Stata 15 – Un tour guiado de las nuevas herramientas
StataCorp LLC
(StataCorp LLC)
1 / 59
Introducción
Museo
Las obras más destacadas/ Herramientas
Por qué son interesantes, intuición, ejemplos
Ejemplificar no enseñar
(StataCorp LLC)
2 / 59
Introducción
Museo
Las obras más destacadas/ Herramientas
Por qué son interesantes, intuición, ejemplos
Ejemplificar no enseñar
(StataCorp LLC)
2 / 59
Introducción
Museo
Las obras más destacadas/ Herramientas
Por qué son interesantes, intuición, ejemplos
Ejemplificar no enseñar
(StataCorp LLC)
2 / 59
Paradas del tour
Modelos de regresión extendida (ERMs)
Creación de documentos en Word, PDFs, y páginas web
Transparencia en gráficos
Análisis
Modelos de mezcla finita
Regresión kernel noparamétrica
Prefijo de Bayes
Modelos dinámicos estocásticos de equilibrio general linearizados
(DSGE)
Modelos espaciales autoregresivos
Modelos no lineales de efectos mixtos
(StataCorp LLC)
3 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
Modelos de regresión extendida (ERMs)
Problemas: Endogeneidad, selección, y asignación de
tratamiento no aleatorio
Endogeneidad Las variables no observadas afectan la relación
causal
I
Modelo de salarios como función de años de educación (habilidad
no observada)
Selección Parte de la muestra es faltante no sucede de manera
aleatoria (variable dependiente)
I
Modelo de salarios donde no observamos salarios de los
individuos desempleados
Tratamiento no aleatorio Queremos algo que parece un
experimento
ERM estos tres problemas para variables dependientes
I
I
I
I
continuas
binarias
intervalos
ordinales
Con una sola herramienta
(StataCorp LLC)
4 / 59
(StataCorp LLC)
5 / 59
Ejemplo ERM
CONTEXTO
Effecto de pasos caminados por día, steps , en IMC, bmi
Características individuales: age, gender, y education
PROBLEMAS
Endogeneidad
steps está correlacionado con la propensidad de vivir una vida
saludable
I
Variable instrumental education
Selección
No devolución del podómetro. No aleatorio.
I
Selección Heckman
(StataCorp LLC)
6 / 59
Ejemplo ERM
CONTEXTO
Effecto de pasos caminados por día, steps , en IMC, bmi
Características individuales: age, gender, y education
PROBLEMAS
Endogeneidad
steps está correlacionado con la propensidad de vivir una vida
saludable
I
Variable instrumental education
Selección
No devolución del podómetro. No aleatorio.
I
Selección Heckman
(StataCorp LLC)
6 / 59
Ejemplo ERM
CONTEXTO
Effecto de pasos caminados por día, steps , en IMC, bmi
Características individuales: age, gender, y education
PROBLEMAS
Endogeneidad
steps está correlacionado con la propensidad de vivir una vida
saludable
I
Variable instrumental education
Selección
No devolución del podómetro. No aleatorio.
I
Selección Heckman
(StataCorp LLC)
6 / 59
Ejemplo ERM
CONTEXTO
Effecto de pasos caminados por día, steps , en IMC, bmi
Características individuales: age, gender, y education
PROBLEMAS
Endogeneidad
steps está correlacionado con la propensidad de vivir una vida
saludable
I
Variable instrumental education
Selección
No devolución del podómetro. No aleatorio.
I
Selección Heckman
(StataCorp LLC)
6 / 59
Ejemplo ERM
CONTEXTO
Effecto de pasos caminados por día, steps , en IMC, bmi
Características individuales: age, gender, y education
PROBLEMAS
Endogeneidad
steps está correlacionado con la propensidad de vivir una vida
saludable
I
Variable instrumental education
Selección
No devolución del podómetro. No aleatorio.
I
Selección Heckman
(StataCorp LLC)
6 / 59
ERM sintaxis
Regresión lineal
I
eregress bmi i.gender age steps
Agregar ecuación que toma en cuenta la endogeneidad
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
Agregar ecuación que considera selección muestral
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
Agregar tratamiento endógeno
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
entreat(treatvar = . . .)
(StataCorp LLC)
7 / 59
ERM sintaxis
Regresión lineal
I
eregress bmi i.gender age steps
Agregar ecuación que toma en cuenta la endogeneidad
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
Agregar ecuación que considera selección muestral
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
Agregar tratamiento endógeno
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
entreat(treatvar = . . .)
(StataCorp LLC)
7 / 59
ERM sintaxis
Regresión lineal
I
eregress bmi i.gender age steps
Agregar ecuación que toma en cuenta la endogeneidad
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
Agregar ecuación que considera selección muestral
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
Agregar tratamiento endógeno
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
entreat(treatvar = . . .)
(StataCorp LLC)
7 / 59
ERM sintaxis
Regresión lineal
I
eregress bmi i.gender age steps
Agregar ecuación que toma en cuenta la endogeneidad
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
Agregar ecuación que considera selección muestral
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
Agregar tratamiento endógeno
I
eregress bmi i.gender age,
endogenous(steps = i.gender age education)
select(selected = i.gender age education)
entreat(treatvar = . . .)
(StataCorp LLC)
7 / 59
ERM tabla
. eregress bmi i.gender age, endogenous(steps = i.gender age education)
///
>
select(selected = i.gender age education) nolog
Extended linear regression
Number of obs
=
10,000
Selected
=
8,731
Nonselected =
1,269
Wald chi2(3)
= 1230026.06
Log likelihood = -47640.24
Prob > chi2
=
0.0000
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
bmi
gender
man
age
steps
_cons
4.015643
.0997214
-.2999713
35.99807
.0107476
373.63
.0005055
197.28
.0002768 -1083.69
.0232168 1550.52
0.000
0.000
0.000
0.000
3.994578
.0987307
-.3005138
35.95257
4.036708
.1007122
-.2994287
36.04358
selected
gender
man
age
education
_cons
-1.449045
-.2923803
1.456351
1.525279
.0926148
.0108288
.0572853
.2190627
-15.65
-27.00
25.42
6.96
0.000
0.000
0.000
0.000
-1.630567
-.3136045
1.344074
1.095924
-1.267523
-.2711562
1.568628
1.954634
gender
man
age
education
_cons
3.23547
-.035306
6.003897
.2631133
.2876587
.0105695
.0435651
.6463559
11.25
-3.34
137.81
0.41
0.000
0.001
0.000
0.684
2.671669
-.0560218
5.918511
-1.003721
3.799271
-.0145902
6.089283
1.529948
var(e.bmi)
var(e.steps)
.2473699
206.8114
.0037617
2.924755
.2401059
201.1577
.2548536
212.624
.5890283
.0481794
12.23
0.000
.486586
.6754921
.0732502
.013163
5.56
0.000
.0474079
.0989945
.0970988
.041502
2.34
0.019
.0152878
.1776183
steps
corr(e.sel~d,
e.bmi)
corr(e.steps,
e.bmi)
corr(e.steps,
e.selected)
(StataCorp LLC)
8 / 59
margins
¿Qué sucede cuando todos los individuos en la población
incrementan el número de pasos por día en 10 por ciento con
respecto a la situación actual?
. margins, at(steps=generate(steps)) at(steps=generate(steps*1.10))
>
contrast(atcontrast(r) nowald)
Contrasts of predictive margins
Model VCE
: OIM
Expression
: mean of bmi, predict()
1._at
: steps
= steps
2._at
: steps
= steps*1.10
Contrast
_at
(2 vs 1)
(StataCorp LLC)
-2.034287
Delta-method
Std. Err.
.0032774
///
[95% Conf. Interval]
-2.040711
-2.027864
9 / 59
margins
¿Qué sucede cuando todos los individuos en la población
incrementan el número de pasos por día en 10 por ciento con
respecto a la situación actual?
. margins, at(steps=generate(steps)) at(steps=generate(steps*1.10))
>
contrast(atcontrast(r) nowald)
Contrasts of predictive margins
Model VCE
: OIM
Expression
: mean of bmi, predict()
1._at
: steps
= steps
2._at
: steps
= steps*1.10
Contrast
_at
(2 vs 1)
(StataCorp LLC)
-2.034287
Delta-method
Std. Err.
.0032774
///
[95% Conf. Interval]
-2.040711
-2.027864
9 / 59
Cambio de velocidad
Producción de documentos y reportes
Gráficos
Ayudar a los investigadores
(StataCorp LLC)
10 / 59
Cambio de velocidad
Producción de documentos y reportes
Gráficos
Ayudar a los investigadores
(StataCorp LLC)
10 / 59
Creación de documentos en Word desde Stata
Podemos crear y actualizar documentos de Word usando un
editor de archivos Do
Modificar cálculos y gráficos
Genera mayor reproducibilidad, extensibilidad, colaboración
I
I
I
Repetir cálculo de estadísticas descriptivas
Repetir ajuste de modelos
Recrear gráficos
Podemos controlar estilos y formatos
Podemos anexar varios documentos y crear uno nuevo
(StataCorp LLC)
11 / 59
Creación de documentos en Word desde Stata
Podemos crear y actualizar documentos de Word usando un
editor de archivos Do
Modificar cálculos y gráficos
Genera mayor reproducibilidad, extensibilidad, colaboración
I
I
I
Repetir cálculo de estadísticas descriptivas
Repetir ajuste de modelos
Recrear gráficos
Podemos controlar estilos y formatos
Podemos anexar varios documentos y crear uno nuevo
(StataCorp LLC)
11 / 59
Veámoslo en acción
Un documento con 4 secciones: Introducción, estadísticas
descriptivas, estimación y gráficos, y conclusión.
Texto, gráficos, tablas, y números dentro del texto.
(StataCorp LLC)
12 / 59
putdocx Estructura I
putdocx begin
...
putdocx save mydoc.docx, replace
(StataCorp LLC)
13 / 59
putdocx Estructura II
putdocx begin
putdocx paragraph
putdocx text (“text”)
putdocx save mydoc.docx, replace
(StataCorp LLC)
14 / 59
putdocx Estructura III
putdocx begin
histogram variable
graph export mygraph.png, replace
putdocx image mygraph.png
putdocx save mydoc.docx, replace
(StataCorp LLC)
15 / 59
putdocx Estructura IV
putdocx begin
regress yvar xvars
putdocx table mytable = etable
putdocx save mydoc.docx, replace
(StataCorp LLC)
16 / 59
Ejemplo de parte del código
putdocx text ("Estimation and graphs"), bold underline
putdocx paragraph, spacing(before, .1)
putdocx text ("A histogram of birthweight with")
putdocx text (" a kernel density overlayed")
putdocx text (" helps us see how birthweight is distributed")
histogram bweight, kdensity
graph export hist.png, replace
putdocx paragraph, halign(center)
putdocx image hist.png
putdocx paragraph, spacing(before, 1.5)
putdocx text ( "We fit the following model")
regress bweight mage medu i.msmoke
putdocx table mytable = etable
putdocx paragraph, spacing(after, .1)
(StataCorp LLC)
17 / 59
Creación de documentos pdf desde Stata
Puedo crear el mismo documento en formato de pdf usando
putpdf en vez de putdocx
Las diferencias se deben a que tenemos formatos diferentes
(StataCorp LLC)
18 / 59
Creación de páginas web
«dd_include:
header»
Text
∼∼∼∼
«dd_do»
...
«/dd_do »
∼∼∼∼
«dd_do: quietly»
...
« /dd_do »
« dd_graph: saving("hist.svg") replace »
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
19 / 59
Creación de páginas web
«dd_include:
header»
Text
∼∼∼∼
«dd_do»
...
«/dd_do »
∼∼∼∼
«dd_do: quietly»
...
« /dd_do »
« dd_graph: saving("hist.svg") replace »
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
19 / 59
Creación de páginas web
«dd_include:
header»
Text
∼∼∼∼
«dd_do»
...
«/dd_do »
∼∼∼∼
«dd_do: quietly»
...
« /dd_do »
« dd_graph: saving("hist.svg") replace »
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
19 / 59
Creación de páginas web
«dd_include:
header»
Text
∼∼∼∼
«dd_do»
...
«/dd_do »
∼∼∼∼
«dd_do: quietly»
...
« /dd_do »
« dd_graph: saving("hist.svg") replace »
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
19 / 59
Creación de páginas web
«dd_include:
header»
Text
∼∼∼∼
«dd_do»
...
«/dd_do »
∼∼∼∼
«dd_do: quietly»
...
« /dd_do »
« dd_graph: saving("hist.svg") replace »
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
19 / 59
Creación de páginas web
«dd_include:
header»
Text
∼∼∼∼
«dd_do»
...
«/dd_do »
∼∼∼∼
«dd_do: quietly»
...
« /dd_do »
« dd_graph: saving("hist.svg") replace »
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
19 / 59
Ejemplo de parte del código
A histogram of birthweight with a kernel density overlayed
helps us see how birthweight is distributed.
«dd_do:
quietly»
histogram bweight, kdensity
« /dd_do »
« dd_graph:
saving("hist.svg") replace »
We fit the following model.
«dd_do:quietly»
regress bweight mage medu i.msmoke
«/dd_do»
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
20 / 59
Ejemplo de parte del código
A histogram of birthweight with a kernel density overlayed
helps us see how birthweight is distributed.
«dd_do:
quietly»
histogram bweight, kdensity
« /dd_do »
« dd_graph:
saving("hist.svg") replace »
We fit the following model.
«dd_do:quietly»
regress bweight mage medu i.msmoke
«/dd_do»
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
20 / 59
Ejemplo de parte del código
A histogram of birthweight with a kernel density overlayed
helps us see how birthweight is distributed.
«dd_do:
quietly»
histogram bweight, kdensity
« /dd_do »
« dd_graph:
saving("hist.svg") replace »
We fit the following model.
«dd_do:quietly»
regress bweight mage medu i.msmoke
«/dd_do»
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
20 / 59
Ejemplo de parte del código
A histogram of birthweight with a kernel density overlayed
helps us see how birthweight is distributed.
«dd_do:
quietly»
histogram bweight, kdensity
« /dd_do »
« dd_graph:
saving("hist.svg") replace »
We fit the following model.
«dd_do:quietly»
regress bweight mage medu i.msmoke
«/dd_do»
«dd_do:nocommand»
_coef_table, markdown
«/dd_do»
(StataCorp LLC)
20 / 59
Obtener nuestra página web
guardar el archivo como texto myhtml.txt
dyndoc myhtml.txt, replace
(StataCorp LLC)
21 / 59
Documentos Word, documentos pdf, páginas web
Texto es interpretado
Los comandos son ejecutados
Tablas y gráficos son exportados
Podemos crear, actualizar, y modificar documentos de Word, pdf,
y páginas web desde Stata.
(StataCorp LLC)
22 / 59
Documentos Word, documentos pdf, páginas web
Texto es interpretado
Los comandos son ejecutados
Tablas y gráficos son exportados
Podemos crear, actualizar, y modificar documentos de Word, pdf,
y páginas web desde Stata.
(StataCorp LLC)
22 / 59
Transparencia en gráficos
Por defecto los gráficos no son transparentes
Varios en uno, aparece un gráfico encima del otro
Podemos controlar la opacidad
(StataCorp LLC)
23 / 59
Transparencia en gráficos
Por defecto los gráficos no son transparentes
Varios en uno, aparece un gráfico encima del otro
Podemos controlar la opacidad
(StataCorp LLC)
23 / 59
Gráfico por defecto
(StataCorp LLC)
24 / 59
Gráfico usando transparencia
(StataCorp LLC)
25 / 59
Código
marginsplot, recastci(rarea)
marginsplot, recastci(rarea) ciopts(fcolor(%30))
(StataCorp LLC)
26 / 59
Código
marginsplot, recastci(rarea)
marginsplot, recastci(rarea) ciopts(fcolor(%30))
(StataCorp LLC)
26 / 59
. scatter mpg price, mcolor(%30)
(StataCorp LLC)
27 / 59
Análisis de clase latente (LCA)
Identificar grupos en la población para los cuales no tenemos una
variable categórica (latente o no observados)
I
I
estilo de vida saludable o no saludable
propensa al riesgo, neutral al riesgo, adversa al riesgo
caracterizar estos grupos
(StataCorp LLC)
28 / 59
Comportamiento riesgoso durante el embarazo
. describe alcohol mbsmoke prenatal1
storage
display
value
variable name
type
format
label
alcohol
byte
%9.0g
mbsmoke
prenatal1
byte
byte
%9.0g
%9.0g
(StataCorp LLC)
mbsmoke
YesNo
variable label
1 if alcohol consumed during
pregnancy
1 if mother smoked
1 if first prenatal visit was NOT
in trimester 1
29 / 59
LCA resultados
. quietly
gsem (alcohol mbsmoke prenatal1 <-), logit lclass(C 2)
. estat lcprob
Latent class marginal probabilities
Delta-method
Margin
Std. Err.
C
1
2
.8980132
.1019868
.0298238
.0298238
. estat lcmean
Latent class marginal means
Number of obs
4,642
=
4,642
[95% Conf. Interval]
.8230429
.0565946
.9434054
.1769571
Number of obs
Delta-method
Margin
Std. Err.
=
[95% Conf. Interval]
1
alcohol
mbsmoke
prenatal1
.0135323
.1195862
.1631802
.0036052
.0152853
.0087445
.0080151
.0927171
.1467572
.02276
.1529294
.181051
alcohol
mbsmoke
prenatal1
.1976879
.7720253
.5106874
.0412223
.104267
.0685655
.1289578
.5146616
.3787086
.2908188
.9153593
.6411929
2
(StataCorp LLC)
30 / 59
LCA resultados
. quietly
gsem (alcohol mbsmoke prenatal1 <-), logit lclass(C 2)
. estat lcprob
Latent class marginal probabilities
Delta-method
Margin
Std. Err.
C
1
2
.8980132
.1019868
.0298238
.0298238
. estat lcmean
Latent class marginal means
Number of obs
4,642
=
4,642
[95% Conf. Interval]
.8230429
.0565946
.9434054
.1769571
Number of obs
Delta-method
Margin
Std. Err.
=
[95% Conf. Interval]
1
alcohol
mbsmoke
prenatal1
.0135323
.1195862
.1631802
.0036052
.0152853
.0087445
.0080151
.0927171
.1467572
.02276
.1529294
.181051
alcohol
mbsmoke
prenatal1
.1976879
.7720253
.5106874
.0412223
.104267
.0685655
.1289578
.5146616
.3787086
.2908188
.9153593
.6411929
2
(StataCorp LLC)
30 / 59
LCA resultados
. quietly
gsem (alcohol mbsmoke prenatal1 <-), logit lclass(C 2)
. estat lcprob
Latent class marginal probabilities
Delta-method
Margin
Std. Err.
C
1
2
.8980132
.1019868
.0298238
.0298238
. estat lcmean
Latent class marginal means
Number of obs
4,642
=
4,642
[95% Conf. Interval]
.8230429
.0565946
.9434054
.1769571
Number of obs
Delta-method
Margin
Std. Err.
=
[95% Conf. Interval]
1
alcohol
mbsmoke
prenatal1
.0135323
.1195862
.1631802
.0036052
.0152853
.0087445
.0080151
.0927171
.1467572
.02276
.1529294
.181051
alcohol
mbsmoke
prenatal1
.1976879
.7720253
.5106874
.0412223
.104267
.0685655
.1289578
.5146616
.3787086
.2908188
.9153593
.6411929
2
(StataCorp LLC)
30 / 59
Trascendiendo el modelo con sólo una constante
gsem (alcohol mbsmoke prenatal1 <-, logit),
(C <- medu) lclass(C 2)
gsem (alcohol mbsmoke prenatal1 <-, ologit), lclass(C 2)
gsem (lbweight <- alcohol mbsmoke prenatal1, probit)
(bweight <- alcohol mbsmoke prenatal1, gaussian),
lclass(C 2)
(StataCorp LLC)
31 / 59
Modelos de mezcla finita (FMM)
Los modelos de mezcla finita identifican grupos latentes para un conjunto amplio
de modelos
I
I
I
I
I
I
I
I
I
I
I
I
I
I
I
I
I
regress
tobit
intreg
truncreg
ivregress
poisson
tpoisson
nbreg
streg
logistic
ologit
mlogit
probit
oprobit
cloglog
betareg
glm
Como en los modelos de análisis de clase latente el comportamiento puede
variar para cada grupo
(StataCorp LLC)
32 / 59
ejemplo fmm
fmm 2:
logit lbweight medu i.mbsmoke i.alcohol i.prenatal1 i.mmarried
. estat lcprob
Latent class marginal probabilities
Delta-method
Margin
Std. Err.
Class
1
2
.0772425
.9227575
.0220658
.0220658
. estat lcmean
Latent class marginal means
Number of obs
4,642
=
4,642
[95% Conf. Interval]
.0436389
.8668799
.1331201
.9563611
Number of obs
Delta-method
Margin
Std. Err.
=
[95% Conf. Interval]
1
lbweight
.1606212
.0692845
.0653245
.3438022
lbweight
.0519167
.0075811
.0389153
.0689502
2
(StataCorp LLC)
33 / 59
ejemplo fmm
fmm 2:
logit lbweight medu i.mbsmoke i.alcohol i.prenatal1 i.mmarried
. estat lcprob
Latent class marginal probabilities
Delta-method
Margin
Std. Err.
Class
1
2
.0772425
.9227575
.0220658
.0220658
. estat lcmean
Latent class marginal means
Number of obs
4,642
=
4,642
[95% Conf. Interval]
.0436389
.8668799
.1331201
.9563611
Number of obs
Delta-method
Margin
Std. Err.
=
[95% Conf. Interval]
1
lbweight
.1606212
.0692845
.0653245
.3438022
lbweight
.0519167
.0075811
.0389153
.0689502
2
(StataCorp LLC)
33 / 59
ejemplo fmm
fmm 2:
logit lbweight medu i.mbsmoke i.alcohol i.prenatal1 i.mmarried
. estat lcprob
Latent class marginal probabilities
Delta-method
Margin
Std. Err.
Class
1
2
.0772425
.9227575
.0220658
.0220658
. estat lcmean
Latent class marginal means
Number of obs
4,642
=
4,642
[95% Conf. Interval]
.0436389
.8668799
.1331201
.9563611
Number of obs
Delta-method
Margin
Std. Err.
=
[95% Conf. Interval]
1
lbweight
.1606212
.0692845
.0653245
.3438022
lbweight
.0519167
.0075811
.0389153
.0689502
2
(StataCorp LLC)
33 / 59
Regresión kernel noparamétrica
Media de la variable dependiente en función de un conjunto de
variables independientes (media condicional)
No difiere de poisson, glm, logistic, probit, etc
No asumimos una forma funcional para la media en función de las
variables independientes. Más robusto.
En los modelos paramétricos obtenemos el parámetro β. En los
modelos noparamétricos obtenemos la media condicional
(predict)
Efectos en un punto de interés o sobre la población, margins
Más de un regresor
(StataCorp LLC)
34 / 59
Regresión kernel noparamétrica
Media de la variable dependiente en función de un conjunto de
variables independientes (media condicional)
No difiere de poisson, glm, logistic, probit, etc
No asumimos una forma funcional para la media en función de las
variables independientes. Más robusto.
En los modelos paramétricos obtenemos el parámetro β. En los
modelos noparamétricos obtenemos la media condicional
(predict)
Efectos en un punto de interés o sobre la población, margins
Más de un regresor
(StataCorp LLC)
34 / 59
Regresión kernel noparamétrica
Media de la variable dependiente en función de un conjunto de
variables independientes (media condicional)
No difiere de poisson, glm, logistic, probit, etc
No asumimos una forma funcional para la media en función de las
variables independientes. Más robusto.
En los modelos paramétricos obtenemos el parámetro β. En los
modelos noparamétricos obtenemos la media condicional
(predict)
Efectos en un punto de interés o sobre la población, margins
Más de un regresor
(StataCorp LLC)
34 / 59
npregress en acción
. npregress kernel bweight i.mbsmoke i.alcohol i.prenatal1 medu, nolog
Local-linear regression
Continuous kernel : epanechnikov
Discrete kernel
: liracine
Bandwidth
: cross validation
bweight
Estimate
bweight
3201.653
Number of obs
E(Kernel obs)
R-squared
=
=
=
1,388
1,307
0.0379
Mean
Effect
medu
10.54848
mbsmoke
(smoker
vs
nonsmoker)
-166.598
alcohol
(1 vs 0)
-111.5533
prenatal1
(Yes vs No)
41.26474
Note: Effect estimates are averages of derivatives for continuous covariates
and averages of contrasts for factor covariates.
Note: You may compute standard errors using vce(bootstrap) or reps().
(StataCorp LLC)
35 / 59
margins después de npregress
.
.
margins mbsmoke, at(medu=(9(1)16)) vce(boot, reps(200) seed(111))
marginsplot, recastci(rarea) ciopts(fcolor(%30))
(StataCorp LLC)
36 / 59
Análisis bayesiano
Análisis bayesiano es cada vez más popular y prevalente
Los parámetros no son cantidades fijas, son variables aleatorias
con una distribución de probabilidad
Asumimos una distrubución previa, a priori, para el parámetro
Obtenemos una distribución (posterior)
I
Podemos hablar en términos de probabilidades y caracterizar su
distribución
(StataCorp LLC)
37 / 59
Análisis bayesiano
Análisis bayesiano es cada vez más popular y prevalente
Los parámetros no son cantidades fijas, son variables aleatorias
con una distribución de probabilidad
Asumimos una distrubución previa, a priori, para el parámetro
Obtenemos una distribución (posterior)
I
Podemos hablar en términos de probabilidades y caracterizar su
distribución
(StataCorp LLC)
37 / 59
Análisis bayesiano
Análisis bayesiano es cada vez más popular y prevalente
Los parámetros no son cantidades fijas, son variables aleatorias
con una distribución de probabilidad
Asumimos una distrubución previa, a priori, para el parámetro
Obtenemos una distribución (posterior)
I
Podemos hablar en términos de probabilidades y caracterizar su
distribución
(StataCorp LLC)
37 / 59
Análisis bayesiano
Análisis bayesiano es cada vez más popular y prevalente
Los parámetros no son cantidades fijas, son variables aleatorias
con una distribución de probabilidad
Asumimos una distrubución previa, a priori, para el parámetro
Obtenemos una distribución (posterior)
I
Podemos hablar en términos de probabilidades y caracterizar su
distribución
(StataCorp LLC)
37 / 59
Prefijo bayes
Estimación bayesiana usando modelos de regresión:
I
I
I
I
I
I
I
I
I
I
I
Lineal
Respuesta binaria
Respuesta ordinal
Respuesta categórica
Variable dependiente de recuento
Lineal generalizada
Con inflación de zeros
Respuesta fraccional
Supervivencia o duración
Selección de muestra
Multinivel
45 comandos algunos ajustan multiples models, glm y meglm
(StataCorp LLC)
38 / 59
Prefijo bayes
Estimación bayesiana usando modelos de regresión:
I
I
I
I
I
I
I
I
I
I
I
Lineal
Respuesta binaria
Respuesta ordinal
Respuesta categórica
Variable dependiente de recuento
Lineal generalizada
Con inflación de zeros
Respuesta fraccional
Supervivencia o duración
Selección de muestra
Multinivel
45 comandos algunos ajustan multiples models, glm y meglm
(StataCorp LLC)
38 / 59
Prefijo bayes
Estimación bayesiana usando modelos de regresión:
I
I
I
I
I
I
I
I
I
I
I
Lineal
Respuesta binaria
Respuesta ordinal
Respuesta categórica
Variable dependiente de recuento
Lineal generalizada
Con inflación de zeros
Respuesta fraccional
Supervivencia o duración
Selección de muestra
Multinivel
45 comandos algunos ajustan multiples models, glm y meglm
(StataCorp LLC)
38 / 59
Sintaxis
bayes:
bayes:
bayes:
bayes:
regress yvar xvar
logistic yvar xvar
streg xvar
mixed yvar xvar || id:
(StataCorp LLC)
rslope
39 / 59
Veámoslo en acción
. bayes, noheader nodots: meglm weight week || id:
Burn-in ...
Simulation ...
Mean
Std. Dev.
MCSE
Median
Equal-tailed
[95% Cred. Interval]
weight
week
_cons
6.211294
19.32584
.0419925
.7582537
.001807
.151992
6.211144
19.36217
6.130065
17.91306
6.295917
20.87597
U0:sigma2
15.95426
3.678421
.142266
15.45631
10.24181
24.61659
e.weight
sigma2
4.429085
.3228506
.007422
4.407558
3.851172
5.118842
id
(StataCorp LLC)
40 / 59
Inferencia bayesiana
. bayestest interval ({weight:_cons}, lower(19) upper(20))
({weight:week}, lower(6.2))
Interval tests
MCMC sample size =
10,000
prob1 : 19 < {weight:_cons} < 20
prob2 : {weight:week} > 6.2
prob1
prob2
Mean
Std. Dev.
.4942
.6065
0.49999
0.48855
MCSE
.0618388
.0175055
. bayestest interval (({weight:_cons}, lower(19) upper(20))
({weight:week},
lower(6.2)), joint )
Interval tests
MCMC sample size =
10,000
prob1 : 19 < {weight:_cons} < 20,
{weight:week} > 6.2
prob1
(StataCorp LLC)
Mean
Std. Dev.
.2831
0.45053
///
///
MCSE
.0400935
41 / 59
Inferencia bayesiana
. bayestest interval ({weight:_cons}, lower(19) upper(20))
({weight:week}, lower(6.2))
Interval tests
MCMC sample size =
10,000
prob1 : 19 < {weight:_cons} < 20
prob2 : {weight:week} > 6.2
prob1
prob2
Mean
Std. Dev.
.4942
.6065
0.49999
0.48855
MCSE
.0618388
.0175055
. bayestest interval (({weight:_cons}, lower(19) upper(20))
({weight:week},
lower(6.2)), joint )
Interval tests
MCMC sample size =
10,000
prob1 : 19 < {weight:_cons} < 20,
{weight:week} > 6.2
prob1
(StataCorp LLC)
Mean
Std. Dev.
.2831
0.45053
///
///
MCSE
.0400935
41 / 59
Modelos estocásticos dinámicos de equlibrio general
linearizados (DSGE)
Resuelven modelos económicos donde los agentes internalizan el
futuro. Modelos de expectativas racionales.
Series de tiempo multivariadas (VAR, VEC) [dinámica]
Ecuaciones simultáneas. Modelos (economicos) con distintos
sectores interactuando para llegar a un equilibrio [equilibrio
general]
Incorpora expectativas (inflación, ingresos, crecimiento)
[estocástica]
Formularle preguntas a nuestro modelo
I
I
I
I
Impulso respuesta
Matriz de política (cómo los estados afectan a los controles)
Matriz de transición (variables de estado)
Análisis de política para parámetros fijos
(StataCorp LLC)
42 / 59
Modelos estocásticos dinámicos de equlibrio general
linearizados (DSGE)
Resuelven modelos económicos donde los agentes internalizan el
futuro. Modelos de expectativas racionales.
Series de tiempo multivariadas (VAR, VEC) [dinámica]
Ecuaciones simultáneas. Modelos (economicos) con distintos
sectores interactuando para llegar a un equilibrio [equilibrio
general]
Incorpora expectativas (inflación, ingresos, crecimiento)
[estocástica]
Formularle preguntas a nuestro modelo
I
I
I
I
Impulso respuesta
Matriz de política (cómo los estados afectan a los controles)
Matriz de transición (variables de estado)
Análisis de política para parámetros fijos
(StataCorp LLC)
42 / 59
Modelos estocásticos dinámicos de equlibrio general
linearizados (DSGE)
Resuelven modelos económicos donde los agentes internalizan el
futuro. Modelos de expectativas racionales.
Series de tiempo multivariadas (VAR, VEC) [dinámica]
Ecuaciones simultáneas. Modelos (economicos) con distintos
sectores interactuando para llegar a un equilibrio [equilibrio
general]
Incorpora expectativas (inflación, ingresos, crecimiento)
[estocástica]
Formularle preguntas a nuestro modelo
I
I
I
I
Impulso respuesta
Matriz de política (cómo los estados afectan a los controles)
Matriz de transición (variables de estado)
Análisis de política para parámetros fijos
(StataCorp LLC)
42 / 59
Modelos estocásticos dinámicos de equlibrio general
linearizados (DSGE)
Resuelven modelos económicos donde los agentes internalizan el
futuro. Modelos de expectativas racionales.
Series de tiempo multivariadas (VAR, VEC) [dinámica]
Ecuaciones simultáneas. Modelos (economicos) con distintos
sectores interactuando para llegar a un equilibrio [equilibrio
general]
Incorpora expectativas (inflación, ingresos, crecimiento)
[estocástica]
Formularle preguntas a nuestro modelo
I
I
I
I
Impulso respuesta
Matriz de política (cómo los estados afectan a los controles)
Matriz de transición (variables de estado)
Análisis de política para parámetros fijos
(StataCorp LLC)
42 / 59
Modelos estocásticos dinámicos de equlibrio general
linearizados (DSGE)
Resuelven modelos económicos donde los agentes internalizan el
futuro. Modelos de expectativas racionales.
Series de tiempo multivariadas (VAR, VEC) [dinámica]
Ecuaciones simultáneas. Modelos (economicos) con distintos
sectores interactuando para llegar a un equilibrio [equilibrio
general]
Incorpora expectativas (inflación, ingresos, crecimiento)
[estocástica]
Formularle preguntas a nuestro modelo
I
I
I
I
Impulso respuesta
Matriz de política (cómo los estados afectan a los controles)
Matriz de transición (variables de estado)
Análisis de política para parámetros fijos
(StataCorp LLC)
42 / 59
Veámoslo en acción
Modelo que relaciona la tasa de inflación (p), la brecha en la
producción (x), y tasa de interés (r)
dsge (p
(x
(r
(F.u
(F.g
=
=
=
=
=
{beta}*E(F.p) + {kappa}*x)
///
E(F.x) -(r - E(F.p) - g), unobserved) ///
(1/{beta})*p + u)
///
{rhou}*u, state)
///
{rhoz}*g, state), nolog
(StataCorp LLC)
43 / 59
dsge resultados
. dsge (p
= {beta}*E(F.p) + {kappa}*x)
///
>
(x
= E(F.x) -(r - E(F.p) - g), unobserved)
///
>
(r
= (1/{beta})*p + u)
///
>
(F.u = {rhou}*u, state)
///
>
(F.g = {rhoz}*g, state), nolog
DSGE model
Sample: 1954q3 - 2016q4
Number of obs
Log likelihood = -768.09383
Coef.
/structural
beta
kappa
rhou
rhoz
sd(e.u)
sd(e.g)
(StataCorp LLC)
OIM
Std. Err.
.5112878
.16963
.6989186
.9556407
.075791
.0475493
.0449192
.0181342
2.31759
.614735
.2988027
.0973278
z
6.75
3.57
15.56
52.70
=
250
P>|z|
[95% Conf. Interval]
0.000
0.000
0.000
0.000
.3627402
.0764351
.6108786
.9200983
.6598355
.2628248
.7869586
.9911831
1.731947
.4239759
2.903232
.8054941
44 / 59
Impulso respuesta de un incremento en la tasa de
interés
(StataCorp LLC)
45 / 59
Modelos espaciales autoregresivos
Nuestros vecinos importan.
I
I
I
I
I
paises
ciudades
amigos
redes sociales
empresas
Estructura de interdependencia
(StataCorp LLC)
46 / 59
Modelos espaciales autoregresivos
Nuestros vecinos importan.
I
I
I
I
I
paises
ciudades
amigos
redes sociales
empresas
Estructura de interdependencia
(StataCorp LLC)
46 / 59
Tasas de homicidio de condados del sur de E.E.U.U
en 1990
. spset
Sp dataset homicide1990.dta
data: cross sectional
spatial-unit id: _ID
coordinates: _CX, _CY (planar)
linked shapefile: homicide1990_shp.dta
A
A 0
B 1
C 0
(StataCorp LLC)
B
1
0
0
C
0
0
0
47 / 59
Tasas de homicidio de condados del sur de E.E.U.U
en 1990
. spset
Sp dataset homicide1990.dta
data: cross sectional
spatial-unit id: _ID
coordinates: _CX, _CY (planar)
linked shapefile: homicide1990_shp.dta
A
A 0
B 1
C 0
(StataCorp LLC)
B
1
0
0
C
0
0
0
47 / 59
Matriz espacial de pesos
. spmatrix create contiguity W
. spmatrix summarize W
Weighting matrix W
Type
Normalization
Dimension
Elements
minimum
minimum > 0
mean
max
Neighbors
minimum
mean
maximum
(StataCorp LLC)
contiguity
spectral
1412 x 1412
0
.1507104
.000612
.1507104
1
5.733711
11
48 / 59
Matriz espacial de pesos
. spmatrix create contiguity W
. spmatrix summarize W
Weighting matrix W
Type
Normalization
Dimension
Elements
minimum
minimum > 0
mean
max
Neighbors
minimum
mean
maximum
(StataCorp LLC)
contiguity
spectral
1412 x 1412
0
.1507104
.000612
.1507104
1
5.733711
11
48 / 59
Resultados
. spregress hrate ln_population ln_pdensity gini, gs2sls dvarlag(W)
(1412 observations)
(1412 observations (places) used)
(weighting matrix defines 1412 places)
Spatial autoregressive model
Number of obs
=
GS2SLS estimates
Wald chi2(4)
=
Prob > chi2
=
Pseudo R2
=
hrate
Coef.
Std. Err.
hrate
ln_populat~n
ln_pdensity
gini
_cons
.195714
1.060728
77.10293
-28.79865
.2654999
.2303736
5.330446
2.945944
.2270154
.0607158
z
P>|z|
0.74
4.60
14.46
-9.78
0.461
0.000
0.000
0.000
3.74
0.000
1,412
328.40
0.0000
0.1754
[95% Conf. Interval]
-.3246563
.6092043
66.65544
-34.57259
.7160843
1.512252
87.55041
-23.02471
.1080146
.3460161
W
hrate
Wald test of spatial terms:
(StataCorp LLC)
chi2(1) = 13.98
Prob > chi2 = 0.0002
49 / 59
Resultados
. estat impact
progress
: 33%
Average impacts
67% 100%
Number of obs
dy/dx
Delta-Method
Std. Err.
z
P>|z|
=
1,412
[95% Conf. Interval]
direct
ln_populat~n
ln_pdensity
gini
.1971473
1.068497
77.6676
.2671523
.2333061
5.262439
0.74
4.58
14.76
0.461
0.000
0.000
-.3264616
.611225
67.35341
.7207563
1.525768
87.98179
indirect
ln_populat~n
ln_pdensity
gini
.0471186
.2553728
18.56271
.060043
.113273
5.811729
0.78
2.25
3.19
0.433
0.024
0.001
-.0705636
.0333618
7.171931
.1648008
.4773839
29.95349
total
ln_populat~n
ln_pdensity
gini
.2442659
1.323869
96.23031
.3257636
.3235966
7.409878
0.75
4.09
12.99
0.453
0.000
0.000
-.3942191
.6896318
81.70721
.8827509
1.958107
110.7534
(StataCorp LLC)
50 / 59
Regresión de efectos mixtos no lineal
Modelos multinivel no lineales
Modelos jerárquicos no lineales
Modelos no lineales con efectos aleatorios
I
Pendientes e interceptos aleatorios
Especificar la forma funcional de manera flexible (como nl,
mlexp, ml, gmm)
Diferentes estructuras para la varianza y la covarianza
Permite gran complejidad para modelar
(StataCorp LLC)
51 / 59
Regresión de efectos mixtos no lineal
Modelos multinivel no lineales
Modelos jerárquicos no lineales
Modelos no lineales con efectos aleatorios
I
Pendientes e interceptos aleatorios
Especificar la forma funcional de manera flexible (como nl,
mlexp, ml, gmm)
Diferentes estructuras para la varianza y la covarianza
Permite gran complejidad para modelar
(StataCorp LLC)
51 / 59
Regresión de efectos mixtos no lineal
Modelos multinivel no lineales
Modelos jerárquicos no lineales
Modelos no lineales con efectos aleatorios
I
Pendientes e interceptos aleatorios
Especificar la forma funcional de manera flexible (como nl,
mlexp, ml, gmm)
Diferentes estructuras para la varianza y la covarianza
Permite gran complejidad para modelar
(StataCorp LLC)
51 / 59
Regresión de efectos mixtos no lineal
Modelos multinivel no lineales
Modelos jerárquicos no lineales
Modelos no lineales con efectos aleatorios
I
Pendientes e interceptos aleatorios
Especificar la forma funcional de manera flexible (como nl,
mlexp, ml, gmm)
Diferentes estructuras para la varianza y la covarianza
Permite gran complejidad para modelar
(StataCorp LLC)
51 / 59
Regresión de efectos mixtos no lineal
Modelos multinivel no lineales
Modelos jerárquicos no lineales
Modelos no lineales con efectos aleatorios
I
Pendientes e interceptos aleatorios
Especificar la forma funcional de manera flexible (como nl,
mlexp, ml, gmm)
Diferentes estructuras para la varianza y la covarianza
Permite gran complejidad para modelar
(StataCorp LLC)
51 / 59
Regresión de efectos mixtos no lineal
Modelos multinivel no lineales
Modelos jerárquicos no lineales
Modelos no lineales con efectos aleatorios
I
Pendientes e interceptos aleatorios
Especificar la forma funcional de manera flexible (como nl,
mlexp, ml, gmm)
Diferentes estructuras para la varianza y la covarianza
Permite gran complejidad para modelar
(StataCorp LLC)
51 / 59
Ejemplo conocido
Datos longitudinales, panel, multinivel
Modelo lineal con intercepto aleatorio, modelo lineal mixto,
modelo de panel lineal con efectos aleatorios
yij = β0 + β1 xij + αi + εij
(StataCorp LLC)
52 / 59
Ejemplo conocido
Datos longitudinales, panel, multinivel
Modelo lineal con intercepto aleatorio, modelo lineal mixto,
modelo de panel lineal con efectos aleatorios
yij = β0 + β1 xij + αi + εij
(StataCorp LLC)
52 / 59
Ejemplo conocido
Datos longitudinales, panel, multinivel
Modelo lineal con intercepto aleatorio, modelo lineal mixto,
modelo de panel lineal con efectos aleatorios
yij = β0 + β1 xij + αi + εij
(StataCorp LLC)
52 / 59
Veámoslo en acción
. menl y = {xb: x B0[id]}, nolog
Mixed-effects ML nonlinear regression
Group variable: id
Number of obs
Number of groups
Obs per group:
min
avg
max
Wald chi2(1)
Prob > chi2
Linearization log likelihood = -15415.734
xb: x B0[id]
y
Coef.
x
_cons
.9895467
.9852863
Std. Err.
z
=
=
10,000
1,000
=
=
=
=
=
10
10.0
10
18200.38
0.0000
P>|z|
[95% Conf. Interval]
0.000
0.000
.9751705
.9183612
xb
Random-effects Parameters
.0073349
.0341461
134.91
28.86
1.003923
1.052211
Estimate
Std. Err.
[95% Conf. Interval]
var(B0)
1.011148
.0496717
.9183333
1.113344
var(Residual)
1.004931
.0149621
.9760301
1.034689
id: Identity
(StataCorp LLC)
53 / 59
Un resultado conocido
. estimates table menl meglm xtreg
Variable
x
_cons
menl
meglm
xtreg
0.9895
0.0073
0.9853
0.0341
0.9895
0.0073
0.9853
0.0341
0.9895
0.0073
0.9853
0.0342
legend: b/se
El modelo no tiene que ser así de sencillo. Puede ser cualquier
función de las variables y los efectos aleatorios
yijk = g xijk , αij , εijk
(StataCorp LLC)
54 / 59
Un resultado conocido
. estimates table menl meglm xtreg
Variable
x
_cons
menl
meglm
xtreg
0.9895
0.0073
0.9853
0.0341
0.9895
0.0073
0.9853
0.0341
0.9895
0.0073
0.9853
0.0342
legend: b/se
El modelo no tiene que ser así de sencillo. Puede ser cualquier
función de las variables y los efectos aleatorios
yijk = g xijk , αij , εijk
(StataCorp LLC)
54 / 59
Modelo de crecimiento
Crecimiento de plantaciones de soya
Peso de muestra de hojas de soya en una plantación, weight
Días después de la siembra cuando se toma la medida, time
Modelo de crecimiento logístico
weightij =
φ1j
1 + exp − timeij − φ2j /φ3j
φ1j = φ1 + u1j
(StataCorp LLC)
55 / 59
Modelo de crecimiento
Crecimiento de plantaciones de soya
Peso de muestra de hojas de soya en una plantación, weight
Días después de la siembra cuando se toma la medida, time
Modelo de crecimiento logístico
weightij =
φ1j
1 + exp − timeij − φ2j /φ3j
φ1j = φ1 + u1j
(StataCorp LLC)
55 / 59
Modelo de crecimiento
Crecimiento de plantaciones de soya
Peso de muestra de hojas de soya en una plantación, weight
Días después de la siembra cuando se toma la medida, time
Modelo de crecimiento logístico
weightij =
φ1j
1 + exp − timeij − φ2j /φ3j
φ1j = φ1 + u1j
(StataCorp LLC)
55 / 59
Especificación con menl
menl weight = {phi1:}/(1+exp(-(time-{phi2:})/{phi3:})),
define(phi1: {phi1} + {U1[plot]})
define(phi2: {phi2} + {U2[plot]})
define(phi3: {phi3} + {U3[plot]})
covariance(U1 U2 U3, unstructured)
(StataCorp LLC)
///
///
///
///
56 / 59
Resultados
Mixed-effects ML nonlinear regression
Group variable: plot
Number of obs
Number of groups
Obs per group:
min
avg
max
=
=
=
=
=
412
48
8
8.6
10
Linearization log likelihood = -739.83445
phi1: {phi1}+{U1[plot]}
phi2: {phi2}+{U2[plot]}
phi3: {phi3}+{U3[plot]}
weight
Coef.
/phi1
/phi2
/phi3
19.25314
55.01999
8.403468
Std. Err.
Random-effects Parameters
.8031811
.7272491
.3152551
z
23.97
75.65
26.66
P>|z|
[95% Conf. Interval]
0.000
0.000
0.000
17.67893
53.59461
7.78558
20.82734
56.44537
9.021357
Estimate
Std. Err.
[95% Conf. Interval]
var(U1)
var(U2)
var(U3)
cov(U1,U2)
cov(U1,U3)
cov(U2,U3)
27.05081
17.61605
1.972036
15.73304
5.193819
5.649306
6.776518
5.317903
.9849829
5.413368
2.165587
2.04946
16.55561
9.748762
.7409018
5.123035
.9493456
1.632438
44.1993
31.83229
5.248906
26.34305
9.438292
9.666175
var(Residual)
1.262237
.1111686
1.062119
1.500059
plot: Unstructured
(StataCorp LLC)
57 / 59
Mucho más
Regresión para modelos de umbral
Regresión logit mixta específica de alternativa
Tests de cointegración para datos de panel
Análisis de potencia para regresión lineal
Regresión heterocedástica
Regresión de intervalo censurado para datos de supervivencia
ICD-10-CM/PCS
Modelos de ecuaciones estructurales generalizados multigrupo
Test para múltiples quiebres estructurales
Análisis de potencia para diseńos aleatorizados por
conglomerados
Generación de números aleatorios en cadenas
Model tobit para paneles con intercepto y pendiente aleatorias
Poisson con selección muestral
Plugins de Java
Regresión probit ordenada con inflación de zeros
(StataCorp LLC)
58 / 59
GRACIAS
(StataCorp LLC)
59 / 59