar cómo la sensibilidad y la especificidad de esta prueba depende de la edad. Entonces podemos utilizar el nuevo comando rocregplot para comparar la curva ROC a diferentes edades:  El área bajo la curva (AUC) aumenta con la edad. También se puede probar si AUC aumenta con la edad, estimar sensibilidad para una especificidad dada (y viceversa), y la estimación parcial AUC (área en un punto determinado de falsos positivos), todo controlado por la edad. |
||||||||||||||||||||
Manejo de DatosMas importación Importación y exportación de archivos de Excel. No son necesarios complementos. Y la nueva herramienta de vista previa en la importación de Excel permite ver los datos antes de importarlos. Importación de archivos EBCDIC. Conexiones de base de datos personalizable con cadenas de conexión ODBC. Exportación de resultados y gráficas a PDF. |
||||||||||||||||||||
| Análisis Marginal Nuevo comando -margins- para efectos marginales, medias marginales, y predicciones ajustadas, hace obsoletos los comandos -mfx- y -adjust- y hace mucho mas que lo que hacian estos. Entre los estadisticos calculados estan los margenes predictivos que son muy importantes en datos de encuestas, asi como las llamadas medias marginales estimadas o medias de minimos cuadrados. -margins- es un comando de postestimacion que trabaja despues de casi cada comando de estimacion en Stata.  |
||||||||||||||||||||
| Gráficas con nuevas características Las graficas soportan ahora fuentes y simbolos multiples. Ahora incluyen formatos en regular, negrita e italica, fuentes de sans serif, serif, monoespacio y simbolos, letras griegas en altas y bajas y mas de 70 simbolos matematicos. Estas novedades pueden ser especificadas en modo de comando, ventanas de dialogo y el editor interactivo de graficas.  |
||||||||||||||||||||
GMM (metodo generalizado de estimacion de momentos) |
||||||||||||||||||||
| Regresión de Riesgos de Competencia Con este estimador Stata tiene ahora una manera integrada para manejar modelos de supervivencia o duracion cuando los individuos enfrentan mas de un tipo de riesgo. Ideal para investigacion en salud, sociologia y temas laborales.  |
||||||||||||||||||||
| Series de Tiempo Multivariadas GARCH multivariado Pueden ser usados para representar o estimar un amplio rango de procesos de series de tiempo multivariables. A diferencia de otros softwares, Stata no requiere que el usuario especifique cuando el modelo es estacional o no, Stata automaticamente reacciona ante ellos.  * Models de estado-espacio, factores dinamicos y GARCH multivariado seran populares entre usuarios trabajando en finanzas, bancos, analisis de portafolios y econometria avanzada |
||||||||||||||||||||
Manuales en PDF |
||||||||||||||||||||
Nueva
Interface |
||||||||||||||||||||
Más de Stata 12 |
||||||||||||||||||||
