stata15破解版是一款統(tǒng)計(jì)管理及圖表繪制軟件，可以為用戶提供了非常多實(shí)用的數(shù)據(jù)統(tǒng)計(jì)功能，用戶可以使用這款軟件建造對(duì)應(yīng)的統(tǒng)計(jì)圖形，讓數(shù)據(jù)變得更加直接明了，破解版為用戶提供了注冊(cè)工具，感興趣的用戶快來(lái)下載看看吧。

軟件介紹

Stata是一款專(zhuān)業(yè)級(jí)統(tǒng)計(jì)軟件，為使用者提供數(shù)據(jù)分析、數(shù)據(jù)管理以及繪制專(zhuān)業(yè)圖表等三大類(lèi)功能，用戶可以在軟件中輸入自己得到的數(shù)據(jù)，然后利用軟件提供的功能對(duì)數(shù)據(jù)進(jìn)行分析，不同的數(shù)據(jù)類(lèi)型可以建造不同的圖表，通過(guò)圖表能讓數(shù)據(jù)對(duì)比更加直觀明了。同時(shí)軟件還具有很強(qiáng)的程序語(yǔ)言功能，這給用戶提供了一個(gè)廣闊的開(kāi)發(fā)應(yīng)用的天地，真正做到隨心所欲。

Stata在統(tǒng)計(jì)分析方面的能力遠(yuǎn)遠(yuǎn)超過(guò)SPSS，在許多方面也超過(guò)了SAS！能全面激活計(jì)算機(jī)的運(yùn)算能力，運(yùn)算速度在各個(gè)軟件的排名中都遙遙領(lǐng)先。Stata也是采用命令行方式來(lái)操作，但使用上遠(yuǎn)比SAS簡(jiǎn)單，用戶不需要太過(guò)復(fù)雜的操作，就能進(jìn)行數(shù)據(jù)分析。

軟件特色

1、該軟件擁有強(qiáng)大的繪圖功能，可以幫助您分析更多經(jīng)濟(jì)數(shù)據(jù)

2、可以將實(shí)驗(yàn)數(shù)據(jù)加載到軟件建立新的統(tǒng)計(jì)項(xiàng)目

3、提供了生物數(shù)據(jù)統(tǒng)計(jì)，可以通過(guò)圖表展示分析的數(shù)據(jù)

4、擁有強(qiáng)大的計(jì)算功能，實(shí)驗(yàn)結(jié)果可以自動(dòng)計(jì)算

5、界面提供了數(shù)據(jù)編輯器，可以對(duì)您添加的數(shù)據(jù)編輯

6、提供變量顯示窗口，調(diào)整函數(shù)變量更方便

7、該軟件也提供了專(zhuān)業(yè)的圖形分析

8、讓實(shí)驗(yàn)數(shù)據(jù)更加可視化，讓化學(xué)研究數(shù)據(jù)更清晰

9、在分析市場(chǎng)數(shù)據(jù)方面也是支持的

10、對(duì)于統(tǒng)計(jì)數(shù)學(xué)方面的數(shù)據(jù)擁有更好的函數(shù)方程設(shè)置

軟件功能

一、擴(kuò)展回歸模型

我們稱(chēng)之為ERMS 擴(kuò)展回歸模型。四個(gè)新的命令適合

1、線性回歸分析,

2、區(qū)間回歸包括 tobit模型，

3、概率，

4、有序概率模型

可任意組合成：

1、內(nèi)生變量

2、非隨機(jī)處理任務(wù)

3、內(nèi)源性(Heckman-style)樣本的選擇

這些新的命令讓人驚喜，因?yàn)榭梢栽谌魏我粋€(gè)方程中加入內(nèi)生變量，包括處理賦值和概率選擇方程。內(nèi)生變量并不局限于連續(xù)性。它們可以是二進(jìn)制或序數(shù)。不管是外生的還是內(nèi)生的，它們都可以與其他變量相互作用。它們甚至可以互相作用，形成平方項(xiàng)或立方項(xiàng)!

這些新的ERM命令—eregress,eintreg,eprobit, 和eoprobit注定會(huì)流行起來(lái)，因?yàn)樗麄兘鉀Q了研究人員的很多問(wèn)題。首先, 可能有一個(gè)內(nèi)生變量, 因?yàn)樵S多模型都省略了與模型中的變量相關(guān)的變量。其次，數(shù)據(jù)經(jīng)常被刪剪，而刪剪不是隨機(jī)的。ERM 樣本選擇選項(xiàng)允許您對(duì)選擇過(guò)程進(jìn)行建模, 并對(duì)其進(jìn)行調(diào)整?；蛘? 如果您正在使用非隨機(jī)處理效應(yīng)模型, 則可以用 ERM處理分配選項(xiàng)。或者, 可以結(jié)合處理分配和選擇選項(xiàng), 其中一些是由于后續(xù)的行為而損失的擬合內(nèi)生處理分配模型。

二、潛在類(lèi)別分析(LCA)

潛在的均值未被觀測(cè)。分類(lèi)也就是分組。潛在類(lèi)是數(shù)據(jù)中未觀測(cè)到的組。你可能有關(guān)于消費(fèi)者的數(shù)據(jù)，并且根據(jù)消費(fèi)者對(duì)產(chǎn)品的潛在興趣將他們分成三組。但是，在數(shù)據(jù)中沒(méi)有指定每個(gè)消費(fèi)者所屬組的變量。擬合模型后，你可以

1、使用新的estat lcprob命令估計(jì)屬于每一類(lèi)的消費(fèi)者比例;

2、使用新的estat lcprob命令估計(jì)每個(gè)類(lèi)中Y1、Y2、Y3、Y4的邊際均值(均值就是示例所示的概率);

3、使用新estat lcprob命令來(lái)評(píng)價(jià)適合度;

4、使用現(xiàn)有的predict命令獲取分類(lèi)成員的預(yù)測(cè)概率和觀測(cè)結(jié)果變量的預(yù)測(cè)值。

三、貝葉斯前綴指令

新的bayes：前綴命令使你能夠適應(yīng)比以前版本更廣泛的貝葉斯模型。原來(lái)也可以擬合貝葉斯線性回歸, 但是現(xiàn)在可以通過(guò)輸入文字就可以：在這個(gè)模型中, 為變量 id的每個(gè)值添加隨機(jī)截距。新的bayes：前綴命令在許多Stata評(píng)估命令之前工作，并提供超過(guò)50種可能性的模型。支持的模型包括多級(jí)、面板數(shù)據(jù)、生存和樣本選擇模型!

新命令支持所有Stata的貝葉斯的功能。你可以從之前的模型參數(shù)的分布中選擇，也可以使用之前默認(rèn)的。當(dāng)閉合形式解決方案用于Gibbs方法時(shí)，可以使用默認(rèn)的自適應(yīng) Metropolis–Hastings 抽樣, 或Gibbs抽樣, 或兩種方法的組合。在bayesmh命令的基礎(chǔ)上可以使用STATA的任何其他功能。可以更改回歸系數(shù)的缺省先驗(yàn)分布，比如，使用prior()選項(xiàng)：

四、線性動(dòng)態(tài)隨機(jī)一般均衡(DSGE)模型

DSGEs是經(jīng)濟(jì)學(xué)中的一個(gè)時(shí)間序列模型。它們是傳統(tǒng)預(yù)測(cè)模型的替代品。兩者都試圖解釋總的經(jīng)濟(jì)現(xiàn)象, 但 DSGEs 允許對(duì)來(lái)自經(jīng)濟(jì)理論模型的基礎(chǔ)上做這個(gè)。建立在經(jīng)濟(jì)理論基礎(chǔ)上的方程很多。這些方程的關(guān)鍵特征是, 未來(lái)變量的期望值會(huì)影響今天的變量。這是區(qū)別 DSGEs 與矢量回歸或狀態(tài)空間模型的一個(gè)特性。另一個(gè)特點(diǎn)是, 從理論推導(dǎo)出來(lái)的參數(shù)通?？梢杂眠@個(gè)理論來(lái)解釋。

在DSGE模型中有三種變量：

1、控制變量和方程，如p沒(méi)有沖擊,并且是由方程組決定的。

2、狀態(tài)變量 (如 y) 具有隱含的沖擊, 在時(shí)間段開(kāi)始時(shí)是預(yù)先確定的。

3、沖擊是驅(qū)動(dòng)系統(tǒng)的隨機(jī)錯(cuò)誤。

在任何情況下, 以上dsge 命令可以定義一個(gè)模型并擬合。

如果我們有一個(gè)關(guān)于 beta 和kappa之間關(guān)系的理論, 比如它們是相等的, 我們可以用現(xiàn)有的命令test來(lái)測(cè)試它。

新的 postestimation命令estat policy和estat transition報(bào)告策略和轉(zhuǎn)換矩陣。如果鍵入

顯示將控制變量作為狀態(tài)變量的線性函數(shù)。如果有五個(gè)控制變量和三個(gè)狀態(tài)變量, 則每個(gè)控件將被報(bào)告為三個(gè)狀態(tài)的線性函數(shù)。在上面的簡(jiǎn)單例子中, 預(yù)測(cè) p 的線性函數(shù)將顯示為現(xiàn)在的 y 函數(shù)。

同時(shí)，報(bào)告轉(zhuǎn)換矩陣。而策略矩陣將 p 報(bào)告為函數(shù)y, 而轉(zhuǎn)換矩陣則報(bào)告 y 如何通過(guò)時(shí)間演變?yōu)閜。可以使用Stata的現(xiàn)有預(yù)測(cè)命令來(lái)生成預(yù)測(cè)。可以使用Stata現(xiàn)有的irf命令來(lái)繪制脈沖響應(yīng)函數(shù)。

五、web動(dòng)態(tài)的Markdown文檔

你有沒(méi)有聽(tīng)過(guò)Markdown?它是一種創(chuàng)建 html 文檔的流行方式。html 文件是繁瑣的。Markdown簡(jiǎn)單直觀，想法很簡(jiǎn)單?？梢詣?chuàng)建一個(gè)文件, 其中包含所需的可讀格式的文本, 然后通過(guò)它運(yùn)行一個(gè)命令來(lái)創(chuàng)建一個(gè)HTML文件。

Stata現(xiàn)在支持Markdown, 我們已經(jīng)添加了標(biāo)簽 (功能) 到Markdown, 允許包括輸入文件中的Stata命令。你所包含的命令將被運(yùn)行和顯示, 或者以秘密方式運(yùn)行, 以及提取輸出的部分供文檔使用。

六、非線性混合效應(yīng)模型

非線性混合效應(yīng)模型也被稱(chēng)為非線性多級(jí)模型和非線性層次模型?？梢杂脙煞N方式來(lái)考慮這些模型。可以把它們看成包含隨機(jī)效應(yīng)的非線性模型。或者可以把它們看成線性混合效應(yīng)模型, 其中一些或所有的固定和隨機(jī)效應(yīng)都是非線性的。不管哪種方式, 總的誤差分布假設(shè)成Gaussian分布。

這些模型在人口藥代動(dòng)力學(xué), 生物鑒定和研究生物學(xué)和農(nóng)業(yè)成長(zhǎng)過(guò)程中很流行。比如，采用非線性混合效應(yīng)模型對(duì)機(jī)體的藥物吸收、地震強(qiáng)度和植物生長(zhǎng)進(jìn)行了模擬。

新的評(píng)估命令被命名為 menl。它實(shí)現(xiàn)了 popular-in-practice Lindstrom–Bates 算法, 是基于對(duì)固定和隨機(jī)效應(yīng)的非線性均值函數(shù)進(jìn)行線性化。支持最大似然和受限最大似然估計(jì)方法。

Menl易于使用。可以直接輸入單個(gè)方程。大括號(hào){ }，用于將要匹配的參數(shù)括起來(lái)：

除了標(biāo)準(zhǔn)功能外, postestimation特征還包括對(duì)隨機(jī)效應(yīng)及其標(biāo)準(zhǔn)誤差的預(yù)測(cè)，對(duì)模型中定義的感興趣參數(shù)的預(yù)測(cè), 作為其他模型參數(shù)和隨機(jī)效應(yīng)的參數(shù)、聚類(lèi)相關(guān)矩陣的整體評(píng)估等。

中文設(shè)置方法

Edit → Preferences → User-interface language

怎么做回歸

生成一個(gè)自變量和一個(gè)因變量

點(diǎn)擊Statistics|linear model and related|linear regression菜單

在彈出的regress中設(shè)置相關(guān)變量，然后再點(diǎn)確定。如下圖：

在結(jié)果界面中，_cons為.5205279表示回歸截距，說(shuō)明回歸方程具有統(tǒng)計(jì)學(xué)意義。R-squared和Adj R-squared分別為0.9905和0.9893，說(shuō)明回歸方程擬合效果很好

回歸擬合圖。點(diǎn)擊Statistics|linear model and related|Regression diagnostics|Added-variable plot

在彈出的avplot/avplots中，選擇“all variables”，點(diǎn)確定

結(jié)果如下圖

怎么導(dǎo)入數(shù)據(jù)

數(shù)據(jù)導(dǎo)入方法一：

直接復(fù)制粘貼

絕對(duì)簡(jiǎn)單明了，不需要任何技術(shù)，缺點(diǎn)就在于當(dāng)數(shù)據(jù)比較多的時(shí)候，拉框選擇還是一件很麻煩的事情，有些數(shù)據(jù)在excel中可能是顯示小數(shù)點(diǎn)后兩位，但實(shí)際儲(chǔ)存的并不止這么多。如果是復(fù)制粘貼了，可能只粘貼過(guò)去小數(shù)點(diǎn)后兩位，這樣就損失了一部分精度。最不推薦。

數(shù)據(jù)導(dǎo)入方法二：

命令：use

1.insheet using filename, [option]

這個(gè)命令是專(zhuān)門(mén)用來(lái)導(dǎo)入像excel之類(lèi)的以電子表格形式存儲(chǔ)的數(shù)據(jù)。在導(dǎo)入之前，首先要把excel文件轉(zhuǎn)存為STATA可以識(shí)別的格式。其中我最常用的就是另存為csv逗號(hào)分隔符格式。

然后在STATA中使用insheet讀取csv文件，在option中指定為comma告訴STATA你讀取的是csv文件。

這種方法有個(gè)不足在于如果你的數(shù)據(jù)中包含中文而且里面含有逗號(hào)時(shí)無(wú)法識(shí)別，解決的辦法是不要用逗號(hào)標(biāo)示分隔符了，在excel中另存為txt(制表符分隔），這樣就不會(huì)與逗號(hào)相混淆了。然后再在insheet命令中在option里指定是tab，就完事了。

2.infile using filename

這個(gè)infile命令分兩類(lèi)，一種是處理固定格式（fixed format)的txt或raw，另一種是處理自由格式(free format)，當(dāng)然你在用這個(gè)命令里還需要定義一個(gè)dictionary，這個(gè)dictionary是用來(lái)描述數(shù)據(jù)的組織方式的，需要自己根據(jù)要導(dǎo)入的數(shù)據(jù)文件自己編寫(xiě)代碼，然后嵌套到數(shù)據(jù)文件txt的前面去，或者是單獨(dú)地存為一個(gè)dct文件，并且告訴STATA你要導(dǎo)入的數(shù)據(jù)在保存在哪里。

3.xmluse

這個(gè)命令首先要把xls文件另存為xml格式，然后用xmluse命令去讀取，當(dāng)然在讀取時(shí)你也要在option中聲明你的xml文件是excel保存的而不是STATA保存的，這樣就不會(huì)弄錯(cuò)。

如果你的xls文件中如果有漢字的話，STATA讀取后對(duì)應(yīng)的變量會(huì)出現(xiàn)亂碼，這一點(diǎn)用insheet就不會(huì)有這個(gè)問(wèn)題。

4.odbc

這個(gè)命令是專(zhuān)門(mén)讀取數(shù)據(jù)庫(kù)文件的，并且支持SQL命令，這樣如果你的數(shù)據(jù)比較多的話，可以先用SQL語(yǔ)句進(jìn)行篩選，然后而導(dǎo)入。當(dāng)然這個(gè)命令也能導(dǎo)向excel文件。

數(shù)據(jù)導(dǎo)入方法三：

點(diǎn)擊“File”→“Open”，找到文件“.dta”，局限比較大，主要是表格類(lèi)型只支持.dta格式。

數(shù)據(jù)導(dǎo)入方法四：

點(diǎn)擊“File”→“import”，可以導(dǎo)入xls，txt等其他格式的數(shù)據(jù)，同樣是對(duì)于導(dǎo)入文件的格式有要求。

以上就是小編為你帶來(lái)的Stata數(shù)據(jù)導(dǎo)入方法教程，小編個(gè)人比較建議的是調(diào)用STATA的內(nèi)部數(shù)據(jù)導(dǎo)入命令，到時(shí)考慮新手用戶的使用難度，可以選擇更為簡(jiǎn)單的導(dǎo)入操作。

怎么導(dǎo)出到EXCEL

首先，在Stata中輸入代碼（ssc install asdoc, replace）安裝外部命令asdoc。

安裝完成后，打開(kāi)我們的數(shù)據(jù)，小編這里以Stata自帶的數(shù)據(jù)auto為例。

下面，小編做一個(gè)mpg和weight變量對(duì)price變量的回歸分析，并把結(jié)果直接導(dǎo)出到Word里。輸入命令：asdoc reg price mpg weight 。如圖所示，Stata會(huì)自動(dòng)生成一個(gè)名為“Myfile.doc”的文件。

點(diǎn)擊打開(kāi)Myfile.doc文件，可以看到，我們想要的回歸分析結(jié)果已經(jīng)導(dǎo)出到該Word文檔里了。

使用說(shuō)明

beta二項(xiàng)式模型

bayesmh是一個(gè)回歸命令。 它將結(jié)果分布的均值作為預(yù)測(cè)因子的函數(shù)進(jìn)行建模。 有些情況下，我們沒(méi)有任何預(yù)測(cè)指標(biāo)，并希望直接對(duì)結(jié)果分布進(jìn)行建模。 例如，我們可能想要對(duì)我們的結(jié)果擬合泊松分布或二項(xiàng)分布。 我們可以通過(guò)在可能性（）選項(xiàng)中指定bayesmh支持的四種分布之一來(lái)做到這一點(diǎn)

多變量回歸

我們考慮一個(gè)沒(méi)有協(xié)變量的簡(jiǎn)單多變量正態(tài)回歸模型。 我們使用自動(dòng)。 dta，我們擬合了一個(gè)多變量正態(tài)分布，用于變量mpg，權(quán)重和長(zhǎng)度

我們重新調(diào)整這些變量以具有大致相等的范圍。 總是推薦均衡模型變量的范圍。 因?yàn)檫@使得模型在計(jì)算上更穩(wěn)定

面板數(shù)據(jù)和多級(jí)模型

雖然MH算法的基礎(chǔ)貝葉斯并不適合擬合貝葉斯多級(jí)模型。 您可以使用它來(lái)適應(yīng)沒(méi)有太多隨機(jī)效應(yīng)的多級(jí)模型。 下面我們考慮兩級(jí)隨機(jī)截距和隨機(jī)系數(shù)模型。 兩級(jí)隨機(jī)效應(yīng)模型也被稱(chēng)為面板數(shù)據(jù)模型