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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 continuas
I binarias
I intervalos
I 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 4.015643 .0107476 373.63 0.000 3.994578 4.036708
age .0997214 .0005055 197.28 0.000 .0987307 .1007122
steps -.2999713 .0002768 -1083.69 0.000 -.3005138 -.2994287
_cons 35.99807 .0232168 1550.52 0.000 35.95257 36.04358

selected
gender
man -1.449045 .0926148 -15.65 0.000 -1.630567 -1.267523
age -.2923803 .0108288 -27.00 0.000 -.3136045 -.2711562
education 1.456351 .0572853 25.42 0.000 1.344074 1.568628
_cons 1.525279 .2190627 6.96 0.000 1.095924 1.954634

steps
gender
man 3.23547 .2876587 11.25 0.000 2.671669 3.799271
age -.035306 .0105695 -3.34 0.001 -.0560218 -.0145902
education 6.003897 .0435651 137.81 0.000 5.918511 6.089283
_cons .2631133 .6463559 0.41 0.684 -1.003721 1.529948

var(e.bmi) .2473699 .0037617 .2401059 .2548536

var(e.steps) 206.8114 2.924755 201.1577 212.624

corr(e.sel~d,
e.bmi) .5890283 .0481794 12.23 0.000 .486586 .6754921
corr(e.steps,
e.bmi) .0732502 .013163 5.56 0.000 .0474079 .0989945
corr(e.steps,
e.selected) .0970988 .041502 2.34 0.019 .0152878 .1776183

(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

Delta-method
Contrast Std. Err. [95% Conf. Interval]

_at
(2 vs 1) -2.034287 .0032774 -2.040711 -2.027864

(StataCorp LLC) 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

Delta-method
Contrast Std. Err. [95% Conf. Interval]

_at
(2 vs 1) -2.034287 .0032774 -2.040711 -2.027864

(StataCorp LLC) 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 Repetir cálculo de estadísticas descriptivas
I Repetir ajuste de modelos
I 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 Repetir cálculo de estadísticas descriptivas
I Repetir ajuste de modelos
I 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 estilo de vida saludable o no saludable
I 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 variable label
alcohol byte %9.0g 1 if alcohol consumed during
pregnancy
mbsmoke byte %9.0g mbsmoke 1 if mother smoked
prenatal1 byte %9.0g YesNo 1 if first prenatal visit was NOT
in trimester 1

(StataCorp LLC) 29 / 59
LCA resultados

. quietly gsem (alcohol mbsmoke prenatal1 <-), logit lclass(C 2)

. estat lcprob
Latent class marginal probabilities Number of obs = 4,642
Delta-method
Margin Std. Err. [95% Conf. Interval]

C
1 .8980132 .0298238 .8230429 .9434054
2 .1019868 .0298238 .0565946 .1769571

. estat lcmean
Latent class marginal means Number of obs = 4,642
Delta-method
Margin Std. Err. [95% Conf. Interval]
1
alcohol .0135323 .0036052 .0080151 .02276
mbsmoke .1195862 .0152853 .0927171 .1529294
prenatal1 .1631802 .0087445 .1467572 .181051

2
alcohol .1976879 .0412223 .1289578 .2908188
mbsmoke .7720253 .104267 .5146616 .9153593
prenatal1 .5106874 .0685655 .3787086 .6411929

(StataCorp LLC) 30 / 59
LCA resultados

. quietly gsem (alcohol mbsmoke prenatal1 <-), logit lclass(C 2)

. estat lcprob
Latent class marginal probabilities Number of obs = 4,642
Delta-method
Margin Std. Err. [95% Conf. Interval]

C
1 .8980132 .0298238 .8230429 .9434054
2 .1019868 .0298238 .0565946 .1769571

. estat lcmean
Latent class marginal means Number of obs = 4,642
Delta-method
Margin Std. Err. [95% Conf. Interval]
1
alcohol .0135323 .0036052 .0080151 .02276
mbsmoke .1195862 .0152853 .0927171 .1529294
prenatal1 .1631802 .0087445 .1467572 .181051

2
alcohol .1976879 .0412223 .1289578 .2908188
mbsmoke .7720253 .104267 .5146616 .9153593
prenatal1 .5106874 .0685655 .3787086 .6411929

(StataCorp LLC) 30 / 59
LCA resultados

. quietly gsem (alcohol mbsmoke prenatal1 <-), logit lclass(C 2)

. estat lcprob
Latent class marginal probabilities Number of obs = 4,642
Delta-method
Margin Std. Err. [95% Conf. Interval]

C
1 .8980132 .0298238 .8230429 .9434054
2 .1019868 .0298238 .0565946 .1769571

. estat lcmean
Latent class marginal means Number of obs = 4,642
Delta-method
Margin Std. Err. [95% Conf. Interval]
1
alcohol .0135323 .0036052 .0080151 .02276
mbsmoke .1195862 .0152853 .0927171 .1529294
prenatal1 .1631802 .0087445 .1467572 .181051

2
alcohol .1976879 .0412223 .1289578 .2908188
mbsmoke .7720253 .104267 .5146616 .9153593
prenatal1 .5106874 .0685655 .3787086 .6411929

(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 regress
I tobit
I intreg
I truncreg
I ivregress
I poisson
I tpoisson
I nbreg
I streg
I logistic
I ologit
I mlogit
I probit
I oprobit
I cloglog
I betareg
I 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 Number of obs = 4,642

Delta-method
Margin Std. Err. [95% Conf. Interval]

Class
1 .0772425 .0220658 .0436389 .1331201
2 .9227575 .0220658 .8668799 .9563611

. estat lcmean
Latent class marginal means Number of obs = 4,642

Delta-method
Margin Std. Err. [95% Conf. Interval]

1
lbweight .1606212 .0692845 .0653245 .3438022

2
lbweight .0519167 .0075811 .0389153 .0689502

(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 Number of obs = 4,642

Delta-method
Margin Std. Err. [95% Conf. Interval]

Class
1 .0772425 .0220658 .0436389 .1331201
2 .9227575 .0220658 .8668799 .9563611

. estat lcmean
Latent class marginal means Number of obs = 4,642

Delta-method
Margin Std. Err. [95% Conf. Interval]

1
lbweight .1606212 .0692845 .0653245 .3438022

2
lbweight .0519167 .0075811 .0389153 .0689502

(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 Number of obs = 4,642

Delta-method
Margin Std. Err. [95% Conf. Interval]

Class
1 .0772425 .0220658 .0436389 .1331201
2 .9227575 .0220658 .8668799 .9563611

. estat lcmean
Latent class marginal means Number of obs = 4,642

Delta-method
Margin Std. Err. [95% Conf. Interval]

1
lbweight .1606212 .0692845 .0653245 .3438022

2
lbweight .0519167 .0075811 .0389153 .0689502

(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 Number of obs = 1,388
Continuous kernel : epanechnikov E(Kernel obs) = 1,307
Discrete kernel : liracine R-squared = 0.0379
Bandwidth : cross validation
bweight Estimate
Mean
bweight 3201.653
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 Lineal
I Respuesta binaria
I Respuesta ordinal
I Respuesta categórica
I Variable dependiente de recuento
I Lineal generalizada
I Con inflación de zeros
I Respuesta fraccional
I Supervivencia o duración
I Selección de muestra
I Multinivel
45 comandos algunos ajustan multiples models, glm y meglm

(StataCorp LLC) 38 / 59
Prefijo bayes

Estimación bayesiana usando modelos de regresión:

I Lineal
I Respuesta binaria
I Respuesta ordinal
I Respuesta categórica
I Variable dependiente de recuento
I Lineal generalizada
I Con inflación de zeros
I Respuesta fraccional
I Supervivencia o duración
I Selección de muestra
I Multinivel
45 comandos algunos ajustan multiples models, glm y meglm

(StataCorp LLC) 38 / 59
Prefijo bayes

Estimación bayesiana usando modelos de regresión:

I Lineal
I Respuesta binaria
I Respuesta ordinal
I Respuesta categórica
I Variable dependiente de recuento
I Lineal generalizada
I Con inflación de zeros
I Respuesta fraccional
I Supervivencia o duración
I Selección de muestra
I Multinivel
45 comandos algunos ajustan multiples models, glm y meglm

(StataCorp LLC) 38 / 59
Sintaxis

bayes: regress yvar xvar

bayes: logistic yvar xvar
bayes: streg xvar
bayes: mixed yvar xvar || id: rslope

(StataCorp LLC) 39 / 59
Veámoslo en acción

. bayes, noheader nodots: meglm weight week || id:

Burn-in ...
Simulation ...

Equal-tailed
Mean Std. Dev. MCSE Median [95% Cred. Interval]
weight
week 6.211294 .0419925 .001807 6.211144 6.130065 6.295917
_cons 19.32584 .7582537 .151992 19.36217 17.91306 20.87597

id
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

(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

Mean Std. Dev. MCSE

prob1 .4942 0.49999 .0618388

prob2 .6065 0.48855 .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

Mean Std. Dev. MCSE

prob1 .2831 0.45053 .0400935

(StataCorp LLC) 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

Mean Std. Dev. MCSE

prob1 .4942 0.49999 .0618388

prob2 .6065 0.48855 .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

Mean Std. Dev. MCSE

prob1 .2831 0.45053 .0400935

(StataCorp LLC) 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 Impulso respuesta
I Matriz de política (cómo los estados afectan a los controles)
I Matriz de transición (variables de estado)
I 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 Impulso respuesta
I Matriz de política (cómo los estados afectan a los controles)
I Matriz de transición (variables de estado)
I 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 Impulso respuesta
I Matriz de política (cómo los estados afectan a los controles)
I Matriz de transición (variables de estado)
I 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 Impulso respuesta
I Matriz de política (cómo los estados afectan a los controles)
I Matriz de transición (variables de estado)
I 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 Impulso respuesta
I Matriz de política (cómo los estados afectan a los controles)
I Matriz de transición (variables de estado)
I 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 = {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

(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 = 250
Log likelihood = -768.09383

OIM
Coef. Std. Err. z P>|z| [95% Conf. Interval]
/structural
beta .5112878 .075791 6.75 0.000 .3627402 .6598355
kappa .16963 .0475493 3.57 0.000 .0764351 .2628248
rhou .6989186 .0449192 15.56 0.000 .6108786 .7869586
rhoz .9556407 .0181342 52.70 0.000 .9200983 .9911831

sd(e.u) 2.31759 .2988027 1.731947 2.903232

sd(e.g) .614735 .0973278 .4239759 .8054941

(StataCorp LLC) 44 / 59
Impulso respuesta de un incremento en la tasa de
interés

(StataCorp LLC) 45 / 59
Modelos espaciales autoregresivos

Nuestros vecinos importan.

I paises
I ciudades
I amigos
I redes sociales
I empresas
Estructura de interdependencia

(StataCorp LLC) 46 / 59
Modelos espaciales autoregresivos

Nuestros vecinos importan.

I paises
I ciudades
I amigos
I redes sociales
I 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 B C
A 0 1 0
B 1 0 0
C 0 0 0

(StataCorp LLC) 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 B C
A 0 1 0
B 1 0 0
C 0 0 0

(StataCorp LLC) 47 / 59
Matriz espacial de pesos

. spmatrix create contiguity W

. spmatrix summarize W
Weighting matrix W

Type contiguity
Normalization spectral
Dimension 1412 x 1412
Elements
minimum 0
minimum > 0 .1507104
mean .000612
max .1507104
Neighbors
minimum 1
mean 5.733711
maximum 11

(StataCorp LLC) 48 / 59
Matriz espacial de pesos

. spmatrix create contiguity W

. spmatrix summarize W
Weighting matrix W

Type contiguity
Normalization spectral
Dimension 1412 x 1412
Elements
minimum 0
minimum > 0 .1507104
mean .000612
max .1507104
Neighbors
minimum 1
mean 5.733711
maximum 11

(StataCorp LLC) 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 = 1,412
GS2SLS estimates Wald chi2(4) = 328.40
Prob > chi2 = 0.0000
Pseudo R2 = 0.1754

hrate Coef. Std. Err. z P>|z| [95% Conf. Interval]

hrate
ln_populat~n .195714 .2654999 0.74 0.461 -.3246563 .7160843
ln_pdensity 1.060728 .2303736 4.60 0.000 .6092043 1.512252
gini 77.10293 5.330446 14.46 0.000 66.65544 87.55041
_cons -28.79865 2.945944 -9.78 0.000 -34.57259 -23.02471
W
hrate .2270154 .0607158 3.74 0.000 .1080146 .3460161

Wald test of spatial terms: chi2(1) = 13.98 Prob > chi2 = 0.0002

(StataCorp LLC) 49 / 59
Resultados

. estat impact
progress : 33% 67% 100%
Average impacts Number of obs = 1,412

Delta-Method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
direct
ln_populat~n .1971473 .2671523 0.74 0.461 -.3264616 .7207563
ln_pdensity 1.068497 .2333061 4.58 0.000 .611225 1.525768
gini 77.6676 5.262439 14.76 0.000 67.35341 87.98179

indirect
ln_populat~n .0471186 .060043 0.78 0.433 -.0705636 .1648008
ln_pdensity .2553728 .113273 2.25 0.024 .0333618 .4773839
gini 18.56271 5.811729 3.19 0.001 7.171931 29.95349

total
ln_populat~n .2442659 .3257636 0.75 0.453 -.3942191 .8827509
ln_pdensity 1.323869 .3235966 4.09 0.000 .6896318 1.958107
gini 96.23031 7.409878 12.99 0.000 81.70721 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 Number of obs = 10,000
Group variable: id Number of groups = 1,000
Obs per group:
min = 10
avg = 10.0
max = 10
Wald chi2(1) = 18200.38
Linearization log likelihood = -15415.734 Prob > chi2 = 0.0000
xb: x B0[id]

y Coef. Std. Err. z P>|z| [95% Conf. Interval]

xb
x .9895467 .0073349 134.91 0.000 .9751705 1.003923
_cons .9852863 .0341461 28.86 0.000 .9183612 1.052211

Random-effects Parameters Estimate Std. Err. [95% Conf. Interval]

id: Identity
var(B0) 1.011148 .0496717 .9183333 1.113344

var(Residual) 1.004931 .0149621 .9760301 1.034689

(StataCorp LLC) 53 / 59
Un resultado conocido

. estimates table menl meglm xtreg

Variable menl meglm xtreg

x 0.9895 0.9895 0.9895

0.0073 0.0073 0.0073
_cons 0.9853 0.9853 0.9853
0.0341 0.0341 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 menl meglm xtreg

x 0.9895 0.9895 0.9895

0.0073 0.0073 0.0073
_cons 0.9853 0.9853 0.9853
0.0341 0.0341 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

φ1j
weightij = 

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

φ1j
weightij = 

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

φ1j
weightij = 

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 Number of obs = 412

Group variable: plot Number of groups = 48
Obs per group:
min = 8
avg = 8.6
max = 10
Linearization log likelihood = -739.83445
phi1: {phi1}+{U1[plot]}
phi2: {phi2}+{U2[plot]}
phi3: {phi3}+{U3[plot]}
weight Coef. Std. Err. z P>|z| [95% Conf. Interval]

/phi1 19.25314 .8031811 23.97 0.000 17.67893 20.82734

/phi2 55.01999 .7272491 75.65 0.000 53.59461 56.44537
/phi3 8.403468 .3152551 26.66 0.000 7.78558 9.021357

Random-effects Parameters Estimate Std. Err. [95% Conf. Interval]

plot: Unstructured
var(U1) 27.05081 6.776518 16.55561 44.1993
var(U2) 17.61605 5.317903 9.748762 31.83229
var(U3) 1.972036 .9849829 .7409018 5.248906
cov(U1,U2) 15.73304 5.413368 5.123035 26.34305
cov(U1,U3) 5.193819 2.165587 .9493456 9.438292
cov(U2,U3) 5.649306 2.04946 1.632438 9.666175
var(Residual) 1.262237 .1111686 1.062119 1.500059

(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