-
-
-
-
-
-
-
- 010-56548231
-
Stata 19—数据统计分析软件包
Stata 是一套提供其使用者数据分析、数据管理以及绘制专业图表的完整及整合性统计软件。它功能非常强大，包含异质性DID、中介效应、多向聚类标准误、野聚类自助法、工具变量分位数回归、贝叶斯模型平均、描述性统计制表等功能。用 Stata 绘制的统计图形相当精美。Stata 具有操作灵活、简单、易学易用、运行速度极快等优点。
2025年4月8日，Stata19重磅发布！Stata 19以前瞻性的视野与卓越的技术实力，勇敢地超越了传统数据分析工具的局限，以革新者的姿态引领着数据科学的新潮流。它不仅集成了最新一代的算法模型与智能分析技术，更在数据处理速度、分析维度拓展以及结果精准度上实现了质的飞跃，让数据分析过程更加流畅高效，仿佛为研究者们配备了一把锐利的智慧之剑，轻松斩断复杂数据背后的重重迷雾，让每一个分析结果都如同经过精密雕琢的艺术品，精准无误地揭示出数据背后的深层规律与价值，为决策制定提供了坚实而可靠的依据。
>>南开大学经济学院正式启用Stata/MP8 V18.5正版软件 助力科研教学高质量发展！
>> 2024 Stata夏季训练营“面板数据的因果推断及Stata应用研讨会”圆满结束！
>> 2024 Stata夏季训练营“计量经济实证方法与论文写作研讨会”圆满结束！
>> 友万快讯：友万科技深入喀什大学开展Stata和IBM SPSS软件内训及服务解决方案
>> 【Stata视频】Stata 18新功能：巧用21个新亮点视频合集（下）
>> 【Stata视频】Stata 18新功能：巧用21个新亮点视频合集（中）
>> 【Stata视频】Stata 18新功能：巧用21个新亮点视频合集（上）
Stata 19 现已发布！您可以在我们的网站上看到所有新功能。 表格、图形、框架和 “Do-file 编辑器”（Do-file Editor）都有许多改进，将简化您的工作流程。 许多令人兴奋的新统计功能包括：
Stata19版本官方命令引入另一类常用的机器学习方法，即基于决策树（decision trees）的集成学习方法（ensemble learning），包括随机森林（random forest）与梯度提升法（gradient boosting machine）
Stata 19提供了一套新的h2oml命令，可轻松地接入开源的大数据机器学习平台H2O，针对回归（regression）或分类（classification）问题使用随机森林或梯度提升法。H2O使得机器学习变得更加容易，有时称为AutoML。
h20.png
画变量重要性图（variable importance plot）：
Stata 19引入了有关面板数据的若干新命令或选择项，包括高维固定效应（high dimensional FE）、相关随机效应（correlated random effects）、面板向量自回归（panel VAR），给用户带来了强大的新功能与便利。
这次Stata 19将其相应功能纳入了官方命令（无须额外命令，仅新增了一个选择项），使得操作更为简便可靠！
例如，在估计面板固定效应模型时，假设我们还想额外地控制三个分类变量（categorical variables）z1, z2与z3，只要在常规命令加上absorb()的选择项即可,类似地，我们在进行二阶段最小二乘法（2SLS）估计时，也可以使用absorb()的选择项。
静态面板的两个常用模型为随机效应（random effects，简记RE）与固定效应（fixed effects，简记FE）。然而，二者均有缺点。随机效应模型不够稳健，如果解释变量与个体效应相关，则得不到一致估计。另一方面，虽然固定效应模型较为稳健，但无法估计非时变（time-invariant）变量的系数。为此，Stata 19推出了“相关随机效应”（correlated random effects，简记CRE），可以兼顾二者的优点。
CRE模型允许解释变量与个体效应相关，且时变（time-varying）变量的系数估计值与FE完全相同，故本质上为FE模型。在算法上，CRE估计量将时变变量的组平均值加入混合回归中，故可视为一种控制函数法（通过时变变量的组平均值来控制遗漏变量）。由于CRE未做组内离差变换，故也可以估计出非时变变量的系数，这是CRE的最大优点。
向量自回归（vector autoregressoin，简记VAR）是常见的时间序列模型，但由于VAR模型的待估参数较多，故一般需要较长的时间维度。面板向量自回归（panel vector autogression，简记Panel VAR）将VAR模型推广到面板数据中。面板VAR模型既包含个体固定效应，也包括被解释变量的滞后项，故可视为动态面板模型（dynamic panel-data model）与VAR模型的结合。相应地，面板VAR模型的估计方法类似于动态面板，主要使用广义矩估计（generalized method of moment，简记GMM）。其渐近理论要求横截面单位的数量趋向无穷大，故适用于时间维度较短的短面板。
因果推断始终是实证研究的核心方法。Stata 19在因果推断方面的功能也进一步加强，新推出的方法包括条件平均处理效应（CATE）以及有关工具变量法的一些新方法。
因果推断关注的对象一般为全样本的平均处理效应（average treatment effect，简记ATE）或处理组平均处理效应（average treatment effect on the treated，简记ATT或ATET）。然而，不同个体的处理效应很可能存在异质性，而研究者有时感兴趣，异质性处理效应如何随着个体特征而变。例如，电商平台可能关心价格折扣如何影响消费者行为，而价格折扣的处理效应可能依赖于消费者的年龄与收入。
为此，Stata 19推出了全新的cate命令，用于估计“条件平均处理效应”（conditional average treatment effect，简记CATE），即在给定某种个体特征条件下的平均处理效应。命令cate可以估计三种不同类型的CATE，包括“个体平均处理效应”（individualized average treatment effect），“分组平均处理效应”（group average treatment effect）及“排序分组平均处理效应”（sorted group average treatment effect）。除了估计外，cate系列命令还可进行预测、可视化及统计推断。
Stata 19的cate命令功能强大、灵活而稳健。例如，在对结果回归（outcome regression）与处理效应模型（treatment models）建模时，可使用参数模型（parametric models），拉索估计量（lasso）或广义随机森林（generalized random forest；有时也称为“诚实森林”，即honest forest）。该命令提供了两个稳健估计量，即“偏效应过滤”（partialling out）与“增强逆概加权”（augmented inverse probability weighting），其中后者为双稳健估计量（doubly robust estimator）；并使用“交叉拟合”（cross-fitting）以避免过拟合（overfitting）。
传统的工具变量法一般使用二阶段最小二乘法（two-stage least squares，简记2SLS）。2SLS之所以成立，是因为第一阶段回归为线性模型，而线性回归的OLS估计具有正交性。这也意味着，2SLS一般无法推广到非线性模型中；例如，当内生变量为虚拟变量时，第一阶段回归为Probit模型。
为此，Stata 19新推出了更为灵活的“控制函数法”（control function approach，简记CF），不仅可用于线性模型，而且也适用于非线性模型。
使用工具变量法进行因果推断一般要求强工具变量。在弱工具变量（weak instrument）的情况下，2SLS估计量变得不可靠，即使在大样本下。这是因为2SLS估计量其实是一个比值（ratio），而在弱工具变量的情况下，该比值的分母接近于0，导致统计推断失效。
为此，Stata 19推出了安德森-鲁宾检验（Anderson-Rubin test），不再使用上述比值进行统计推断，故即使在弱工具变量的情况下依然稳健。
Stata 19专门推出了针对时间序列的工具变量法，包括通过工具变量法估计结构VAR模型，以及使用工具变量法估计脉冲响应函数。
Stata 19在贝叶斯计量经济学（Bayesian econometrics）方面的功能继续得到加强，新增方法包括贝叶斯变量选择、分位数回归及自助法等。
现在可以使用新的 bayesboot 前缀，通过贝叶斯自助法在小样本中获得更精确的参数估计，并在抽样时纳入先验信息。它可与官方命令或社区贡献命令搭配使用。
使用贝叶斯方法从变量x1-x100中进行变量选择：
使用贝叶斯方法进行分位数回归（quantile regression）：
使用贝叶斯自助法（Bayesian bootstrap）估计x的均值：
Stata 19还提供了其他方面的计量新方法，包括久期模型、相关系数的元分析、潜类别模型等。
久期模型（duration model）的被解释变量为某事件存续的时间，例如失业持续时间，病人存活的时长等。在原有久期模型的Stata模块基础上（命令均以st开头），针对存在“区间删失”（interval-censored）的多事件数据（multiple-events data），Stata 19提供了估计“边际考克斯比例风险模型”（marginal Cox proportional hazards model）的新命令stmgintcox。
在文献中，针对同一问题，常常有多项类似的研究，但所得估计结果不尽相同。如何将这些相似研究的结果进行整合，以得到统一的结论，这正是“元分析”（meta-analysis）的目标。在Stata原有的元分析meta命令模块中，Stata 19新增了对于相关系数的元分析功能。相关系数无疑是最重要的描述性统计之一。
“潜类别模型”（latent class model）是一种常见的统计模型，它假设数据来自于若干总体（或类别）的混合，故也称为“有限混合模型”（finite mixture model）；例如，三个服从正态分布的总体按照一定比例的混合。如果知道类别的数目，则可使用原有的Stata命令gsem（表示generalized structural equation model）进行估计。
Stata 19的Do文件编辑器（Do-file Editor）变得更为强大，新增功能包括：
（1）变量名（variable names）、宏（macros）与存储结果（stored results）的自动补全（autocompletion）；
（2）方便用户使用的Do文件编辑器模板（Do-file Editor templates）；
（3）对当前词（current word）在编辑器中的所有出现之处均提供高亮（highlighting），无论大小写（case-insensitive）；并对当前所选内容（current selection）在编辑器中的所有出现之处均提供高亮（highlighting），区分大小写（case sensitive）;
（4）括号高亮（bracket hightlighting），即对包含当前光标的括号（the brackets enclosing the current cursor position）提供高亮;
（5）代码折叠功能的提升（code folding enhancement），包括新增的菜单栏目（menu items）“Fold all”（折叠全部可折叠代码）, “Unfold all”（展开所有已折叠代码）与“Fold selection”（折叠所选内容）。
Stata 19的画图功能也变得更为强大，新增功能包括：
（1）通过新增命令twoway heatmap画热图（heat maps），即在变量(x, y)取值的网格上，以小方块的颜色变化来表示对应变量z的取值高低。
（2）通过新增命令twoway rpspikes画“刺形”的点图或范围图（plot points and ranges indicated by spikes），例如展示某统计量及其相应的置信区间。
（3）通过新增命令twoway rpcaps画“带帽刺形”的点图或范围图（plot points and ranges indicated by spikes with caps），例如展示某统计量及其相应的置信区间。
（4）在使用命令graph bar画柱状图/条形图（bar plot）时，可画样本均值及其置信区间，以及在标签与控制条形分组方面的改进（improved labelling, and control of bar groupings）。
（5）在使用命令graph dot画点状图（dot chart）时，可画样本均值及其置信区间，以及在标签与控制点状分组方面的改进（improved labelling, and control of dot groupings）。
（6）在使用命令graph box画箱形图（box plot）时，改进了标签与对箱形分组的控制（improved labelling, and control of box groupings）。
（7）根据变量上色（colors by variable）的选择项colorvar()，可适用于更多的twoway plot命令，包括line, connected, tsline, rconnected及tsrline等。
Stata 19的制表功能也得以进一步提升，可更方便地创建与定制表格
（1）Stata的制表命令table新增了增加标题的选择项title()，增加脚注的选择项note()，以及将表格导出为指定文件格式（例如Word, LaTex, Excel等）的选择项export()。
（2）更简便的方差分析表格（easier ANOVA tables）。
快！精准！易于使用！ Stata是一个完整的集成软件包，可提供您的所有数据科学需求 - 数据处理，可视化，统计和自动报告。
掌握您的数据
广泛的统计功能
出版质量的图形
自动报告
真正可重复的研究
PyStata — Python 集成
真实文档
值得信赖
简单易用
易于掌握
易于自动化
易于扩展
高级编程
自动多核支持
跨平台兼容
世界一流的技术支持
Stata的数据管理功能如下:
同时管理多个数据集
Import, export
JDBC, ODBC, SQL
排序，匹配，合并，加入，追加，创建
内置电子表格
unicode
处理文本或二进制数据
在本地或在Web上访问数据
收集组间的统计信息
BLOBs -strings可以容纳整个文档
数十亿个观测值
数万个变量数
生存数据， 面板数据， 多级数据， 调查数据， 多重插补数据， 分类数据， 时间序列数据
更重要的是，支持您的所有数据科学需求。
Stata可以轻松生成出版品质，风格独特的图形。
您可以指向并单击以创建自定义图形。或者，您可以编写脚本以可重现的方式生成数百或数千个图形。将图形导出为EPS或TIFF进行发布，导出为PNG或SVG进行Web导出，或者导出为PDF进行查看。使用集成的Graph Editor，您可以单击以更改有关图形的任何内容或添加标题，注释，线条，箭头和文本。
自动报告结果所需的所有工具 。
动态Markdown文档
创建Word文档
创建PDF文档
创建Excel文件
可定制的表格
图形方案
Word，HTML，PDF，SVG，PNG
很多人谈论可重复的研究。
Stata 已经致力于它超过40年。
我们不断添加新功能; 我们甚至从根本上改变了语言元素。不管。Stata 是唯一具有集成版本控制的统计软件包。如果你在1985年编写了一个脚本来执行分析，那么同样的脚本仍然可以运行，并且今天仍会产生相同的结果。您在1985年创建的任何数据集，今天都可以阅读。在2050年也是如此.Stata 将能够运行你今天所做的任何事情。
以交互方式调用Python或将Python嵌入到您的Stata代码中。
从Python调用Stata并从IPython环境调用Stata代码。
在Jupyter Notebook中使用Stata。
在Stata和Python之间无缝传递数据和结果。
从Python内部使用Stata分析。
在Stata中使用任何Python包
Matplotlib和Seaborn进行可视化
美丽的汤和Scrapy用于网页抓取
NumPy和熊猫进行数值分析
TensorFlow和scikit-learn用于机器学习
以及更多
我们的每个数据管理功能都经过充分解释和记录，并在实际示例中显示。每个估算器都有完整的文档记录，包括几个关于实际数据的示例，以及如何解释结果的真实讨论。这些示例为您提供数据，以便您可以在 Stata 中工作甚至扩展分析。我们为您提供每个功能的快速入门，展示一些最常见的用途。想要更多细节？我们的方法和公式部分提供了计算内容的具体信息，我们的参考文献为您提供了更多信息。 Stata 是一个很大的包，所以有很多文档 - 超过19,000页，共36卷。但不要担心，键入 help ，Stata 将搜索其关键字，索引，甚至社区提供的包，为您带来您需要了解的主题。一切都在Stata内可用。
我们不仅编程统计方法，还对它们进行验证。
您从 Stata 估算器看到的结果取决于与其他估算器的比较，一致性和覆盖率的蒙特卡洛模拟以及我们的统计人员进行的广泛测试。我们运送的每一个Stata都通过了一套认证套件 ，其中包括410万行测试代码，可产生600万行输出。我们对600万行输出中的每个数字和一段文本进行认证。
Stata 的所有功能都可以通过 菜单，对话框，控制面板，数据编辑器，变量管理器，图形编辑器甚至 SEM 图形生成器来访问。您可以通过任何分析指向并单击您的方式。
如果您不想编写命令和脚本，则不必这样做。
即使您指向并单击，也可以记录所有结果，然后将其包含在报告中。您甚至可以保存您的操作创建的命令，并在以后重现您的完整分析。
Stata 执行任务的命令直观易学。更好的是，您从执行任务中学到的所有知识都可以应用于其他任务。例如，您只需在任何命令中添加“ gender =“ =” female“，即可将分析范围限制为样本中的女性。您只需将 vce（robust）添加到任何估计量中，即可获得对许多常见假设都具有鲁棒性的标准误差和假设检验。
一致性更加深入。您从数据管理命令中学到的知识通常适用于估算命令，反之亦然。还有一整套后估计命令，用于执行假设检验，形成线性和非线性组合，进行预测，形成对比，甚至使用交互作用图执行边际分析。在几乎每个估算器之后，这些命令都以相同的方式工作。
排序命令以读取和清除数据，然后执行统计测试和估计，最后报告结果是可重复研究的核心。Stata 使所有研究人员都可以访问此过程。
每个人都有他们一直在做的任务 - 创建特定类型的变量，生成特定的表，执行一系列统计步骤，计算 RMSE 等。可能性是无穷无尽的。Stata 有数千个内置程序，但可能拥有相对独特的任务或者您希望以特定方式完成的任务。
如果您编写了一个脚本来执行给定数据集上的任务，则可以轻松地将该脚本转换为可用于所有数据集，任何变量集以及任何观察集的内容。
自动化的一些内容可能非常实用。只需一点代码，就可以将自动化脚本转换为 Stata 命令。支持 Stata 官方命令支持的标准功能的命令。可以与使用官方命令相同的方式使用的命令。
Stata 还包括一种高级编程语言-Mata。
Mata 具有您期望在编程语言中使用的结构，指针和类，并为矩阵编程添加了直接支持。
Mata 既是一个用于操作矩阵的交互式环境，也是一个可以生成编译和优化代码的完整开发环境。它包括处理面板数据的特殊功能，对实际或复杂矩阵执行操作，为面向对象编程提供全面支持，并与 Stata 的各个方面完全集成。
充分利用您的多核计算机。
没有其他统计软件可以与之匹敌。
以最快的速度享受 Stata 19的新功能。
Stata 将在 Windows，Mac 和 Linux / Unix 计算机上运行；但是，我们的许可证不是特定于平台的。
这意味着，如果您有一台 Mac 笔记本电脑和 Windows 台式机，则不需要两个单独的许可证即可运行Stata。您可以在任何受支持的平台上安装 Stata 许可证。Stata 数据集，程序和其他数据可以在不进行翻译的情况下跨平台共享。您还可以快速轻松地从其他统计数据包，电子表格和数据库中导入数据集。
Stata/MP, Stata/SE, Stata/BE 三个版本
Stata/MP : 最快的 Stata 版本（四核，双核和多核/多处理器计算机），可以分析最大的数据集。
Stata/SE : 标准版； 对于更大的数据集。
Stata/BE : 基础版； 用于中型数据集。
Stata/SE 和 Stata/BE 的区别仅在于每个数据集可以分析的数据集大小不同。与 Stata/BE（最多798个）相比，Stata/SE（最多10,998个）和 Stata/MP（最多65,532个）可以拟合具有更多自变量的模型。Stata/SE 最多可以分析20亿个观测值。
Stata/BE 允许具有多达2,048个变量和20亿个观测值的数据集。一个模型中的 Stata/BE 最多可包含798个独立变量。
Stata/MP 是最快，最大的 Stata 版本。实际上，当前任何一台计算机都可以利用 Stata/MP 的高级多处理功能。这包括Intel i3, i5, i7, i9, Xeon, Celeron, and AMD multi-core chips。在双核芯片上，根据耗时的估算命令，Stata/MP的总体运行速度提高40％，在重要的位置运行速度提高72％。Stata / MP具有两个以上的内核或处理器，速度甚至更快。
Stata MP，Stata/SE和Stata/BE均可在任何计算机上运行，但Stata/MP的运行速度更快。您可以购买Stata/MP许可证，最多可获取计算机上的内核数量（最多64个）。例如，如果您的计算机具有八个核心，则可以为八个核心，四个核心或两个核心购买Stata/MP许可证。
Stata/MP还可以分析比其他任何版本的Stata更多的数据。如果使用当前最大的计算机，Stata/MP可以分析100到200亿个观测值，并且一旦计算机硬件赶上来，就可以分析多达1万亿个观测值。
在执行计算密集型估计程序时，速度通常是最关键的。包括线性回归在内的一些 Stata 估计程序几乎是完全并行的，这意味着它们在两个内核上的运行速度是原来的两倍，在四个内核上的运行速度是原来的四倍，在八个内核上的运行速度是其八倍，等等。一些估计命令可以比其他命令更多地并行化。以中位数计算，估计命令在 2 核上的运行速度快 1.7 倍，在 4 核上快 2.6 倍，在 8 核上快 3.4 倍。
在管理大型数据集时，速度也很重要。添加新变量几乎可实现 100% 并行计算，而排序时的并行计算可到达 61% 。
| Product features |
|
|
|
||||
| (Basic Edition) | (Standard Edition) |
|
|||||
|
Up to 2,048 variables | Up to 32,767 variables | Up to 120,000 variables | ||||
|
2.14 billion | 2.14 billion | Up to 20 billion | ||||
|
Fast | Fast |
|
||||
|
20 seconds | 20 seconds |
|
||||
|
798 | 10,998 | 65,532 | ||||
|
 |
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
|
|
|
||||
|
1 GB | 2 GB |
|
||||
|
4 GB | 4 GB |
|
|
点击列表链接查看视频功能演示 |
|
|
Lasso｜套索估计量 Reproducible reporting｜研究报告的可重复性 Meta-Analysis｜元分析 Choice Models｜选择模型 Python Integration｜Python集成 Bayes—multiple chains, more｜贝叶斯分析新功能 Panel-data ERMs｜面板数据ERM Import Data from SAS and SPSS ｜从SAS和SPSS导入数据 Nonparametric series regression ｜非参数序列回归 Frames — multiple datasets in memory｜帧-内存中的多个数据集 Panel-data mixed logit | 面板数据 |
Nonlinear DSGE models｜非线性 DSGE 模型 Multiple-group IRT | 多组IRT xtheckman｜xtheckman新命令 NLMEMs with lags: PK models | PK模型 Heteroskedastic ordered probit | 异方差有序概率 Point sizes for graphics | 图形 Numerical integration Linear programming | 线性回归 Mac interface | Mac介面 Do-file Editor autocompletion ｜do 文件编辑器 Sample-size analysis for CIs |
| 功能名称 | 功能介绍 |
|
线性模型 (Linear models) |
regression • censored outcomes • endogenous regressors • bootstrap, jackknife, and robust and cluster–robust variance • instrumental variables • three-stage least squares • constraints • quantile regression • GLS • DID • more |
|
面板/纵向数据 (Panel/longitudinal 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 • instrumental variables • DID • panel unit-root tests • more |
|
多级混合效应模型 (Multilevel mixed-effects models) |
continuous, binary, count, and survival outcomes • two-, three-, and higher-level models • generalized linear models • nonlinear models • random intercepts • random slopes • crossed random effects • BLUPs of effects and fitted values • hierarchical models • residual error structures • DDF adjustments • support for survey data • more |
|
二进制、计数和有限结果 (Binary, count, and limited outcomes) |
logistic, probit, tobit • Poisson and negative binomial • conditional, multinomial, nested, ordered, rank-ordered, and stereotype logistic • multinomial probit • zero-inflated and left-truncated models • selection models • marginal effects • more |
|
选择模型 (Choice models) |
discrete choice • rank-ordered alternatives • conditional logit • multinomial probit • nested logit • mixed logit • panel data • case-specific and alternative-specific predictors • interpret results—expected probabilities, covariate effects, comparisons across alternatives • more |
|
扩展回归模型（ERMs） (Extended regression models (ERMs)) |
endogenous covariates • sample selection • nonrandom treatment • panel data • account for problems alone or in combination • continuous, interval-censored, binary, and ordinal outcomes • more |
|
广义线性模型（GLMs） (Generalized linear models (GLMs)) |
ten link functions • user-defined links • seven distributions • ML and IRLS estimation • nine variance estimators • seven residuals • more |
|
有限混合模型（FMMs） (Finite mixture models (FMMs)) |
fmm: prefix for 17 estimators • mixtures of a single estimator • mixtures combining multiple estimators or distributions • continuous, binary, count, ordinal, categorical, censored, truncated, and survival outcomes • more |
|
空间自回归模型 (Spatial autoregressive models) |
spatial lags of dependent variable, independent variables, and autoregressive errors • fixed and random effects in panel data • endogenous covariates • analyze spillover effects • more |
|
方差分析/多变量方差分析 (ANOVA/MANOVA) |
balanced and unbalanced designs • factorial, nested, and mixed designs • repeated measures • marginal means • contrasts • more |
|
精确统计 (Exact statistics) |
standardization of rates • case–control • cohort • matched case–control • Mantel–Haenszel • pharmacokinetics • ROC analysis • ICD-10 • more |
|
流行病学 (Epidemiology) |
standardization of rates • case–control • cohort • matched case–control • Mantel–Haenszel • pharmacokinetics • ROC analysis • ICD-10 • more |
|
动态随机一般均衡模型 (DSGE models) |
specify models algebraically • solve models • estimate parameters • identification diagnostics • policy and transition matrices • IRFs • dynamic forecasts • Bayesian • more |
|
测试、预测和结果 (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 • more |
|
差异、成对比较和差数 (Contrasts, pairwise comparisons, and margins) |
compare means, intercepts, or slopes • compare with reference category, adjacent category, grand mean, etc. • orthogonal polynomials • multiple-comparison adjustments • graph estimated means and contrasts • interaction plots • more |
|
再抽样及模拟方法 (Resampling and simulation methods) |
bootstrap • jackknife • Monte Carlo simulation • permutation tests • exact p-values • more |
|
多变量方法 (Multivariate methods) |
factor analysis • principal components • discriminant analysis • rotation • multidimensional scaling • Procrustean analysis • correspondence analysis • biplots • dendrograms • user-extensible analyses • more |
|
时间序列 (Time series) |
ARIMA • ARFIMA • ARCH/GARCH • VAR • VECM • multivariate GARCH • unobserved-components model • dynamic factors • state-space models • Markov-switching models • business calendars • tests for structural breaks • threshold regression • forecasts • impulse–response functions • unit-root tests • filters and smoothers • rolling and recursive estimation • Bayesian • more |
|
生存分析 (Survival analysis) |
Kaplan–Meier and Nelson–Aalen estimators, • Cox regression (frailty) • parametric models (frailty, random effects) • competing risks • hazards • time-varying covariates • left-, right-, and interval-censoring • Weibull, exponential, and Gompertz models • more |
|
贝叶斯分析 (Bayesian analysis) |
thousands of built-in models • univariate and multivariate models • linear and nonlinear models • panel data • multilevel models • VAR • DSGE • continuous, binary, ordinal, and count outcomes • bayes: prefix for 58 estimation commands • continuous univariate, multivariate, and discrete priors • add your own models • multiple chains • convergence diagnostics • posterior summaries • hypothesis testing • model fit • model comparison • predictions • dynamic forecast • impulse-response functions • more |
|
元分析 (Meta-analysis) |
effect sizes • common, fixed, and random effects • forest, funnel, and more plots • subgroup, leave-one-out, and cumulative analysis • meta-regression • small-study effects • publication bias • multivariate • more |
|
功效、精度和样本大小 (Power, precision, and sample size) |
power • sample size • effect size • minimum detectable effect • CI width • means • proportions • variances • correlations • ANOVA • regression • cluster randomized designs • case–control studies • cohort studies • contingency tables • survival analysis • balanced or unbalanced designs • results in tables or graphs • more |
|
治疗效果/因果推断 (Treatment effects/Causal inference) |
inverse probability weight (IPW) • doubly robust methods • propensity-score matching • regression adjustment • covariate matching • DID • multilevel treatments • endogenous treatments • average treatment effects (ATEs) • ATEs on the treated (ATETs) • potential-outcome means (POMs) • continuous, binary, count, fractional, and survival outcomes • panel data • lasso • more |
|
Lasso回归模型 (Lasso) |
lasso • elastic net • model selection • prediction • inference • continuous, binary, and count outcomes • cross-validation • adaptive lasso • double selection • partialing out • cross-fit partialing out • double machine learning • endogenous covariates • treatment effects • more |
|
结构方程模型（SEM） (SEM (structural equation modeling)) |
graphical path diagram builder • standardized and unstandardized estimates • modification indices • direct and indirect effects • continuous, binary, count, ordinal, and survival outcomes • multilevel models • random slopes and intercepts • factor scores, empirical Bayes, and other predictions • groups and tests of invariance • goodness of fit • handles MAR data by FIML • correlated data • survey data • more |
|
潜伏组分析 (Latent class analysis) |
binary, ordinal, continuous, count, categorical, fractional, and survival items • add covariates to model class membership • combine with SEM path models • expected class proportions • goodness of fit • predictions of class membership • more |
|
多重估算 (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 • more |
|
调查方法 (Survey methods) |
multistage designs • bootstrap, BRR, jackknife, linearized, and SDR variance estimation • poststratification • raking • calibration • DEFF • predictive margins • means, proportions, ratios, totals • summary tables • almost all estimators supported • more |
|
聚类分析 (Cluster analysis) |
hierarchical clustering • kmeans and kmedian nonhierarchical clustering • dendrograms • stopping rules • user-extensible analyses • more |
|
项目反应理论（IRT） (IRT (item response theory)) |
binary (1PL, 2PL, 3PL), ordinal, and categorical response models • item characteristic curves • test characteristic curves • item information functions • test information functions • multiple-group models • differential item functioning (DIF) • more |
|
网络分析 (Network analysis) |
nwcommands: import and manipulate networks • generate networks • calculate centrality and dissimilarity measures • visualize networks • more |
|
数据[资料]管理 (Data manipulation) |
data transformations • data frames • match-merge • import/export data • JDBC • ODBC • SQL • Unicode • by-group processing • append files • sort • row–column transposition • labeling • save results • more |
|
报表 (Reporting) |
reproducible reports • customizable tables • graphical tables builder • Word • Excel • PDF • HTML • dynamic documents • Markdown • Stata results and graphs • SVG • EPS • PNG • TIF • more |
|
绘图 (Graphics) |
lines • bars • areas • ranges • contours • confidence intervals • interaction plots • survival plots • publication quality • customize anything • Graph Editor • more |
|
编程特点 (Programming features) |
adding new commands • scripting • object-oriented programming • menu and dialog-box programming • dynamic documents • Markdown • Project Manager • Python integration • PyStata • Jupyter notebook • Java integration • Java plugins • H2O access • C/C++ plugins • more |
|
矩阵编程 Mata—Stata重要编程语言 (Mata—Stata's serious programming language) |
interactive sessions • large-scale development projects • optimization • matrix inversions • decompositions • eigenvalues and eigenvectors • LAPACK engine • Intel® MKL • real and complex numbers • string matrices • interface to Stata datasets and matrices • numerical derivatives • object-oriented programming • more |
|
图形用户界面 (Graphical user interface) |
menus and dialogs for all features • Data Editor • Variables Manager • Graph Editor • Project Manager • Do-file Editor • multiple preference sets • more |
|
参考资料 (Documentation) |
35 manuals • 18,000+ pages • seamless navigation • thousands of worked examples • quick starts • methods and formulas • references • more |
|
基本统计 (Basic statistics) |
summaries • cross-tabulations • correlations • z and t tests • equality-of-variance tests • tests of proportions • confidence intervals • factor variables • more |
|
非参数方法 (Nonparametric methods) |
nonparametric regression • Wilcoxon–Mann–Whitney, Wilcoxon signed ranks, and Kruskal–Wallis tests • Cochran–Armitage and other trend tests • Spearman and Kendall correlations • Kolmogorov–Smirnov tests • exact binomial CIs • survival data • ROC analysis • smoothing • bootstrapping • more |
|
GMM与非线性回归 (GMM and nonlinear regression) |
generalized method of moments (GMM) • nonlinear regression • more |
|
简单最大概似法 (Simple maximum likelihood) |
specify likelihood using simple expressions • no programming required • survey data • standard, robust, bootstrap, and jackknife SEs • matrix estimators • more |
|
可编程最大概似法 (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 • more |
|
其他统计方法 (Other statistical methods) |
kappa measure of interrater agreement • Cronbach's alpha • stepwise regression • tests of normality • more |
|
函数 (Functions) |
statistical • random-number • mathematical • string • date and time • regular expressions • Unicode • more |
|
互联网功能 (Internet capabilities) |
search and download thousands of community-contributed features (see below) • web updating • web file sharing • latest Stata news • more |
|
网络社区功能 (Community-contributed features) |
search and download thousands of free additions • discover new features in the Stata Journal • share commands by posting to the SSC • discuss community-contributed features on Statalist • more |
|
嵌入式统计计算 (Embedded statistical computations) |
Numerics by Stata • more |
|
安装验证 (Installation Qualification) |
IQ report for regulatory agencies such as the FDA • installation verification • more |
|
FDA规则 (FDA Compliance) |
Adherence to FDA regulatory requirement for statistical software • more |
|
无障碍访问 (Accessibility) |
Section 508 compliance, accessibility for persons with disabilities • more |
|
样本范例 (Sample session) |
A sample session of Stata for Mac, Unix, or Windows. |
1. 表格 （Tables）
用户一直希望我们提供更完美的表格，现在您可以很容易地创建比较回归结果或汇总统计数据的表格，您可以创建样式并将其应用于您构建的任何表，还可以将表导出到MS Word®, PDF, HTML, LaTeX, MS Excel®, 并将它们插入到报告中。新版本修改了table命令，新的 collective 前缀可以从任意多个命令收集任意多的结果，生成表格，并将其导出为多种格式等。您还可以使用新的Tables Builder来单击并创建表格。
2. 贝叶斯计量经济学
Stata能进行计量经济学，也能进行贝叶斯统计，现在Stata能够进行贝叶斯计量经济学！想要用概率性的陈述来回答经济问题，例如：那些参加职业培训项目的人在未来五年里更有可能保持就业吗?想把对经济过程的先验知识结合起来吗？Stata新推出的贝叶斯计量经济学功能可以帮到您。适合许多贝叶斯模型，如横截面模型、面板数据模型、多层模型和时间序列模型。使用贝叶斯因子比较模型，获取更多预测和展望！
在计量经济学建模中使用贝叶斯方法的吸引力之一是将关于通常在实践中可用的模型参数的外部信息纳入其中。这些信息可能来自历史数据，也可能自然来自经济过程的知识。无论哪种方式，贝叶斯方法都可以使我们将外部信息与我们在当前数据中观察到的信息结合起来，以形成对感兴趣的经济过程的更现实的看法。
Stata 17 在贝叶斯计量经济学领域提供了几个新功能：
> Bayesian VAR models /贝叶斯VAR模型
> Bayesian IRF and FEVD analysis /贝叶斯IRF和FEVD分析
> Bayesian dynamic forecasting /贝叶斯动态预测
> Bayesian longitudinal/panel-data models /贝叶斯纵向/面板数据模型
> Bayesian linear and nonlinear DSGE models /贝叶斯线性与非线性DSGE模型
3. 更快的Stata
4. 双重差分（DID）和DDD模型
新的估计命令didregress和xtdidregress具有使用重复测量数据拟合双重差分（DID）模型和三重差分（DDD）模型。 didregress适用于重复横截面数据，xtdidregress适用于纵向/面板数据。
采用DID和DDD模型，用重复测量数据估计平均治疗效果(ATET）。 治疗效果可以是药物方案对血压的影响，也可以是培训计划对就业的影响。 与现有的teffects命令可用的标准横截面分析不同，DID分析可控制估计ATET时的组和时间效应，组可在其中识别重复的度量。DDD分析控件可控制其他组效果及其与时间的相互作用——您最多可以指定三个组变量或两个组变量和一个时间变量。
5. 区间删失Cox模型
半参数Cox比例风险回归模型通常用于分析未删失和右删失的事件时间数据。 新的估计命令stintcox可使用Cox模型，来估计删失事件时间数据。当未直接观察到发生某个事件（例如癌症复发）的时间，但已知该时间间隔在某个时间间隔内时，便会进行时间间隔检查。例如，可以在定期检查之间检测到癌症的复发，但是无法观察到确切的复发时间。我们只知道在先前检查和当前检查之间的某个时间复发了癌症。忽略区间删失可能会导致错误的结果（有偏差的）。
当没有完全指定基线风险函数时，对区间删失事件时间数据进行半参数估计是一项挑战，因为没有一个事件时间是被精确地观测到的。
因此，这些数据的“半参数”建模通常采用样条方法或分段指数模型作为基线风险函数。直到最近的方法学进展（在stintcox命令中实现）之后，才提供真正的区间删失事件时间数据的半参数建模。
6. 多维元分析
您想分析多项研究的结果。这些研究报告了多个效应量，这些效应量很可能在一项研究中相互关联。单独的meta分析（例如使用现有meta命令的那些meta分析）将忽略相关性。现在，您可以使用新的meta mvregress命令执行多维元分析，这将解释相关性。
7. 贝叶斯VAR模型
贝叶斯前缀现在支持var命令以拟合贝叶斯矢量自回归（VAR）模型。VAR模型通过将结果变量的滞后时间作为模型预测变量来研究多个时间序列之间的关系。已知这些模型具有许多参数：对于K个结果变量和标记，至少存在p（K ^ 2 + \ nn1）个参数。对模型参数的可靠估计可能会遇到挑战，尤其是在使用小型数据集的情况下。贝叶斯VAR模型通过整合有关模型参数的先验信息来稳定参数估计，从而克服了这些挑战。
8. PyStata
Stata 17引入了一个我们称之为PyStata的概念。PyStata是一个涵盖了Stata和Python可以交互的所有方式的术语。
Stata 16具有从Stata调用Python代码的功能。Stata 17允许您通过一个新的pystata Python包从一个独立的Python环境中调用Stata，从而极大地扩展了此功能。您可以在基于IPython内核的环境（例如Jupyter Notebook和控制台以及Jupyter Lab和控制台）中方便地访问Stata和Mata。
在其他支持IPython内核的环境中（例如，Spyder IDE和PyCharm IDE）；或从命令行访问Python（例如Windows命令提示符，macOS终端，Unix终端和Python的IDLE）时。
9. Lasso治疗效果评估
您可以使用teffects 来估计治疗效果。您可以使用Lasso来控制许多协变量。（当我们说“很多”时，可以理解为成百上千甚至更多！）现在，您可以使用telasso来估计治疗效果并控制许多协变量。
10. Galbraith图
新命令meta galbraithplot生成Galbraith图以进行元分析。这些图可用于评估研究的异质性和检测潜在的异常值。当有许多研究时，它们还可以用作森林图forest plots的替代方案，以总结元分析结果。
11. 留一元分析
现在，您可以通过使用meta summarize和meta forestplot的新选项leaoneout来执行留一元分析。留一元分析通过在每次分析中排除一项研究来执行多种元分析。研究通常会产生夸大的效应大小，这可能会扭曲整体结果。留一元分析可用于研究每项研究对总体效应量估计的影响，并确定有影响力的研究。
12. 贝叶斯纵向/面板模型
通过使用xtreg表示连续结果，xtlogit或xtprobit表示二进制结果，xtologit或xtoprobit表示序数结果等，可以拟合随机效应面板数据模型。在Stata 17中，您可以简单地通过在它们前面加上Bayes前缀来拟合这些模型的Bayesian版本。
13. 面板多项逻辑模型
Stata的新估计命令xtmlogit可使用面板多项逻辑（MNL）模型，以对随时间推移观察到的分类结果进行分类。假设我们手机了几个星期关于个人对餐馆选择的数据。餐馆的选择是没有自然排序的分类结果，因此我们可以使用现有的mlogit命令（带有聚类稳健的标准误）。但是xtmlogit直接对单个特征建模，因此可能会产生更有效的结果。并且它可以很好地解释可能与协变量相关的特征。
14. 零膨胀排序逻辑模型
新的估计命令ziologit适合零膨胀排序逻辑回归模型。这个模型是在当数据在最低类别中的观测值比例高于标准有序逻辑模型的预期值时使用的。我们将最低类别中的观测值称为零，因为它们通常对应于某一行为或特征的缺失。零膨胀是通过假设零同时来自逻辑模型和有序逻辑模型来解释的。每个模型可以具有不同的协变量，并且结果可以显示为优势比而不是默认系数。
15. 贝叶斯多层次模型：非线性、联合、类SEM等
您可以使用bayesmh命令的新的精美随机效果语法来拟合贝叶斯多级模型的广度。您可以更轻松地拟合单变量线性和非线性多级模型。现在，您可以拟合多元线性和非线性多级模型！考虑增长线性和非线性多级模型，联合纵向和生存时间模型，SEM型模型等等。
16. 贝叶斯动态预测
在拟合多元时间序列模型（例如向量自回归（VAR）模型）之外，动态预测是一种常见的预测工具。拟合经典var模型后，可以使用fcast计算动态预测。 使用bayes：var拟合贝叶斯var模型后，现在可以使用bayesfcast 来计算贝叶斯动态预测。贝叶斯动态预测会生成整个预测值样本，而不是像传统分析中那样生成单个预测。该样本可用于解答各种建模问题，例如，在估计预测不确定性时，在不做出渐近正态性假设的前提下，该模型对未来观测的预测程度如何。这对于可能会出现渐近正态性假设的小型数据集尤其有吸引力。
17. 贝叶斯IRF与FEVD分析
脉冲响应函数（IRF），动态乘数函数和预测误差方差分解（FEVD）通常用于描述多元时间序列模型（例如VAR模型）的结果。VAR模型具有许多参数，可能难以逐个解释。 IRFs和其他函数将多个参数的影响合并为一个摘要（每个时间段）。例如，IRFs测量一个变量对给定结果变量的冲击（变化）的影响。贝叶斯IRFs（和其他函数）使用IRFs的“精确”后验分布产生结果，这不依赖于渐近正态性的假设。它们还可以为小型数据集提供更稳定的估计，因为它们合并了有关模型参数的先验信息。
18. 使用 BIC 选择Lasso惩罚参数
惩罚参数的选择是lasso分析的基础。套用少量的惩罚可能会包含太多变量。套用较大的惩罚可能会忽略潜在的重要变量。lasso估计已经提供了几种惩罚选择方法，包括交叉验证，自适应和插件。现在，您可以使用贝叶斯信息准则（BIC）通过指定selection（bic）选项在Lasso进行预测和Lasso进行推理之后选择惩罚参数。同样，在拟合Lasso模型后，新的后估计命令bicplot将BIC值绘制为惩罚参数的函数。这为惩罚参数的值提供了方便的图形表示形式，从而使BIC功能最小化。
19. lasso聚类数据
现在，您可以在Lasso分析中解释集群数据。忽略聚类可能会导致错误结果，因为同一聚类中的观测值之间存在相关性。使用Lasso命令进行Lasso和Elasticnet等预测，您可以指定新的cluster（{\ it clustvar}）选项。使用Lasso命令进行推断（例如：poregress），您可以指定新的vce（cluster {\ it clustvar}）选项。
20. 贝叶斯线性和非线性DSGE模型
现在，可以通过在dsge和dsgenl前面加上前缀Bayes：来拟合贝叶斯线性和非线性动态随机一般均衡（DSGE）模型。通过从30多种不同的先验分布中进行选择，合并有关模型参数范围的信息。执行贝叶斯IRF分析，执行区间假设检验，使用贝叶斯因子比较模型等等。
21. Jupyter Notebook与Stata
Jupyter Notebook是一个功能强大且易于使用的Web应用程序，它允许您将在单个文档（“笔记本”）中将可执行代码、可视化、数学方程式和公式、叙述文本以及其他富媒体组合在一起，以进行交互式计算和开发。 它已被研究人员和科学家广泛使用，以分享他们的想法和成果，进行协作和创新。
在Stata 17中，作为PyStat的一部分，您可以使用IPython（交互式Python）内核从Jupyter Notebook调用Stata和Mata。这意味着您可以在一个环境中结合使用Python和Stata的功能，以使您的工作易于复制和与他人共享。
从Jupyter Notebook调用Stata是由新的pystata Python软件包驱动的。
22. 日期和时间的新功能
Stata 17增加了新的便利功能，用于处理Stata和Mata中的日期和时间。 新功能可以分为三类：
1.Datetime持续时间：旨在获取持续时间的函数（例如ages）。
2.相对日期：基于其他日期返回日期的函数，例如相对于给定日期的下一个生日。
3.Datetime组件：从日期时间值中提取不同成分的函数。
新功能将闰年，闰日和闰秒（如果适用的话）考虑在内。
闰秒是一秒的调整，偶尔会应用于协调世界时（UTC）。
23. Intel数学内核库(MKL)
Stata 17引入了在兼容硬件（所有基于Intel和AMD的64位计算机）上使用Intel Math Kernel Library（MKL）的方法，并提供了深度优化的LAPACK例程。
LAPACK是线性代数包的缩写，它是一套用于求解联立方程组、特征值问题和奇值问题等的程序。Mata运算符和函数(如qrd()、lud()和cholesky())在可能的情况下利用LAPACK进行许多数值操作。
由英特尔MKL支持的LAPACK提供了最新的LAPACK例程，这些例程针对现代Intel和现代AMD处理器使用的64位Intel x86-64指令集进行了优化。使用MKL的Mata函数和运算符在性能方面大有裨益。最重要的是，您无需采取任何措施即可充分利用速度的提高。使用这些Mata函数和运算符的Stata命令以及Mata函数和运算符本身，将在兼容硬件上自动使用Intel MKL。
24. Stata on Apple Silicon
Stata 17 for Mac是一款通用应用程序，可以在Apple Silicon和Intel处理器的Mac上运行。采用Apple Silicon的Mac电脑包括新款MacBook Air、MacBook Pro和Mac mini，均采用M1处理器。M1芯片承诺有更高的性能和更大的功能效率。这对于我们的Stata-for-Mac用户来说是值得注意的，他们中的许多人使用Mac笔记本电脑。
虽然第一套M1 mac被认为是入门级的，但我们发现，本机运行Stata的M1 mac比英特尔mac的性能要好30-35%。它们的性能甚至远远超过价格超过两倍的Intel Mac！对于只坚持在其Apple Silicon Mac上使用Apple-Siliconnative软件的用户，从安装程序到应用程序本身，Stata 17的任何部分都不需要用到Rosetta 2。
无论您是在M1 Mac上还是在Intel Mac上本地运行Stata，Stata的功能都相同，并且M1 Mac不需要特殊的许可证。英特尔Mac用户应注意，未来几年，我们将继续支持并发布适用于英特尔处理器的Mac的新版本Stata。
25. JDBC
将Stata与数据库连接变得更加容易了。Stata 17添加了对JDBC（Java数据库连接）的支持。 新的jdbc命令支持JDBC标准，用于与具有矩形数据的关系数据库或非关系数据库管理系统交换数据。您可以从一些最受欢迎的数据库供应商中导入数据，例如Oracle，MySQL，Amazon Redshift，Snowflake，Microsoft SQL Server等。
jdbc的优点在于它是一个跨平台的解决方案，因此我们的JDBC设置适用于Windows，Mac和Unix系统。如果您的数据库供应商提供了JDBC驱动程序，则可以下载并安装该驱动程序，然后通过jdbc在数据库上读取，写入和执行SQL。 您可以将整个数据库表加载到Stata中，也可以使用SQL SELECT将表中的特定列加载到Stata中。您还可以将所有变量插入数据库表中，或仅插入数据集的子集。
26. Java集成
在Stata 17中，您现在可以直接在Stata中嵌入和执行Java代码。您可以在以前的Stata版本中创建和使用Java插件，但这需要您编译代码并将其打包到Jar文件中。在do文件中执行Java可以让您自由地执行直接与Stata代码绑定的Java代码。现在，您可以在do-file或ado-file中编写Java代码，甚至可以从Stata中交互式地调用Java(如JShell)。
Java的优势之一在于与Java虚拟机打包在一起的广泛的APIs。还有许多有用的第三方库。根据您需要执行的操作，您甚至可以编写并行代码以利用多核运算。您编写的Java代码可以即时编译，无需使用外部编译器！此外，还包括Stata函数接口（SFI）Java软件包，提供了Stata与Java之间的双向连接。
SFI包具有访问Stata当前数据集，帧，宏，标量，矩阵，值标签，特征，全局Mata矩阵，日期和时间值等的类。Stata将Java开发工具包（JDK）与其安装捆绑在一起，因此不涉及其他设置。
27. H2O集成
在Stata 17中，我们一直在尝试连接H2O，H2O是一种可扩展的分布式开源机器学习和预测分析平台。您可以在https://docs.h2o.ai/上了解有关H2O的更多信息。
借助H2O的集成，您可以从Stata上启动，连接和查询H2O集群。此外，我们提供了一组命令来处理集群上的数据（H2O帧）。例如，您可以通过导入数据文件或加载Stata的当前数据集来创建新的H2O框架。您还可以在Stata内部拆分，组合和查询H2O帧。尽管对于我们来说，这仍处于试验阶段，但我们希望将其提供给我们的用户进行试用。
另一方面，由于它是实验性功能，因此语法和功能可能会发生变化。使用提供对H2O特定功能的访问的Stata命令时，请记住这是H2O功能。尽管您可能通过Stata命令访问它，但它的工作取决于H2O，并且不在Stata范围内。
28. do文件编辑器：导航，增强书签…
Stata 17中的“文件”编辑器进行了以下改进：
1. 书签：现在与do文件一起保存。
2. 新的导航控件：可以轻松浏览do文件。
3. 语法高亮显示支持现已包括Java和XML。
4. 选区中引号，括号和方括号的自动补全。 例如，选择文本mymacro，然后输入左引号`;。 然后，文件编辑器将用单引号将文本选择绑定，将选择更改为“ mymacro”。
书签：do文件编辑器最需要的功能之一是能够将书签保存在do文件中。书签用于标记感兴趣的行，以便以后更轻松地导航到它们。书签在浏览长do文件时特别有用。
您可以将书签添加到您的do文件的各个部分，以执行数据管理，显示摘要、统计信息并执行统计分析。然后，您可以使用菜单、工具栏或新的导航控件在这些部分之间快速来回移动，而无需滚动几行代码来查找所需的部分。
导航： Stata 17通过新的导航控件使do文件的导航更加容易，该控件显示书签及其标签的列表。从导航控件中选择一个书签会将“do文件编辑器”移至书签所在的行。除了书签之外，导航控件还将显示do文件中的程序列表。从导航控件中选择一个程序会将“do文件编辑器”移至该程序的释义。无需将其他程序添加到“导航”中。 DO文件编辑器将自动将程序的释义添加到导航控件中。
29. 非参数的趋势检验
现在，nptrend命令支持四种跨有序组的趋势检验。您可以在the Cochran–Armitage test, the Jonckheere–Terpstra test, the linear-by-linear trend test, and the Cuzick test using ranks之间进行选择。前三个检验是新的，而第四个检验由nptrend先前执行。
Lasso
作为大数据Volume的一种重要形式，“高维数据”（high-dimensional data）解释变量很多，甚至超过样本容量。Lasso (Least Absolute Shrinkage and Selection Operator，也称“套索估计量”)及其衍生的系列估计量正是进行高维回归的主要工具。
Lasso系列的官方命令，包括lasso, elasticnet（弹性网）与 sqrtlasso（平方根Lasso），可估计线性回归模型（比如 lasso linear）、二值选择模型（比如，lasso logit 与 lasso probit）、计数模型（比如，lasso poisson）等。
Lasso 系列的估计量通常使用惩罚回归（penalized regressions）来处理高维数据，以避免“过拟合”（overfit）与“方差爆炸”（variance explosion），并进行“变量选择”（variable selection）。这些惩罚回归对于回归系数过大的惩罚力度则一般由调节参数（tuning parameter）或 L1范数（L1 norm）来控制。
使用 Stata 16的Lasso命令，可以很方便地计算回归系数的整个路径（coefficient paths），作为调节参数 或 L1范数的函数；并根据“交叉验证”（cross-validation）选择最优的调节参数 ，参见下图。
Stata 官方命令还提供了 Lasso 系列相应的统计推断方法，比如计算标准误、置信区间，或进行假设检验。这些统计推断方法包括“double-selection lasso”（比如，dsregress，dslogit，dspoisson），“partialling-out lasso”（比如，poregress，pologit，popoisson），以及“cross-fit partialing out lasso”（比如，xporegress，xpologit，xpopoisson）。
Multiple Datasets in Memory
在大数据时代，学界与业界越来越需要在内存中同时处理多个数据集。在此前的 Stata 版本中，Stata 内存只能有一个数据集。这种设置虽简便易行，在小数据时代也基本够用，但在大数据时代，由于数据的来源 Variety 多样，已成为应用的瓶颈。
因此，Stata 适时地推出在内存内同时调用多达100个数据集的重要功能。比如，你可以很方便地根据内存中多个数据集的信息来定义一个新的变量。
Python Integration
随着机器学习与数据科学的兴起，Python 无疑是最炙手可热的编程语言之一。为此，Stata 16 专门提供了一个与 Python 的接口，让用户可以在熟悉的 Stata 界面下调用 Python，并在 Stata 中显示运行结果。
比如，此前的 Stata 版本无法画三维立体图，而在Stata 16中，通过调用Python 的 Matplotlib 则不难实现（参见下图）。
这也意味着，你可以在 Stata 中，通过 Python 接口，使用 Python 所擅长的各种机器学习方法，包括随机森林、梯度提升、支持向量机、神经网络等！
Do-file Editor -- Autocompletion and More Syntax Highlighting
在大数据时代，编程越来越成为一种基本技能。在 Stata 中编程，无疑需要一个很好的 do 文件编辑器（Do-file Editor）。 让人惊喜的是，Stata 的 do 文件编辑器的性能也有了大幅提升，包括 Stata 命令的自动填写完成（autocompletion），以及更多语法高亮显示（syntax highlighting），这无疑将为 Stata 编程提供很大便利。
Meta-Analysis
Stata 提供了全新的 Meta-Analysis 模块，使得元分析变得十分方便、快捷而高效，并辅之以强大的可视化功能（参见下图）。
Reporting
由于大数据的更新频繁特点（Velocity），使得数据分析经常需要重复进行，使用更新的数据。此时，研究报告的可重复性（Reproducibility）就变得日益重要，即保证任何人只要运行你的 Stata 程序即可得到完全一样的研究报告。这些研究报告的格式可以是 Word，PDF，Excel 或 HTML（参见下图）。 随着大数据时代的数据来源 Variety 越来越多，使得我们时常需要将不同来源的样本数据之研究结果整合在一起，即所谓“元分析”（Meta-Analysis）。
而且，当你的数据集更新之后，再运行一遍你的 Stata，则你的研究报告也会相应地自动更新！Stata 16 新引入或完善的相关命令包括 dyndoc，markdown，putdocx，html2docx，doc2pdf。
小贴士：还在发愁如何将 Word 文件转化为 PDF 格式？Stata 16 的 doc2pdf 命令就能帮你搞定！
Import Data from SAS and SPSS
如果你有数据在 SAS 或 SPSS 中，想要导入 Stata 以利用其强大的统计与计量功能，Stata 16 贴心地提供了专门的新命令 import sas 与 import spss，使得这种数据迁移变得十分方便与快捷，参见下图。
Stata 深耕计量经济学的经典与前沿方法
Nonparametric Series Regression
序列回归（series regression）是非参数回归（nonparametric regression）的一种重要方法。它使用多项式（polynomials）、B-样条（B-splines）或样条（splines）所构成的序列来近似逼近任意的未知回归函数。
Stata 推出的命令 npregress series 填补了 Stata 在非参数回归领域的又一空白，使得非参数序列回归变得方便而高效；比如，计算平均边际效应（average marginal effects）。命令 npregress series 甚至可以估计“半参数模型”（semi-parametric model），即同时包含参数与非参数部分的模型。
Choice Models
对于微观计量中常用的“离散选择模型”（discrete choice models），Stata 设立了一个“选择模型”（Choice Models）的模块。在估计选择模型之前，你先通过命令 cmset 来宣布你的数据为选择模型，然后可用命令 cmsummarize，cmchoiceset，cmtab 或 cmsample 来考察你的选择模型。
估计选择模型的相应 Stata 命令也统一带上了 cm 的前缀，比如
cmclogit：conditional logit model
cmmixlogit：mixed logit model
cmxtmixlogit：panel-data mixed logitmodel
cmmprobit：multinomial probitmodel
cmroprobit：rank-ordered probitmodel
cmrologit：rank-ordered logitmodel
其中，cmxtmixlogit 是 Stata 16的全新命令，用于估计面板数据的混合逻辑模型（mixed logit models for panel data）。
Panel-data ERMs
Stata 15 推出了 ERM（Extended Regression Models）模块，可以处理同时出现“内生性”（endogeneity）、“样本选择”（sample selection）与“处理效应”（treatment）这三种并发症的情形，或三者的任意组合，非常灵活实用。Stata 16 则将ERMs 推广到了面板数据中，新引入了xtegress，xteintreg，xteprobit，xteoprobit 等强大命令。
New in Bayesian Analysis
Stata 的“贝叶斯分析”（Bayesian Analysis）模块也有了不少新功能。比如，可使用多个马尔科夫链（multiple chains）来检验现代贝叶斯分析所依赖的马尔科夫链蒙特卡洛（Markov China Monte Carlo）是否收敛；以及使用后验分布（posterior distribution）进行“贝叶斯预测”（Bayesian predictions），参见下图。
Nonlinear DSGE Models
tata 可以通过命令 dsgenl 来估计非线性 DSGE 模型。 使用命令dsgenl，无须再手工将 DSGE 模型线性化，直接输入非线性的 DSGE 模型，Stata 即会自动地对它进行线性化与估计。
xtheckman
xtheckman命令 使得 Heckman 的样本选择模型（sample model）也可以在面板数据中估计。
系统要求
Stata for Windows
Windows 11*
Windows 10 *
Windows Server 2022, 2019, 2016, 2012R2 *
* Stata requires 64-bit Windows for x86-64 processors made by Intel® or AMD (Core i3 equivalent or better)
Stata for Mac
Mac with Apple Silicon or Intel processor (Core i3 or better)
macOS 11.0 (Big Sur) or newer for Macs with Apple Silicon and macOS 10.13 (Sierra) or newer for Macs with 64-bit Intel processors
Stata for Linux
Any 64-bit (Core i3 equivalent or better) running Linux
Minimum requirements include the GNU C library (glibc) 2.17 or better and libcurl4
Check the output of ldd -v within a terminal
For xstata, you need to have GTK 2.24 installed
Hardware requirements
| Package | Memory | Disk space |
| Stata/MP | 4GB | 4GB |
| Stata/SE | 2GB | 4GB |
| Stata/BE | 1GB | 4GB |
Stata for Linux requires a video card that can display thousands of colors or more (16-bit or 24-bit color)
在在世界已迈入大数据新时代的今天，Stata 在高校商科类专业、科研院所以及企业界的应用越来越广泛，已成为各大高校必备的专业软件，随着其用户群体的不断扩大，建立中国用户与 Stata 总部之间的沟通和磋商机制越发成熟。聆听用户的心声，收集业界专家的论点与建议，已成为会议的主旨，无论您是为科研应用之路寻找最佳解决方案， 还是专注 Stata 软件探索与研究，抑或是竭力于提高工作效率的数据处理技能，在 Stata 中国用户大会上，您的需求都能得到前所未有的碰撞与共鸣。故 Stata 中国用户大会（China Stata Users' Conference）由此诞生,由北京友万信息科技有限公司（Beijing Uone Info&Tech Co.,Ltd）和StataCorp LLC原厂联合发起，规划每年举办一届，通过广泛的国际学术交流，帮助 Stata 中国用户探索更深层次的理论和研究。我们希望通过每年一届的 Stata 用户会议，让 Stata 中国用户及学者提高自身软件应用水平，开辟“学中用、用中学”的创新学习模式，打造强有力的学术氛围，帮助中国用户建立完善的软件技术服务体系，形成中国用户之间的技术、经验交流平台。
往届 Stata 中国用户大会资源免费奉送，关注 Stata 的小伙半们抓紧时间领取咯！
2024 年第八届 Stata 中国用户大会将于 8 月 19 日至 20 日在南开大学举办。
计量经济学前沿方法研讨会暨“第八届Stata中国用户大会”即将于金秋八月在南开大学隆重举行。会议将邀请国内外计量经济学领域的TOP级大咖担任主讲嘉宾，为与会者提供一个全面了解计量经济学前沿方法和Stata软件实践应用的平台。大会以“计量经济学的前沿方法与Stata软件的实践应用”为主题，旨在运用跨界思维和方法，推动计量经济学等领域的教育创新与发展。同时，会议还将促进国内外计量经济学领域的交流与合作，在会议期间，您将有难得的机会与来自国内外不同领域的顶尖计量经济学专家、资深的Stata软件专家以及前沿的研发工程师深入交流，共同探讨并分享宝贵的学术见解和实践经验。您将第一时间了解到计量经济学领域的最新发展动态，以及Stata软件新功能和新命令。恰逢StataNow全新发布，邀您与StataNow一起，开启数据分析新篇章！此外，会议还将推出《Stata夏令营活动》，为您提供一个学习使用Stata新方法的绝佳机会。无论您是初学者还是资深用户，都能在这里实现自我突破与科研创新。 在南开大学这座百年学府中，您将感受到浓厚的学术氛围和人文气息。我们诚挚邀请您共襄盛举，与众多专家学者共同交流学习，为推动国内经济学等领域的交叉融合贡献智慧和力量。期待您的到来，共同见证这场学术盛事的成功举办！
2023 年第七届 Stata 中国用户大会于 8 月 13 日至 14 日在哈尔滨商业大学成功举办。为促进高水平商科特色高校建设与经济学等其他学科的交叉融合，会议围绕“东北全面振兴与高水平商科大学建设背景下的经济学实证统计方法”为主题，积极开展跨学科的探索性研究与统计相关的研究。会议以数字经济为背景，运用跨界思维和方法，将新技术、新理念、新模式，新方法融入商科教育。与会领导、专家和来自全国各地的业界学者一起，置身于美丽的哈尔滨，穿过百年中央大街，探访中华巴洛克历史文化街区，漫步美丽松花江畔，享受为期两天的 Stata 会议和交流时光！
| 演讲主题 | 演讲人 |
| 《Stata 18 新功能应用》 | Stata软件开发者 StataCorp LLC |
| 《Heterogeneous difference in differences in Stata》 | 刘 迪 StataCorp LLC |
| 《双重机器学习及Stata应用》 | 陈 强 山东大学 |
| 《Create customizable tables》 | 徐 朝 StataCorp LLC |
| 《Instrumental variables quantile regression》 | 刘 迪 StataCorp LLC |
| 《干预时间序列分析与程序包的比较述评》 | 王群勇 南开大学 |
| 《因果推断中的控制变量：好的和坏的》 | 连玉君 中山大学 |
| 《Fitting spatial stochastic frontier models in Stata》 | 杜克锐 厦门大学 |
| 《Stata与会计研究：资本市场开放与财务报告稳健性》 | 梁上坤 中央财经大学 |
| 《DID安慰剂检验及Stata应用》 | 颜冠鹏 山东财经大学 |
第六届 Stata 中国用户大会于2022年8月19-20日在线盛大召开。您可以与来自各领域顶尖的 Stata 专家及 Stata 研发工程师一起分享有价值的见解及新命令，学习最前沿的科研方法并提高您的 Stata 应用知识。会议同期还将全新推出《Stata大师课》+《Stata公开课》的夏季联学营活动，无论您是初学者还是专家，欢迎加入我们，并利用这一独特的机会来学习使用 Stata 的新方法。
| 演讲主题 | 演讲人 |
| 《Mastering Stata's datetime concepts and functions》 | 彭 华 StataCorp LLC |
| 《动态随机一般均衡模型的贝叶斯估计》 | 王群勇 南开大学 |
| 《合成控制法(SCM)的安慰剂检验、稳健性检验及可视化操作》 | 颜冠鹏 山东大学 |
| 《Stata中的标准误》 | 陈 强 山东大学 |
| 《Creating Custom Estimation Tables》 | 吕 丹 StataCorp LLC |
| 《模型平均化(Model Averaging)及其在经济金融领域的应用》 | 连玉君 中山大学 |
| 《使用网络方法研究经济学问题》 | 神秘嘉宾 |
| 《绿色全要素生产率与高质量发展评估》 | 张 宁 山东大学 |
第五届 Stata 中国用户大会暨“Stata 高级研究方法及新应用研讨会”于2021年8月19-20日盛大召开。聚焦学术前沿，对话学界大咖，多层次解读 Stata 17新应用。StataCorp LLC选派技术总工及开发者出席会议，与国内一线专家共襄盛举，共享 Stata 应用新思路。
| 演讲主题 | 演讲人 |
| 《Stata 17 自定义表格新应用》 | 彭 华 StataCorp LLC |
| 《Global VAR and Bayesian VAR in Stata》 | 王群勇 南开大学 |
| 《回归控制法及Stata应用》 | 颜冠鹏 山东大学 |
| 《分位数控制法及Stata应用》 | 陈 强 山东大学 |
| 《因果推断中的Stata应用》 | 王存同 中央财经大学 |
| 《Fitting Cox proportional hazards model for interval-censored event-time data in Stata》 | 杨 筱 StataCorp LLC |
| 《双边随机边界模型的Stata应用》 | 刘 畅 中山大学学 |
| 《优质稿件 | songbl命令的使用介绍：stata推文与电脑文档的检索》 | 杨景院 深圳大学 |
| 《一个Stata用户的若干思考》 | 连玉君 中山大学 |
| 《合成控制法的Stata应用和前沿研究》 | 陆嘉炫 芝加哥大学 |
| 《Mixed Regression with Macro and Micro Data in Stata》 | 王群勇 南开大学 |
2020年随着新冠疫情的蔓延，全球都投入到积极防控的大潮中，如何高效获取和处理COVID-19数据，必然成为本届会议的热点主题 。第四届“Stata中国用户大会”(China Stata Users' Conference) 将以“新应用+智交互”为主题，力邀国内外行业领袖及学术专家，共同开启全新主题单元。本次会议以线上直播的方式与大家见面，知识碰撞、经验交流、共享Stata应用新思路。
| 演讲主题 | 演讲人 |
| 《使用Stata获取与处理COVID-19数据》 | 彭 华 StataCorp LLC |
| 《Call Stata from Python》 | 徐 朝 StataCorp LLC |
| 《混频回归方法与Stata应用》 | 王群勇 南开大学 |
| 《基于Stata模拟的内生性来源及其应对》 | 陈传波 中国人民大学 |
| 《跨度回归、偏度回归与峰度回归及Stata应用》 | 陈 强 山东大学 |
| 《平滑转换模型与Stata应用》 | 王群勇 南开大学 |
| 《Causal Mediation》 | 金承刚 北京师范大学 |
| 《合成控制法安慰剂检验改进研究——基于标准化处理效应和非拒绝域的统计推断》 | 连玉君 中山大学 |
| 《Measuring technical efficiency and total factor productivity change with undesirable outputs in Stata》 | 王道平 上海财经大学 |
第三届 Stata 中国用户大会暨“机器学习与计量方法应用研讨会”于2019年8月20—21日在上海财经大学盛大召开并取得圆满成功。会议得到了国内外专家学者及众多用户代表的一致肯定，同时今年也是 Stata 16发布年，在会议上我们也希望能够更多的了解对新版本的认知，反映中国用户在应用软件过程中遇到的问题。通过广泛的国际交流，帮助 Stata 中国用户探索更深层次的理论和研究。
| 演讲主题 | 演讲人 |
| 《Introduction of latest reporting and language extension features in Stata》 | 彭 华 StataCorp LLC |
| 《Stata在公司投融资研究中的应用》 | 覃家琦 南开大学 |
| 《分位数回归：横截面、面板与工具变量法》 | 陈 强 山东大学 |
| 《Inference after lasso model selection》 | 刘 迪 StataCorp LLC |
| 《非参数计量经济方法（核回归，局部线性回归）》 | 王群勇 南开大学 |
| 《Fixed effect panel threshold model for unbalanced panel》 | 王群勇 南开大学 |
| 《Stata在外汇市场实证中的应用》 | 丁剑平 上海财经大学 |
| 《人工智能+ Stata》 | 陈堰平 微软中国 |
2018年“第二届 Stata 中国用户大会”（2018China Stata Users' Conference）是由北京友万信息科技有限公司（简称：友万科技）主办，顺德职业技术学院承办的聚焦 Stata 应用与技术落地的盛会。会议核心内容将围绕计量经济方法及应用方向展开广泛的国际学术交流，内容覆盖经济学、金融学、会计学、计算语言学、新闻学、政治学、历史学、医药卫生等微观和宏观计量分析的热门应用领域。今年大会的主题是“Econometric Analysis Method and Application” 秉承“开放协作、技术共享”的宗旨，面对面真诚聆听用户的声音。致力于为业界带来最新技术、行业应用案例展示与最佳实践单元。
会议主题:Econometric Analysis Method and Application
| 演讲主题 | 演讲人 |
| 《大数据、高维回归与Stata》 | 陈 强 山东大学 |
| 《Spatial autoregressive models using Stata》 | 刘 迪 StataCorp LLC |
| 《政策评估与因果推断：Stata应用概述》 | 王群勇 南开大学 |
| 《断点回归》 | 连玉君 中山大学 |
| 《回归分析集成输出解决方案》 | 李春涛 华中科技大学 |
| 《内含资本成本的计算》 | 顾 俊 深圳大学 |
| 《样本选择问题与处理》 | 王群勇 南开大学 |
| 《DSGE在Stata中的应用》 | 许文立 安徽大学 |
| 《Report generation with putdocx, putexcel, putpdf, and dyndoc》 | 彭 华 StataCorp LLC |
2017年“第一届 Stata 中国用户大会”（2017 China Stata Users' Conference）是由北京友万信息科技有限公司和爬虫俱乐部，联合StataCorp LLC发起第一届Stata中国用户大会。首届Stata用户会议的宗旨是“沟通和合作”，我们希望通过定期举办 Stata 用户会议，形成中国用户之间的技术、经验交流平台；建立和 Stata 原厂的沟通机制，反映中国用户遇到的问题，让未来的Stata版本更多地反映中国用户的愿望；建立学界与企业界之间的沟通和联系，让 Stata 用户有更多的机会服务于企业界；打造数据分析领域的高端智库，服务于我国的大数据事业。
会议主题:Retrieving data from website, Cloud oriented empirical analysis, Using Chinese in Stata
| 演讲主题 | 演讲人 |
| 《Stata 15 新版本发布及新功能研讨》 | 彭 华 StataCorp LP 软件工程总监 |
| 《内生性问题：方法及进展》 | 连玉君 中山大学 |
| 《putdocx与格式化输出》 | 李春涛 中南财经政法大学 |
| 《unicode与中文编码》 | 彭 华 StataCorp LP 软件工程总监 |
| 《Stata函数》 | 彭 华 StataCorp LP 软件工程总监 |
| 《Subinfile,网页源代码分析的神器》 | 薛 原 爬虫俱乐部 |
| 《Stata自动化报告与可重复研究》 | 陈堰平 雪晴数据网 |
| 《分词与情感分析》 | 薛 原 爬虫俱乐部 |
| 《文本分析在量化文史学研究中的应用—以<唐书>与<红楼梦>为例》 | 俞俊利 上海交通大学 |
| 《Stata、cURL交互与网络爬虫：以微博API为例》 | 彭文威 香港科技大学 |
| 《Stata数据清洗常用技巧》 | 彭文威 香港科技大学 |
| 《Econometric convergence test and club clustering using Stata》 | 杜克锐 山东大学 |
|
Interpreting and Visualizing Regression Models Using Stata, Second Edition 作者：
Michael N. Mitchell |
|
Data Management Using Stata: A Practical Handbook, Second Edition 作者：
Michael N. Mitchell |
|
Introduction to Time Series Using Stata, Revised Edition 作者：
Sean Becketti |
|
Generalized Linear Models and Extensions, 4th Edition 作者：
James W. Hardin和Joseph M. Hilbe |
|
A Gentle Introduction to Stata, 6th Edition 作者：
Alan C. Acock |
|
The Mata Book: A Book for Serious Programmers and Those Who Want to Be 作者：
威廉W.古尔德
|
|
Survey Weights: A Step-by-Step Guide to Calculation 作者：
Richard Valliant和Jill A. Dever
|
|
A Course in Item Response Theory and Modeling with Stata 作者：
Tenko Raykov和George A. Marcoulides
|
|
|
Interpreting and Visualizing Regression Models Using Stata, Second Edition 作者：
Michael N. Mitchell |
|
|
Data Management Using Stata: A Practical Handbook, Second Edition 作者：
Michael N. Mitchell |
|
|
Introduction to Time Series Using Stata, Revised Edition 作者：
Sean Becketti |
|
Discovering Structural Equation Modeling Using Stata, Revised Edition
Alan C. Acock |
|
An Introduction to Stata for Health Researchers, Fourth Edition Svend Juul and Morten Frydenberg |
|
A Gentle Introduction to Stata, Sixth Edition Alan C. Acock
|
|
The Workflow of Data Analysis Using Stata J. Scott Long
|
|
An Introduction to Modern Econometrics Using Stata Christopher F. Baum
|
Stata Journal为每季发行的期刊，包含了统计、资料分析、教学方法、有效地使用Stata语言及书籍回顾…等相关内容。 使用者亦可选择购买有兴趣的单篇文章。
ISI Web of Knowledge 的最新期刊引用报告,将Stata期刊列为社会科学数学方法类别期刊中的第四位，仅次于结构方程模型， 计量经济学和经济学与统计学评论。
>>教学视频
为顺应大数据时代要求，自开展Stata培训以来，我司通过活动路演、创新讲座、在线课程、线下培训等系列活动已经在全国开展了包含Stata应用方法、统计分析、文本分析、数据分析、数据清洗、Stata、cURL交互与网络爬虫、内生性问题的方法及进展、Stata编程与Mata运算、Stata编程技术与爬虫、Stata自动化报告与可重复研究、计量经济方法及Stata应用等学习活动，有近千余名师生及业界爱好者参与了学习。通过此类学习活动极大的加强了大数据分析人才的理论和实践能力。推进了大数据人才培养，以及学术成果的转化，为大数据分析领域发展做出了贡献。我司希望通过每年一届的Stata中国用户大会，深度推进国内青年学者学习热情，提升高校学术交流氛围，整合学界及业内的大量资源，进一步提高数据分析能力和科学决策的水平。
高级现场班："面板数据与因果推断" 研讨会
主讲：陈 强 |
高级现场班：《计量经济实证方法与论文写作研讨会》 一期
主讲：王群勇 |
高级现场班：《计量经济实证方法与论文写作研讨会》 二期
主讲：王群勇 |
高级现场班："面板数据与因果推断" 研讨会
主讲：王群勇 |
高级现场班："异质性稳健DID及Stata应用" 研讨会
主讲：陈强 |
高级现场班："宏观计量经济模型" 研讨会
主讲：王群勇 |
高级课程：蒙特卡洛模拟、贝叶斯分析与Stata应用
主讲：王群勇 |
高级课程：宏观计量经济分析与Stata、Mathematica应用
主讲：王群勇 |
高级课程：贝叶斯分析与Stata应用
主讲：王群勇 |
中级课程：面板数据计量分析与Stata应用
主讲：王群勇 |
初级课程：Stata 17新功能介绍课程
主讲：StataCorp LLC |
初级课程：Stata 16软件功能介绍课程
主讲：StataCorp LLC |
初级课程：实证方法与Stata应用专题课程
主讲：王群勇 |
高级课程：“非线模型讲述非常故事”专题课程
主讲：王群勇 |
高级课程：“自然实验与因果推断”专题课程
主讲：王群勇 |
Stata 案例集
为强化示范引领效果，加快推动高校Stata科研实验室建设，由北京友万信息科技有限公司联合授权高校共同编制的《Stata案例集》正式发布。Stata案例集根据客户成功案例收集整理而成，介绍了应用Stata软件在科研工作和教学人材培养以及丰硕的科研成果方面取得的突出成效和变化，旨在帮助更多教学和科研单位根据其所属的专业领域，参考如何高效的部署Stata软件产品及解决方案。
案例一：首都经济贸易大学 国际经济管理学院
案例二：南开大学 经济学院
案例三：西南政法大学
经济学院
Stata实验室建设计划
北京友万信息科技有限公司自成为Stata中国授权经销商及合作伙伴以来，已为国内数十所高等院校及科研院所完成了Stata科研实验室采购计划。帮助其在教学科研、人材培养，论文发表、学科建设方面取得了突破性的进展。解决了在数据分析、数据处理、可视化、统计分析和自动报告等多方面的业务问题和个性化需求。对提高科研人员与教师的科学研究能力和教学水平起到了尤为重要的作用，诚邀有意向的单位加入我们，共同建立适合您的实验室定制建设方案。
地址：北京市昌平区中兴路21号院4号楼5层516 网站备案号：京ICP备16049373号-1]
联系方式：+86-10-56548231
