Tải Stata 16 với nhiều tính năng mới

3. Hồi quy mở rộng ERM cho dữ liệu bảng

Các mô hình hồi quy mở rộng từng được đề cập ở phiên bản Stata 15. Tuy nhiên, ở phiên bản này, Stata chưa đề cập đến vấn đề hồi quy mở rộng cho dữ liệu bảng. Với Stata 16, bạn có thể ước lượng các mô hình hồi quy cho dữ liệu bảng để giải quyết tất cả các vấn đề dữ liệu phức tạp như: (i) biến nội sinh, (ii) thiên chệch do chọn mẫu, (iii) đánh giá phi ngẫu nhiên và (iv) sự tương quan trong mỗi bảng. Mặc định các tác động ngẫu nhiên (random effects) được đưa vào mỗi phương trình. Những vấn đề này có thể xảy ra riêng rẽ hoặc kết hợp của tất cả chúng. ERM cho phép thực hiện những suy diễn hợp lý khi tồn tại những vấn đề dữ liệu này.

Các mô hình hồi quy mở rộng có thể sử dụng cho các mô hình với biến kết quả dạng liên tục, dạng khoảng, nhị phân hoặc danh mục.

Xem thêm: https://www.stata.com/new-in-stata/panel-data-extended-regression-models/

4. Mô hình DSGE phi tuyến

Các mô hình cân bằng động ngẫu nhiên tổng quát (DSGE) được sử dụng trong vĩ mô để mô tả cấu trúc của nền kinh tế. Những mô hình này bao gồm một hệ các phương trình được rút ra từ lý thuyết. Trong những mô hình này, kì vọng đóng một vai trò quan trọng trong việc xác định giá trị của biến hiện tại. Sự khác biệt lớn nhất của mô hình DSGE với các mô hình chuỗi thời gian khác là sự kết nối chặt chẽ với lý thuyết và tồn tại yếu tố kì vọng trong mô hình.

Các nhà kinh tế học thường sử dụng mô hình DSGE để đánh giá tác động của chính sách lên tương trưởng sản lượng, lạm phát và lãi suất. Một mô hình DSGE có thể dựa trên nhiều lý thuyết. Nhà nghiên cứu có thể sử dụng các tham số ước lượng từ mô hình DSGE để xác định lý thuyết nào phù hợp tốt hơn với dữ liệu thực tế.

Stata 16 giới thiệu một lệnh mới, dsgenl để ước lượng các tham số của mô hình DSGE phi tuyến trong cả tham số và biến bằng cách áp dụng xấp xỉ bậc 1 cho các phương trình trong mô hình tại trạng thái dừng.

Ghi chú: Stata 15 cũng có câu lệnh dsge để ước lượng các tham số của mô hình DSGE, tuy nhiên, câu lệnh này không áp dụng cho các trường hợp phi tuyến theo tham số.

Xem thêm: https://www.stata.com/new-in-stata/nonlinear-dsge/

5. Các mô hình IRT đa nhóm

Trong nghiên cứu có rất nhiều các khái niệm không thể đo lường trực tiếp như khả năng nhận thức (cognitive abilities), tính cách (personality traits), thái độ (attitudes), chất lượng cuộc sống hay sự hài lòng của bệnh nhân. Đây được xem là những khái niệm ẩn. Để định lượng những khái niệm ẩn trên, nhà nghiên cứu phải phát triển các công cụ – bảng hỏi hoặc các bài kiểm tra gồm các biến dạng nhị phân, danh mục hoặc thứ tự để xác định mức phản hồi của các cá nhân.

Các mô hình IRT có thể được sử dụng để đánh giá các mối quan hệ giữa một khái niệm ẩn với các biến đo lường nó. Với mô hình IRT chúng ta có thể xác định mức độ khó hay dễ của một biến đo lường (mục hỏi) với biến khác. Chúng ta có thể xác định biến đo lường nào cung cấp nhiều thông tin cho khái niệm ẩn hơn và biến đo lường nào cung cấp ít thông tin nhất.

So với các phiên bản trước, Stata 16 cho phép chúng ta thực hiện so sánh giữa các nhóm. Nghĩa là, chúng ta có thể đánh giá liệu một mục hỏi có đo lường khái niệm ẩn như nhau cho các mẫu khác nhau. Chẳng hạn:

Học sinh từ các trường thành thị và nông thôn có thực hiện khác nhau trong bài kiểm tra nhằm đo lường khả năng toán học không?

• Liệu một công cụ đo lường trầm cảm thực hiện ở ngày hôm nay giống như 5 năm trước?
• Để thực hiện các mô hình IRT đa nhóm, trên Stata 16, chúng ta thêm tùy chọn group sau câu lệnh irt.

Xem thêm: https://www.stata.com/new-in-stata/multiple-group-irt/

6. Hoạt động với nhiều tập dữ liệu trong bộ nhớ – Data frame

Giống như các ngôn ngữ khác như R, Python, đến phiên bản 16, Stata bổ sung thêm tính năng Data frame giúp người dùng dễ dàng hơn trong việc làm việc với nhiều tập dữ liệu. Theo đó, các bộ dữ liệu trong bộ nhớ được lưu trữ trong các frame (khung) và các khung này được đặt tên. Khi Stata chạy, nó tạo ra một khung có tên là default. Bạn có thể tạo các khung và xóa cũng như đổi tên chúng

Các lệnh sẽ được thực hiện trên khung hiện tại. Bạn cũng có thể chạy các lệnh Stata trên khung đã chỉ định và quay trở lại khung ban đầu sau khi hoàn thành. Và cách cuối cùng để làm việc với các khung là liên kết chúng. Nếu một khung được liên kết với khung khác, nó có thể truy cập dữ liệu của khung khác mà không thay đổi chúng.

Xem thêm: https://www.stata.com/new-in-stata/python-integration/

7. Tái lập và báo cáo tự động

Các lệnh của Stata để tạo báo cáo cho phép bạn tạo các tài liệu Word®, Excel®, PDF và HTML hoàn chỉnh bao gồm văn bản được định dạng, cũng như thống kê tóm tắt, kết quả hồi quy và biểu đồ do Stata tạo ra.

Các lệnh của Stata để tạo báo cáo có hai loại:

• Các lệnh tài liệu động: Các lệnh này tạo tệp văn bản, tệp HTML và tài liệu Word kết hợp đầy đủ kết quả từ các lệnh Stata. Bạn có thể sử dụng ngôn ngữ định dạng văn bản Markdown để tùy chỉnh giao diện báo cáo của bạn.
• Các lệnh putdocx, putpdf và putexcel: Các lệnh này tạo tài liệu Word, tệp PDF và tệp Excel chèn kết quả từ lệnh Stata vào văn bản và bảng được định dạng trong tài liệu của bạn.

Xem thêm: https://www.stata.com/new-in-stata/truly-reproducible-reporting/

Bên cạnh đó, Stata 16 còn cung cấp nhiều công cụ hữu ích khác, chẳng hạn:

• xtheckman: ước lượng các mô hình lựa chọn Heckman trong dữ liệu bảng để khắc phục vấn đề missing không ngẫu nhiên ở biến kết quả.
• import spss: Nhập các dữ liệu SPSS vào Stata hoặc import sas để nhập các dữ liệu SAS vào Stata
• python: tích hợp Python vào Stata. Với Stata 16, bạn có thể nhúng và thực thi các đoạn code Python trên Stata. Bạn có thể gọi Python để thực hiện tương tác hoặc nhúng trong các chương trình dofile hoặc ado để bạn có thể tận dụng các tính năng ngôn ngữ mở rộng của Python. Bạn cũng có thể thực thi tệp tập lệnh Python (.py) trực tiếp thông qua Stata.
• npregress series: thực hiện các hồi quy phi tham số (NPSR) với dạng hàm tùy ý của biến, không giới hạn bởi lỗi mô tả biến. Kết quả sẽ được trình bày dưới dạng tác động biên trung bình (đối với biến liên tục) hoặc sự tương phản (đối với các biến rời rạc). Ước lượng NPSR đòi hỏi nhiều quan sát hơn hồi quy tuyến tính để tạo ra các ước lượng phù hợp và số lượng quan sát cần thiết tăng lên theo số lượng đồng biến và độ phức tạp của dạng hàm.
• …

Và còn rất nhiều các tính năng tại: https://www.stata.com/new-in-stata/