Một số tính năng nổi bật của Stata 15
- Các mô hình tác động hỗn hợp đa bậc phi tuyến
Các mô hình tác động hỗn hợp phi tuyến (Nonlinear mixed-effects models) đôi khi còn gọi là các mô hình đa bậc phi tuyến (nonlinear multilevel models) hoặc mô hình tuần tự phi tuyến (nonlinear hierchical models). Các mô hình này có thể được nghĩ đến theo hai cách: (i) các mô hình phi tuyến bao gồm các tác động ngẫu nhiên; (ii) hoặc bạn cũng có thể nghĩ chúng như là các mô hình tuyến tính tác động hỗn hợp, trong đó một vài hoặc tất cả các tác động cố định và tác động ngẫu nhiên là phi tuyến. Các mô hình này phổ biến trong dược động học, sinh học, nghiên cứu về quá trình sinh trưởng và phát triển trong nông nghiệp. Ví dụ, các mô hình hỗn hợp phi tuyến đã được sử dụng để mô hình hóa sự hấp thu thuốc trong cơ thể, cường độ của động đất, và sự tăng trưởng của thực vật.
Stata 15 có câu lệnh ước lượng mới là menl, thực hiện các thuật toán phổ biến trong thực nghiệm Lindstrom-Bates, dựa trên tuyến tính của hàm tuyến tính phi tuyến đối với các hiệu ứng cố định và ngẫu nhiên. Cả hai phương pháp ước lượng là hợp lí cực đại và hợp lí cực đại có ràng buộc đều được hỗ trợ.
- Các mô hình tự hồi quy không gian (SAR)
SAR là viết tắt của Spatial Autoregressive là các mô hình tự hồi quy theo không gian, hoặc đôi khi còn gọi là các mô hình tự hồi quy đồng thời (Simultaneous Autoregressive models).
Các mô hình SAR phù hợp với các dữ liệu khu vực, còn được gọi là dữ liệu về khu vực. Các quan sát được gọi là các đơn vị không gian và nó có thể là các quốc gia, tiểu bang, quận, quận, thành phố, mã bưu chính hoặc thành phố. Hoặc nó cũng có thể là các nút của một mạng xã hội. Các mô hình không gian ước lượng các hiệu ứng trực tiếp – tác động của các khu vực lên chính nó và ước tính tác động gián tiếp hoặc lan tỏa đến các khu vực lân cận.
Các câu lệnh mới trên Stata 15 như spregress, spivregress, và spxtregress cho phép sử dụng các độ trễ theo không gian của các biến phụ thuộc, các biến độc lập, và các sai số tự hồi quy không gian. Các độ trễ không gian có ý nghĩa tương tự các độ trễ theo thời gian. Theo đó, các độ trễ thời gian là khoảng cách thời gian của biến so với thời điểm hiện tại của biến. Còn khoảng cách không gian là giá trị khoảng cách từ các khu vực lân cận khu vực hiện tại.
Xem thêm: https://www.stata.com/new-in-stata/spatial-autoregressive-models/
- Các mô hình hỗn hợp hữu hạn (FMMs)
Các tổng thể thường được chia thành các nhóm hoặc phân nhóm phụ – nhóm tuổi, nhóm thu nhập, trình độ học vấn. Các mô hình hồi quy hoặc các phân phối có thể khác nhau giữa các nhóm này. Nhưng đôi khi chúng ta không có một biến xác định các nhóm. Trong những trường hợp như vậy, chúng ta có thể sử dụng các mô hình hỗn hợp hữu hạn (FMMs) để mô hình hoá xác suất mỗi đối tượng thuộc về mỗi nhóm không quan sát được, để ước tính các tham số riêng của một mô hình hồi quy hoặc phân phối trong mỗi nhóm, phân loại các đối tượng thành các nhóm, và rút ra suy luận về cách thức mỗi nhóm hành xử.
Ví dụ, chúng tôi có thể muốn mô hình hoá số lần khám bác sĩ hàng năm của một cá nhân dựa trên tuổi tác và các điều kiện y tế. Tuy nhiên, mô hình có thể sẽ khác nhau đối với những người mới phát hiện so với những người có dấu hiệu bệnh trầm trọng. Một công ty bảo hiểm ô tô có thể muốn phân loại các lái xe thành các nhóm ứng với các mức rủi ro. Những nhóm này có thể là rủi ro cao, trung bình hoặc và thấp. Với FMM, chúng ta có thể ước tính xác suất thuộc về một nhóm và ước lượng các tham số cụ thể của mô hình cho mỗi nhóm.
Với tiền tố mới fmm: Stata 15 cho phép ước lượng các tham số (hệ số, vị trí, phương sai….) thay đổi giữa các nhóm ẩn. Tiền tố này có thể được sử dụng với 17 câu lệnh ước lượng khác nhau trên Stata. Bạn có thể sử dụng mô hình FMM cho hệ thống các phương trình hồi quy khác nhau, nếu bạn tin rằng các nhóm khác nhau có lẽ phù hợp với các mô hình khác nhau.
Xem thêm: https://www.stata.com/new-in-stata/finite-mixture-models/