Một số tính năng nổi bật của Stata 15
- Phân tích lớp ẩn (LCA)
LCA là viết tắt của Latent Class Analysis, tạm hiểu là phân tích lớp ẩn. Phân tích lớp ẩn là phân tích các nhóm không quan sát được có trong tập dữ liệu. Giả sử, bạn có một tập dữ liệu của các khách hàng và bạn tin rằng các khách hàng này có thể chia thành 3 nhóm dựa vào sự quan tâm tiềm năng của họ về sản phẩm của bạn. Tuy nhiên, trong tập dữ liệu của bạn không có biến xác định mỗi khách hàng thuộc nhóm nào. Tổng quát hơn, chúng ta biết có nhiều nhóm khác nhau trong tổng thể và các cá nhân trong mỗi nhóm sẽ cư xử một cách khác nhau. Nhưng chúng ta không có một biến nào xác định các nhóm. Các nhóm ở đây có thể là người tiêu dùng với các sở thích mua sắm khác nhau, hoặc các thanh thiếu niên với lối sống khác nhau… Phương pháp phân tích lớp ẩn sẽ xác định và phân loại những nhóm này. Nó cho chúng ta biết cá nhân nào thuộc nhóm nào và đặc điểm của một nhóm sẽ phân biệt với nhóm khác như thế nào. Trong phân tích lớp ẩn, chúng ta sẽ sử dụng một biến danh mục để ghi nhận các nhóm. Các mô hình phân tích lớp ẩn sẽ gồm hai phần là (i) tính toán xác suất mà mỗi cá nhân thuộc về một nhóm; (ii) mô tả mối quan hệ giữa các nhóm với các biến được quan sát. Các biến được quan sát ở đây có thể ở dạng nhị phân, thứ tự hoặc biến liên tục. Trên Stata 15, các mô hình phân tích lớp ẩn được thực hiện qua câu lệnh gsem. Sau khi ước lượng mô hình, có thể sử dụng các câu lệnh như estat lcprob để tính toán xác suất một cá nhân thuộc về một nhóm hoặc estat lcmean để tính toán giá trị biên trung bình của các biến quan sát trong mỗi nhóm ẩn.
Xem thêm: https://www.stata.com/new-in-stata/latent-class-analysis/
- Ước lượng Bayes
Việc thực hiện ước lượng Bayes trên Stata 15 tương tự như việc ước lượng thông thường bằng cách đơn giản chỉ thêm tiền tố bayes: trước các câu lệnh ước lượng thông thường như regress, tobit, intreg… Cách ước lượng Bayes này hỗ trợ hơn 50 câu lệnh sẵn có trên Stata. Xem thêm: https://www.stata.com/features/overview/bayesian-estimation/
Trong trường hợp tổng quát, bạn có thể sử dụng lệnh bayesmh và bayesmh evaluators để ước lượng các mô hình Bayes tổng quát hơn.
Tất cả các thuộc tính của ước lượng Bayes trên Stata 15 đều được hỗ trợ, chẳng hạn, bạn có thể thiết lập phân phối tiền nghiệm cho các tham số của mô hình qua tùy chọn prior() phía sau tiền tố bayes. Sau khi ước lượng, bạn có thể sử dụng các công cụ hỗ trợ như bayesgraph để kiểm tra tính hội tụ, bayesstats summary để tính các hàm theo các tham số, bayesstats ic hay bayesstats model để tính các yếu tố Bayes và so sánh các mô hình.