STATA 16 - IC
Die besondere Stärke von Stata liegt in der Auswertung von zeitbasierten Daten. Angefangen von einfachen Zeitreihenmodellen (ARIMA) über die multivariate Pendants (VAR/VEC) stellen Sie auch Modelle zur Beschreibung von Volatilitäten (GARCH) auf. Mithilfe von Kaplan-Meier-Schätzern modellieren Sie Lebensdauern oder nutzen gemischte Modelle um Zusammenhänge in Paneldaten zu untersuchen. Abgerundet wird Stata durch eine mächtige Programmiersprache zur Automatisierung und Entwicklung neuer Methoden.
Breites Spektrum an statistischen Methoden
Stata gibt Ihnen aber auch alle Möglichkeiten der klassischen Statistik und noch vieles mehr. So können Sie mit Stata deskriptive Statistiken erstellen, gängige Hypothesentests (Mittelwertvergleiche, Tests auf Normalverteilung - jeweils nonparametrisch und parametrisch) berechnen oder Ihre Daten mit wissenschaftlichen Graphiken visualisieren.
Stata als umfangreiches statistisches Softwarepaket eignet sich vor allem für den Einsatz in Forschung und Entwicklung. Das breite Spektrum an hochwertigen statistischen Methoden aller Disziplinen dient einem großen Nutzerkreis. Insbesondere Forscher aus den Bereichen Soziologie, Ökonomie, Politik- und Sozialwissenschaft sowie Epidemiologie und anderen medizinischen Fachgebieten finden in Stata die benötigten Verfahren der Statistik.
Egal ob Sie Student oder Senior Researcher sind, es gibt immer die passende Stata Version für jede Komplexität und Größe des Datensatzes: Stata/IC, Stata/SE und Stata/MP
Argumente für Stata:
- Vor allem einsetzbar in Forschung und Entwicklung
- Stata besitzt eine umfangreiche Palette an statistischen und graphischen Funktionen und erstellt hochwertige Diagramme
- Stata ist eine allgemeine Statistiksoftware mit umfassende Funktionalität
- Stata ist flexibel und umfangreich bei der Auswertung von Zeitreihendaten
- Stata hat eine leicht erlernbare und trotzdem mächtige Programmiersprache
Dies könnte Sie auch interessieren
Limdep
NLOGIT (inkl. Limdep)
Stata 16 - Studentenversion
Stata/IC
Mit Stata erhalten Sie ein umfangreiches statistisches Softwarepaket für den Einsatz in Forschung und Entwicklung. Stata bietet ein breites Spektrum umfangreicher und hochwertiger statistischer Methoden aller Disziplinen. Insbesondere Forscher aus den Bereichen Soziologie, Ökonomie, Politik- und Sozialwissenschaft sowie Epidemiologie und aus anderen medizinischen Fachgebieten finden die für sie spezifischen Ansätze in Stata realisiert (Survival Analysis, Panel-Data, ...)
Stata ist in allen Betriebssystemwelten zuhause. Stata kann in Windows-, Macintosh- und Unix-Umgebungen genutzt werden.
Stata steht in 3 Editionen zur Verfügung
Ob für erfahrene Statistiker oder Erstsemester-Studenten - Stata gibt es für jeden Anwender in der passenden Edition
- Stata/MP: die größte und schnellste Stata-Version (Dual-core und Multicore-Computer)
- Stata/SE: Stata für sehr große Datendateien
- Stata/IC: Stata Standardversion
Stata / MP ist die schnellste und größte Version von Stata. Praktisch jeder aktuelle Computer kann das erweiterte Multiprocessing von Stata / MP nutzen. Dazu gehören die Intel i3-, i5-, i7-, i9-, Xeon- und Celeron- sowie AMD-Multi-Core-Chips. Auf Dual-Core-Chips läuft Stata / MP bei den zeitaufwendigen Schätzbefehlen 40% schneller. Mit mehr als zwei Kernen oder Prozessoren ist Stata / MP noch schneller. Sie können eine Stata / MP-Lizenz für die Anzahl der Kerne auf Ihrem Computer erwerben (maximal 64). Wenn Ihr Computer beispielsweise über acht Kerne verfügt, können Sie eine Stata / MP-Lizenz für acht, vier oder zwei Kerne erwerben.
Stata / MP kann auch mehr Daten analysieren als jeder andere Version von Stata. Stata / MP kann 10 bis 20 Milliarden Beobachtungen mit den derzeit größten Computern analysieren und ist bereit, bis zu 1 Billion Beobachtungen zu analysieren, sobald die Computerhardware aufholt.
Stata / SE und Stata / IC unterscheiden sich nur in der Datensatzgröße. Stata / SE und Stata / MP können Modelle mit unabhängigeren Variablen als Stata / IC (bis zu 10.998) anpassen. Stata / SE kann bis zu 2 Milliarden Beobachtungen analysieren.
Stata / IC erlaubt Datensätze mit bis zu 2048 Variablen und 2 Milliarden Beobachtungen. Stata / IC kann höchstens 798 unabhängige Variablen in einem Modell bedienen.
Numerics by Stata kann jede der oben aufgeführten Datengrößen in einer eingebetteten Umgebung unterstützen.
Alle oben genannten Varianten haben den gleichen vollständigen Funktionsumfang und enthalten eine PDF-Dokumentation.
| Product features | Stata/IC | Stata/SE | Stata/MP |
| Maximum number of variables | 2,048 | 32,767 | 120 |
| Maximum number of observations | 2.14 billion | 2.14 billion | Up to 20 billion |
| Maximum number of independent variables | 798 | 10,998 | 10,998 |
| Multicore support (Time to run logistic regression with 5 million obs and 10 covariates ) | 1-core/ 10.0 sec | 1-core/ 10.0 sec | 2- core (5.0 sec), 4-core (2,6 sec), 4+ core (even faster) |
| Complete suite of statistical features | Yes! | Yes! | Yes! |
| Publication-quality graphics | Yes! | Yes! | Yes! |
| Matrix programming language | Yes! | Yes! | Yes! |
| Complete PDF documentation | Yes! | Yes! | Yes! |
| Exceptional technical support | Yes! | Yes! | Yes! |
| Includes within-release updates | Yes! | Yes! | Yes! |
| 64-bit version available | Yes! | Yes! | Yes! |
| Windows, macOS, and Linux | Yes! | Yes! | Yes! |
| Memory requirements | 1 GB | 2 GB | 4 GB |
| Disk space requirements | 1 GB | 1 GB | 1 GB |
* Die Anzahl der Beobachtungen ist nur durch die Größe des Arbeitsspeichers begrenzt.
Komplexe Funktionen mit Mata vereinfachen
Die eigene Programmiersprache Mata ist leicht erlernbar, denn sie ist einfach und kohärent. Zusätzlich hilft Ihnen die umfangreiche Palette an statistischen und graphischen Funktionen, sich auf die Analyse Ihrer Daten zu konzentrieren ohne programmieren zu müssen. Sollte aber mal eine Funktion fehlen, so ist es mit Hilfe der Programmiersprache möglich, die bestehende Funktion zu bearbeiten oder eine neue zu erstellen. Die Rechnergeschwindigkeit von Stata passt sich den jeweiligen Berechnungen (groß oder klein) an.
Sinnvolle Datenverwaltungsfunktionen
Die Datenverwaltungsfunktionen helfen Ihnen die Gesamtheit der Daten zu verändern. Das Zusammenführen von Datensätzen, die Schaffung oder Berechnung neuer Variablen ist mit wenig Aufwand möglich. Das tabellarische Interface unter Windows bzw. Mac vereinfacht die Aufgabenbearbeitung nochmals.
Mit Stata hochwertige Diagramme erstellen und individualisieren
Mit Stata erstellen Sie qualitativ hochwertige Diagramme für Publikationen und interne Dokumente. Sie können jederzeit zwischen vordefinierten oder selbst eingestellten Diagrammtypen wählen. Mit dem integrierten Grafik-Editor können Sie auch die Diagramme individualisieren. Mit den selbst geschriebenen Skripten lassen sich zahlreiche individuelle Grafiken erzeugen und exportieren.
Weitere Informationen
Demoversion der Software Stata
Auf der Seite des Herstellers Stata Corp. können Sie sich für eine kostenlose 30-tägige Demoversion registrieren. Die Demoversion stellt Ihnen alle Funktionen von Stata zur Verfügung. Zur Registrierung besuchen Sie bitte die Herstellerseite: http://www.stata.com/customer-service/evaluate-stata/
| Windows | Mac | Linux | |
| Hardware Voraussetzungen | Package Memory Disk space Stata/MP 4 GB 1 GB Stata/SE 2 GB 1 GB Stata/IC 1 GB 1 GB |
Package Memory Disk space Stata/MP 4 GB 1 GB Stata/SE 2 GB 1 GB Stata/IC 1 GB 1 GB |
Package Memory Disk space Stata for Unix requires a video card that can display thousands of colors or more (16-bit or 24-bit color)
|
| Betriebssystem |
|
Stata for macOS requires 64-bit Intel® processors (Core™2 Duo or better) running macOS 10.9 or newer |
|
Neue wichtige Features in STATA :
Lasso-based machine learning
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
In Stata 16 können Sie Python-Code in Stata einbetten und ausführen. Mit dem neuen -python-Befehl können Sie Python einfach aus Stata heraus aufrufen und die Python-Ergebnisse anschließend in Stata ausgeben. Sie können Python sowohl interaktiv über das Kommandofenster als auch über do- bzw. ado-Files aufrufen, um die umfangreichen Funktionen von Python zu nutzen. Ebenso können sie auch Python-Skriptdateien (.py) direkt über Stata ausführen. Für die nahtlose Integration steht Ihnen darüber hinaus das Stata Function Interface (sfi) Python-Modul zur Verfügung. Dieses Modul schafft die bidirektionale Verbindung zwischen Stata und Python und ermöglicht so direkten Zugriff auf die aktuell geöffneten Datensätze (siehe unten), Frames, Makros, Skalare, Matrizen, Wertelabels, Merkmale, globale Mata-Matrizen und mehr. All dies bedeutet, dass Sie jetzt jedes Python-Paket direkt in Stata verwenden können. Mit Matplotlib können Sie beispielsweise dreidimensionale Grafiken erstellen. Oder Sie verwenden NumPy für numerische Berechnungen. Mit Scrapy können Sie Daten direkt aus dem Web sammeln und in Stata verwenden. Und über TensorFlow sowie scikit-learn können Sie zusätzliche Verfahren maschinellen Lernens wie neuronale Netze oder Vektormaschinen verwenden. Und vieles mehr. Um die volle Power dieser neuen Möglichkeiten auszuschöpfen, beinhaltet Statas Do-File-Editor schließlich auch Syntaxhervorhebung für Python. Insgesamt kommen somit nicht nur fortgeschrittene Programmierer in den Genuss der Vorteile der neuen Python-Integration, sondern werden noch viel mehr Benutzer aller Disziplinen über die Verfügbarkeit von Python in Stata begeistert sein.
Import data from SAS and SPSS
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.
Choice models
In Stata 16 führen wir eine neue, einheitliche Suite von Befehlen für die Auswahlmodellierung ein. Dafür haben wir neue Befehle für die deskriptive Statistik von Auswahldaten ergänzt. Darüber hinaus haben wir vorhandene Befehle zur Schätzung von Auswahlmodellen vereinheitlicht und verbessert. Wir haben sogar einen neues Verfahren zum Schätzen von Mixed-Logit-Modellen für Paneldaten hinzugefügt. Und wir dokumentieren sie gemeinsam im neuen Choice Models Reference Manual. Und das Beste daran: -margins- funktioniert jetzt auch nach der Schätzung von Choice-Modellen. Das bedeutet, dass Sie Ihre Ergebnisse jetzt auf einfache Weise interpretieren können. Während die in der Auswahlmodellierung geschätzten Koeffizienten häufig kaum interpretierbar sind, können Sie mit -margins- auf Grundlage Ihrer Ergebnisse sehr spezifische Fragen stellen und beantworten.
New in Bayesian analysis—Multiple chains, predictions, and more
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.
Manuskripterstellung & Reporting
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 16:
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.
Multiple datasets in memory
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.
Weitere Features in STATA
Panel-data ERMs
Meta-analysis
Nonparametric series regression
Sample-size analysis for confidence intervals
Nonlinear DSGE models
Multiple-group IRT models
xtheckman
Multiple-dose pharmacokinetic modeling
Heteroskedastic ordered probit models
Graph sizes in printer points, centimeters, and inches
Numerical integration
Linear programming
Stata in Korean
Mac interface now supports Dark Mode and native tabbed windows
Do-file Editor—Autocompletion and more syntax highlighting
Mehr Informationen zu STATA finden Sie hier:
Stata Features
Data management
data transformations, match-merge, ODBC, XML, by-group processing, append files, sort, row–column transposition, labeling, saving results
Basic statistics
summaries, cross-tabulations, correlations, t tests, equality-of-variance tests, tests of proportions, confidence intervals, factor variables
Linear models
regression; bootstrap, jackknife, and robust Huber/White/sandwich variance estimates; instrumental variables; three-stage least squares; constraints; quantile regression; GLS
Multilevel mixed-effects models
generalized linear models;continuous, binary, and count outcomes; two-, three-, and higher-level models; random-intercepts; random-slopes; crossed random effects; BLUPs of effects and fitted values; hierarchical models; residual error structures; support for survey data in linear models
Binary, count, and discrete outcomes
logistic, probit, tobit; Poisson and negative binomial; conditional, multinomial, nested, ordered, rank-ordered, and stereotype logistic; multinomial probit; zero-inflated and left-truncated count models; selection models; marginal effects
Longitudinal data/panel data
random and fixed effects with robust standard errors; linear mixed models, random-effects probit, GEE, random- and fixed-effects Poisson, dynamic panel-data models, and instrumental-variables regression; panel unit-root tests; AR(1) disturbances
Generalized linear models (GLMs)
ten link functions, user-defined links, seven distributions, ML and IRLS estimation, nine variance estimators, seven residuals
Nonparametric methods
Wilcoxon-Mann-Whitney, Wilcoxon signed ranks and Kruskal-Wallis tests; Spearman and Kendall correlations; Kolmogorov-Smirnov tests; exact binomial CIs; survival data; ROC analysis; smoothing; bootstrapping
Exact statistics
exact logistic and Poisson regression, exact case-control statistics, binomial tests, Fisher's exact test for r × c tables
ANOVA/MANOVA
balanced and unbalanced designs; factorial, nested, and mixed designs; repeated measures; marginal means; contrasts
Multivariate methods
factor analysis, principal components, discriminant analysis, rotation, multidimensional scaling, Procrustean analysis, correspondence analysis, biplots, dendrograms, user-extensible analyses
Cluster analysis
hierarchical clustering; kmeans and kmedian nonhierarchical clustering; dendrograms; stopping rules; user-extensible analyses
Resampling and simulation methods
bootstrapping, jackknife and Monte Carlo simulation; permutation tests
Tests, predictions, and effects
Wald tests; LR tests; linear and nonlinear combinations, predictions and generalized predictions, marginal means, least-squares means, adjusted means; marginal and partial effects; forecast models; Hausman tests
Graphics
line charts, scatterplots, bar charts, pie charts, hi-lo charts, regression diagnostic graphs, survival plots, nonparametric smoothers, distribution Q-Q plots
Survey methods
multistage designs; bootstrap, BRR, jackknife, linearized, and SDR variance estimation; poststratification; DEFF; predictive margins; means, proportions, ratios, totals; summary tables; regression, instrumental variables, probit, Cox regression
Survival analysis
Kaplan-Meier and Nelson-Aalen estimators,; Cox regression (frailty); parametric models (frailty); competing risks; hazards; time-varying covariates; left- and right-censoring, Weibull, exponential, and Gompertz analysis
Epidemiology
standardization of rates, case–control, cohort, matched case-control, Mantel-Haenszel, pharmacokinetics, ROC analysis, ICD-9-CM
Time series
ARIMA; ARFIMA; ARCH/GARCH; VAR; VECM; multivariate GARCH; unobserved components model; dynamic factors; state-space models; business calendars; correlograms; periodograms; forecasts; impulse-response functions; unit-root tests; filters and smoothers; rolling and recursive estimation
Multiple imputation
nine univariate imputation methods; multivariate normal imputation; chained equations; explore pattern of missingness; manage imputed datasets; fit model and pool results; transform parameters; joint tests of parameter estimates; predictions
Simple maximum likelihood
specify likelihood using simple expressions; no programming required; survey data; standard, robust, bootstrap, and jackknife SEs; matrix estimators
Programmable maximum likelihood
user-specified functions; NR, DFP, BFGS, BHHH; OIM, OPG, robust, bootstrap, and jackknife SEs; Wald tests; survey data; numeric or analytic derivatives
Other statistical methods
kappa measure of interrater agreement; Cronbach's alpha; stepwise regression; tests of normality
Programming features
adding new commands; command scripting; object-oriented programming; menu and dialog-box programming; Project Manager; plugins
Matrix programming-Mata
interactive sessions, large-scale development projects, optimization, matrix inversions, decompositions, eigenvalues and eigenvectors, LAPACK engine, real and complex numbers, string matrices, interface to Stata datasets and matrices, numerical derivatives, object-oriented programming
Internet capabilities
ability to install new commands, web updating, web file sharing, latest Stata news
Accessibility
Section 508 compliance, accessibility for persons with disabilities
Sample session
A sample session of Stata for Mac, Unix, or Windows.
User-written commands
User-written commands for meta-analysis, data management, survival, econometrics
Graphical user interface
menus and dialogs for all features; Data Editor; Variables Manager; Graph Editor; Project Manager; Do-file Editor; Clipboard Preview Tool; multiple preference sets
Graphics
line charts; scatterplots; bar charts; pie charts; hi-lo charts; contour plots; GUI Editor; regression diagnostic graphs; survival plots; nonparametric smoothers; distribution Q-Q plots
Documentation
20 manuals20 manuals; 11,000+ pages; seamless navigation; thousands of worked examples; methods and formulas; references; 11,000+ pages; seamless navigation; thousands of worked examples; methods and formulas; references
Power and sample size
power; sample size; effect size; minimum detectable effect; means; proportions; variances; correlations; case-control studies; cohort studies; survival analysis; balanced or unbalanced designs; results in tables or graphs
Treatment effects
inverse probability weight (IPW); doubly robust methods; propensity score matching; regression adjustment; covariate matching; multilevel treatments; average treatment effects (ATEs); average treatment effects on the treated (ATETs); potential-outcome means (POMs)
SEM (Structural equation modeling)
graphical path diagram builder; standardized and unstandardized estimates; modification indices; direct and indirect effects; continuous, binary, count, and ordinal outcomes (GLM); multilevel models; random slopes and intercepts; factors scores, empirical Bayes, and other predictions; groups and tests of invariance; goodness of fit; handles MAR data by FIML; correlated data
Functions
statistical; random-number; mathematical; string; date and time
Embedded statistical computations
Numerics by Stata
Contrasts, pairwise comparisons, and margins
compare means, intercepts, or slopes; compare to reference category, adjacent category, grand mean, etc.; orthogonal polynomials; multiple comparison adjustments; graph estimated means and contrasts; interaction plots
GMM an nonlinear regression
generalized method of moments (GMM); nonlinear regression