超越传统，Stata 19引领数据科学新潮流，让分析更高效，结果更精准

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：

• 01【Stata19 新功能】通过 H2O 进行机器学习：集合决策树
• 02【Stata19 新功能】相关随机效应 （CRE） 模型
• 03【Stata19 新功能】条件平均治疗效果（CATEs）
• 04【Stata19 新功能】面板数据向量自回归模型
• 05【Stata19 新功能】逻辑回归的功率分析
• 06【Stata19 新功能】高维固定效应（HDFE）
• 07【Stata19 新功能】通过工具变量的结构向量自回归模型
• 08【Stata19 新功能】贝叶斯线性模型变量选择
• 09【Stata19 新功能】用于区间删失多事件数据的边际 Cox PH 模型
• 10【Stata19 新功能】工具变量局部投影 IRFs
• 11【Stata19 新功能】不对称拉普拉斯贝叶斯模型
• 12【Stata19 新功能】贝叶斯自举法
• 13【Stata19 新功能】Do-file 编辑器功能增强
• 14【Stata19 新功能】控制函数线性模型和概率模型
• 15【Stata19 新功能】图形： 条形图 CI、热图等
• 16【Stata19 新功能】贝叶斯分位数回归
• 17【Stata19 新功能】功能更强大的表格：更轻松的统计、导出功能及更多实用功能
• 18【Stata19 新功能】工具变量回归中弱工具的稳健推断
• 19【Stata19 新功能】多个数据集：修改一组帧
• 20【Stata19 新功能】蒙德拉克规格测试

1、机器学习功能的扩展：集合决策树

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）：

2、面板数据

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。

2.1 高维固定效应

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。

2.2 相关随机效应

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。

2.3 面板向量自回归

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。

3、因果推断

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。

3.1 条件平均处理效应

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）。

3.2 控制函数法

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。

3.3 弱工具变量稳健推断

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。

3.4 时间序列的工具变量法

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。

4、贝叶斯方法

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：

5、其他计量方法

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。

5.1 久期模型

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。

5.2 相关系数的元分析

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。

5.3 潜类别模型

“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。

6、Stata基础功能提升

6.1 Do文件编辑器

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）。

6.2 画图

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。

6.3 制表

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）。

立即试用或购买，获得Stata 19新体验！ 获取报价 软件试用

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

• 掌握您的数据

  

  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
  数十万个变量
  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，离散选择模型
  更重要的是，支持您的所有数据科学需求。

• 广泛的统计功能

  

• 出版品质的图形

  
  

  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使用一种图形方案来生成符合您所期望风格的图表，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

  

  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
  

  
  
  
  

• 真正可重复的研究

  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。
  

• PyStata — Python集成

  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

• 真实的文档

  

  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。

• 值得信赖

  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720万行测试代码，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。

• 可靠

  40多年来，StataCorp始终忠于用户，通过不断扩展Stata软件，引入新的统计方法以及最新的报告、数据可视化、数据管理和用户界面功能。凭借我们悠久的发布历史，我们致力于持续为广大研究人员和从业者提供稳定可靠的软件。

• 持续更新

  保持 Stata 的最新版本现在比以往任何时候都更加简单。
  StataCorp不断开发新功能以增强Stata软件，从最新的统计方法到顶尖的报告、数据可视化和用户界面。通过StataNow™，您无需等到下一个重大版本发布即可开始使用新功能。我们会在新功能准备就绪后立即发布，以便您能第一时间体验。

• 简单易用

  Stata 的所有功能都可以通过菜单、对话框、 控制面板，以及数据编辑器，和数据浏览器，和图表编辑器, a表格构建器, 甚至还有SEM图表构建器. 你可以通过点击来完成任何分析。
  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。

  

• 易学易进阶

  Stata执行任务的命令直观且易于学习。 更棒的是，你学到的任何任务执行方法都可以应用于其他任务。例如，你只需添加if gender=="female"到任何命令中，即可将分析范围限制为样本中的女性。你只需添加vce(robust)到任何 估计量中，即可获得对许多常见假设具有稳健性的标准误和假设检验。
  这种一致性更为深入。你学到的关于数据管理命令的知识通常也适用于估计命令，反之亦然。此外，还有一套完整的估计后命令，用于执行假设检验、构建线性与非线性组合、进行预测、构建对比，甚至通过交互图进行边际分析。这些命令在几乎所有估计量之后的使用方式都是相同的。
  将读取和清洗数据、执行统计检验与估计、最后报告结果的命令按顺序排列，是可重复性研究的核心。Stata 让这一过程对所有研究人员而言都变得触手可及。

• 易于自动化

  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。

• 易于扩展

  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。

  

• 高级编程

  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。

• 跨平台兼容

  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各系列版本区别

 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 性能报告

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% 。

Stata版本功能对比

Product features
	(Basic Edition)	(Standard Edition)	2-core 4-core 6+
Maximum number of variables 变量的最大数量	Up to 2,048 variables	Up to 32,767 variables	Up to 120,000 variables
Maximum number of observations 最大观测次数	2.14 billion	2.14 billion	Up to 20 billion
Speed comparisons 速度比较	Fast	Fast	Twice as fast Almost four times as fast Even faster
Time to run logistic regression with 10 million observations and 20 covariates 使用1000万个观测值和20个协变量进行逻辑回归的时间	20 seconds	20 seconds	10 seconds 5.2 seconds < 5.2 seconds
Maximum number of independent variables 自变量的最大数量	798	10,998	65,532
Complete suite of statistical features 完整的统计特征套件
Publication-quality graphics 出版物质量图形
Extensive data management facilities 广泛的数据管理设施
Truly reproducible research 真正可重复的研究
Comprehensive reporting and table generation 全面的报告和表格生成
Powerful programming language 强大的编程语言
Complete PDF documentation 完整的PDF文档
Exceptional technical support 卓越的技术支持
Includes within-release updates 包含在版本更新中
Windows, macOS, and Linux
And much more for all your data science needs 更多满足您所有数据科学需求
Memory requirements 内存要求	1 GB	2 GB	4 GB
Disk space requirements 磁盘空间要求	4 GB	4 GB	4 GB

功能列表

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.

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) 2.28 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！

第八届 Stata 中国用户大会概况

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！

第七届 Stata 中国用户大会概况

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

—> 前往了解大会详情

第六届 Stata 中国用户大会概况

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

—> 前往下载大会资源

第五届 Stata 中国用户大会概况

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。

会议主题:Stata高级研究方法及新应用研讨会

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

—> 前往下载大会资源

第四届 Stata 中国用户大会概况

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。

会议主题:新应用+智交互研讨会

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

—> 前往下载大会资源

第三届 Stata 中国用户大会概况

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。

会议主题:机器学习与计量方法应用研讨会

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

—> 前往下载大会资源

第二届 Stata 中国用户大会概况

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

—> 前往下载大会资源

第一届 Stata 中国用户大会概况

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

—> 前往下载大会资源

Stata Journal 期刊

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。

点击了解更多相关期刊内容

Stata原厂相关链接

>>中国Stata Prof+ Plan计划的名单

>>Stata for K–12 teaching

>>Stata Maintenance介绍

>>教学视频

>>在线培训
>>更多学习资源
>>官方博客

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。

往期Stata系列课程

高级现场班："面板数据与因果推断" 研讨会 主讲：陈 强 时间：2024年8月18日 地点：南开大学 课程概要 使用面板数据进行实证分析的一种常见情形式，处理组仅有一位或几位个体(地区)，而处理前的时期较多。此时，可使用合成控制法、回归控制法或分位数控制法进行有效的因果推断。其中，合成控制法最为流行(Abadie and Gardeazabal, 2003; Abadie et al., 2010, 2015)，但需要协变量；而回归控制法则无须协变量，且算法简便(Hsiao et al., 2012)。然而，合成控制法与回归控制法主要依赖于安慰剂检验进行统计推断，在应用中有一定局限性。分位数控制法使用“分位数随机森林”(quantile random forest)的机器学习方法，通过非参数的分位数回归构造处理效应的稳健置信区间，在小样本中表现优异(Chen et al., 2024)。本课程将深入浅出地介绍合成控制法、回归控制法或分位数控制法，并通过经典案例演示相应的Stata操作。 点击了解课程详情

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 时间：2024年8月15-17日 地点：南开大学 课程概要 多种计量方法的综合应用，包括： •生产网络与投入产出分析 •指数随机图模型（ERGM）和TERGM模型 •贝叶斯估计 •假设抽取法 •异质空间面板模型 •反事实分析与安慰剂分析 精读经济学、政治学等领域的前沿论文，包括： •冲击在国际生产网络中的传播特征与反事实分析 •美国货币政策通过生产网路在资本市场的溢出效应 •社会关系与政治支持 •一国的农业政策如何影响其他国家的贫困率 •网络结构对经济行为的影响 研究设计方面的主题包括： •如何设计研究框架？ •如何写创新点或贡献？ •如何选择适当的模型？ •影响研究结论的威胁来自哪里? •如何提高论文方法的辨识度？ 点击了解课程详情

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 时间：2024年8月21-23日 地点：南开大学 课程概要 介绍多种计量方法的综合应用，包括： •网络效应的因果推断 •广义倾向得分与剂量响应函数 •截面相关检验 •截面相关情形下的面板ARDL与面板误差修正模型 •双向引力模型与内生引力模型 •贝叶斯估计 •反事实分析 涵盖了经济学领域的前沿话题，包括： •农业政策与贫困 •气候变化与长期经济增长 •双向引力模型与内生引力模型 研究设计方面的主题包括： •如何设计研究框架？ •如何写创新点或贡献？ •如何选择适当的模型？ •影响研究结论的威胁来自哪里? 点击了解课程详情

高级现场班："面板数据与因果推断" 研讨会 主讲：王群勇 时间：2023年8月09-11日 地点：哈尔滨商业大学 课程概要 基于面板数据 (Panel Data) 的因果推断方法是目前实证分析的主流方法。回归模型是因果推断的最重要的基础，是实证分析的起点和基准。面板数据对于解决不可观测异质性导致的内生问题具有天然的优势。内生性问题是观测数据中普遍存在的问题，是对因果关系的致命威胁。匹配法是因果推断的流行方法。双重差分法DID,通常用于政策效应类研究。断点设计（RD）适用于政策是某个驱动变量的函数的情形。 课程特色 （1）理论方法与软件操作密切结合，通过复现论文的实证结果提高实证研究的科学性和规范性。 （2）为部分模型提供的专享程序包。 （3）为学员的论文提供点评与讨论，以及适当可能的合作。 （4）提供电子版本讲义及课件资源、Stata18正版软件试用，确保用户都能正常、安全的运行数据，保证上课质量！ 点击了解课程详情

高级现场班："异质性稳健DID及Stata应用" 研讨会 主讲：陈强 时间：2023年8月12日 地点：哈尔滨商业大学 课程概要 双重差分法(DID)是最常见的因果推断方法，近年来发展迅猛。估计多期DID的传统方法为双向固定效应估计量(TWFE)，但此法依赖于处理效应的同质性假定；例如处理效应不随时间而变。根据培根分解(Goodman-Bacon, 2021)可知，若存在异质性处理效应，则TWFE有偏差。在夯实截面处理效应与经典DID的知识后，本课程将重点介绍异质性稳健(在异质性处理效应情况下也成立)的主流估计方法及Stata应用，包括交互加权法(Sun and Abraham, 2021)、双重稳健估计法(Callaway and Sant’Anna, 2021)、即时处理效应法(de Chasemartin and D’Haultfoeuille, 2020)与插补法(Borusyak et al., 2022)；其中，前二者适用于交叠DID(staggered DID)，而后二者也适用于政策可逆转的一般DID(general DID)。 课程特色 （1）深入浅出介绍计量思想与原理。 （2）结合经典案例讲解Stata实操。 （3）提供电子版本讲义及课件资源、Stata18正版软件试用，确保用户都能正常、安全的运行数据，保证上课质量！ 点击了解课程详情

高级现场班："宏观计量经济模型" 研讨会 主讲：王群勇 时间：2023年8月09-11日 地点：哈尔滨商业大学 课程概要 宏观数据典型地包括时间序列数据和长面板数据。与微观数据不同，宏观数据计量模型的分析方法更多地关注动态规律、平稳性与协整关系、以及截面相关或空间相关的问题。本期课程聚焦于宏观数据的两种因果推断方法（干预时间序列分析和合成控制法）、变系数模型、动态异质面板的ARDL模型、空间计量经济、以及全局VAR和面板VAR模型。 课程特色 （1）理论方法与软件操作密切结合，通过复现论文的实证结果提高实证研究的科学性和规范性。 （2）为部分模型提供的专享程序包。 （3）为学员的论文提供点评与讨论，以及适当可能的合作。 （4）提供电子版本讲义及课件资源、Stata18正版软件试用，确保用户都能正常、安全的运行数据，保证上课质量！ 点击了解课程详情

高级课程：蒙特卡洛模拟、贝叶斯分析与Stata应用 主讲：王群勇 课程概要 蒙特卡洛方法是发展最为成熟的计算机模拟方法之一，最早是在1957年由Metropolis 和Ulam等针对中子输运问题时提出的。蒙特卡洛方法在许多领域均有广泛的应用，如统计物理、计算生物学、金融学以及人工智能等等领域。 贝叶斯统计为你提供了在新数据的证据中更新你的评估工具，这是一个在许多现实世界场景中常见的概念，如跟踪大流行病，预测经济趋势，或预测气候变化。贝叶斯统计是许多较著名的统计模型的支柱。 点击了解课程详情

高级课程：宏观计量经济分析与Stata、Mathematica应用 主讲：王群勇 课程概要 宏观经济是从宏观、总体上研究国民经济水平、结构、均衡、运行、稳定、调控和增长等的一个经济研究范畴或领域。从宏观、总体上研究国民经济或者其某一方面，必然要和一些宏观经济变量及其所反映出的数据资料打交道，研究这些经济变量之间的相互关系及其所反映出的宏观经济或其某一方面所具有的规律性，而这就需要采用宏观经济计量分析方法，建立宏观经济计量分析模型，并应用之。 点击了解课程详情

高级课程：贝叶斯分析与Stata应用 主讲：王群勇 课程概要 2021年4月20日Stata17全新发布，针对贝叶斯计量经济学作出了全面升级，大部分更新围绕贝叶斯进行了增强升级，主要包括：贝叶斯VAR模型 （Bayesian VAR models）、贝叶斯纵向/面板数据模型 （Bayesian longitudinal/panel-data models）、贝叶斯多层模型：非线性，联合，SEM-like等（Bayesian multilevel models: nonlinear, joint, SEM-like, and more）、贝叶斯动态预测 （Bayesian dynamic forecasting）、贝叶斯IRF与FEVD分析 （Bayesian IRF and FEVD analysis）、贝叶斯线性与非线性DSGE模型（Bayesian linear and nonlinear DSGE models）。为了让更多Stata用户深入系统的学习贝叶斯分析理论，本次课程使用Stata 17最新版软件授课，讲述平凡而又神奇的贝叶斯分析方法。 点击了解课程详情

中级课程：面板数据计量分析与Stata应用 主讲：王群勇 课程概要 课程主要内容涵盖面板数据的经典模型、动态面板、非线性面板模型、利用面板数据进行因果推断、面板数据受限因变量模型、贝叶斯面板数据分析、面板空间计量模型等。 点击了解课程详情

初级课程：Stata 17新功能介绍课程 主讲：StataCorp LLC 课程概要 Stata 17 更新了可自定义的表格（table）可以很容易地创建表格 ，并通过灵活的表格命令轻松的收集结果。可将表格导出到MS Word®, PDF, HTML, LaTeX, MS Excel®, 并将它们插入到报告中。Stata 17还引入了PyStata的概念，涵盖了Stata和Python可以交互的所有方式的术语。 本课程带您快速了解Stata 17中的 table 和 PyStata 及其他一些新功能。 点击了解课程详情

初级课程：Stata 16软件功能介绍课程 主讲：StataCorp LLC 课程概要 Stata16 新功能入门视频，新增16+项主要功能特征，两分钟快速入门Stata，带您一赌为快！ 点击了解课程详情

初级课程：实证方法与Stata应用专题课程 主讲：王群勇 课程概要 从一个完整的案例掌握Stata操作技巧，适合新手小白的论文实证方法与Stata应用专题课程，紧紧围绕实证研究中倍受困扰的问题进行详细解读。 每个模型结合经典论文进行案例分析和软件操作。 点击了解课程详情

高级课程：“非线模型讲述非常故事”专题课程 主讲：王群勇 课程概要 世界的本质是非线性的。如果我们觉得世界是平的，那只是因为我们的视野太窄了。在实证研究中，线性模型往往作为基准模型描述变量之间的整体平均关系，但“线性模型总是相似的，非线性模型各有各的非线性”，每一种非线性都可以讲述一个不同寻常的故事。当估计完一个线性模型之后，是不是总觉得缺少什么?! 如何摆脱线性模型的单调和千篇一律？本课程带领你学会如何从数据中挖掘与他人不一样的精彩故事。 本课程主要介绍非线性模型的基本思想与算法，并结合具体案例，介绍Stata实践操作。 点击了解课程详情

高级课程：“自然实验与因果推断”专题课程 主讲：王群勇 课程概要 因果推断是微观计量分析的重要特征之一。反事实是因果推断的最基本框架，自选择等问题导致的政策内生性给政策评估带来诸多障碍。本课程介绍利用观测数据进行因果推断的几大利器：如何利用自然实验（或准实验）推断因果关系、如何克服政策的内生性问题、断点设计如何减弱了政策内生性问题和模型错误设定问题、以及面板数据中如何利用双重查分和合成控制构建反事实的策略。 点击了解课程详情

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。

立即获取定制方案 >