Explore, visualize, modele. Uma melhor percepção começa com Stata

Disputa de dados

Raspe dados da web, importe-os de formatos padrão ou puxe-os via SQL com JDBC ou ODBC. Combine-mescle, vincule, anexe, remodele, transponha, classifique, filtre. O Stata lida com Unicode, frames (vários conjuntos de dados na memória), BLOBs, expressões regulares e muito mais, seja trabalhando com centenas de milhares ou até bilhões de pontos de dados.

Relatórios automatizados e tabelas personalizáveis

Use Markdown para criar documentos do Word e arquivos HTML com código Stata incorporado, saída e gráficos. Automatize relatórios do Word, PDF ou Excel com recursos de exportação de alto nível e acesso programático de baixa granularidade para automatizar a produção dos documentos que sua equipe precisa. Personalize tabelas para comunicar resultados claramente e exporte suas tabelas para Word, PDF, HTML, LaTeX, Excel ou Markdown.

Visualização

Crie gráficos e personalize-os programaticamente ou interativamente com o Graph Editor. As edições podem até ser gravadas e "reproduzidas

Estimar efeitos de mediação, analisar a relação entre um conceito latente não observado, como habilidades verbais, e as variáveis observadas que medem habilidades verbais, ou ajustar um modelo com relações complexas entre variáveis latentes e observadas. Ajustar modelos com resultados contínuos, binários, de contagem e ordinais. Ajustar até mesmo modelos hierárquicos com grupos de observações correlacionadas, como crianças nas mesmas escolas. Avaliar ajuste do modelo. Calcular efeitos indiretos e totais. Ajustar modelos desenhando um diagrama de caminho ou usando a sintaxe de comando direta.

Modelos Lineares Gerais

Explore a relação entre características latentes não observadas, como aptidão matemática, e a probabilidade de responder corretamente a perguntas de teste (itens). Ou explore a relação entre satisfação no trabalho do professor e respostas autorrelatadas a perguntas relacionadas à satisfação no trabalho. A TRI pode ser usada para criar medidas de tais características não observadas ou colocar indivíduos em uma escala que mede a característica. Ela também pode ser usada para selecionar os melhores itens para medir uma característica latente. Os modelos de TRI estão disponíveis para itens de resposta binários, classificados, classificados, de crédito parcial e nominais. Visualize as relações usando curvas características de itens e meça o desempenho geral do teste usando funções de informações de teste.

Regressões lineares, binárias e de contagem

Ajuste modelos clássicos de regressão linear da relação entre um resultado contínuo, como uma pontuação de teste de leitura, e os determinantes da pontuação, como método de ensino e o nível de leitura do aluno na série anterior. Se sua resposta for binária (por exemplo, teste aprovado ou reprovado), ordinal (nível de educação), contagem (número de alunos) ou categórica (escola particular, pública ou domiciliar), não se preocupe. O Stata tem estimadores de máxima verossimilhança — logístico, logístico ordenado, Poisson, logit multinomial e muitos outros — que estimam a relação entre tais resultados e seus determinantes. Uma vasta gama de ferramentas está disponível após o ajuste de tais modelos. Preveja resultados e seus intervalos de confiança. Teste a igualdade de parâmetros. Calcule combinações lineares e não lineares de parâmetros.

Regressões lineares, binárias e de contagem

Considere os dados ausentes em sua amostra usando imputação múltipla. Escolha entre métodos univariados e multivariados para imputar valores ausentes em variáveis contínuas, censuradas, truncadas, binárias, ordinais, categóricas e de contagem. Em seguida, em uma única etapa, estime os parâmetros usando os conjuntos de dados imputados e combine os resultados. Ajuste um modelo linear, modelo logit, modelo de Poisson, modelo hierárquico, modelo de sobrevivência ou um dos muitos outros modelos suportados. Use o comando mi ou deixe a interface do Painel de Controle guiá-lo por toda a sua análise de MI.

Modelos de escolha

Modele seus dados de escolha discreta. Se seu resultado for, por exemplo, uma escolha para viajar de ônibus, trem, carro ou avião, você pode ajustar um modelo logit condicional, probit multinomial ou logit misto. Seu resultado é, em vez disso, uma classificação de métodos de viagem preferidos? Ajuste um modelo probit ordenado por classificação ou logit ordenado por classificação. Independentemente do ajuste do modelo, você pode usar as margens para interpretar facilmente os resultados. Estime o quanto os tempos de espera no aeroporto afetam a probabilidade de viajar de avião ou mesmo de trem.

Contrastes, médias marginais e gráficos de perfil

Obtenha contrastes de forma rápida e fácil para variáveis categóricas e suas interações. R.edlevel fornecerá todos os contrastes de nível educacional com uma categoria de referência. A.edlevel fornecerá cada contraste pareado com o próximo nível educacional superior. Há muitos outros contrastes nomeados, e você pode especificar o seu próprio. Se você não gosta de digitar, use uma caixa de diálogo para selecionar seus contrastes. As médias marginais estão a apenas um comando simples ou clique do mouse de distância após quase qualquer comando de estimativa. Avaliar os efeitos de interação, os efeitos de variáveis moderadoras, é igualmente fácil. E isso não é apenas para modelos lineares, mas para modelos com resultados binários, ordinais e de contagem. Mesmo para modelos hierárquicos com tratamento correto de efeitos aleatórios. Um comando simples ou alguns cliques do mouse fornecerão um gráfico de perfil de qualquer um desses resultados.

Tabelas epidemiológicas

Quer analisar dados de um estudo prospectiv321 laddence"), estudo de coorte, estudo de caso-controle ou estudo de caso-controle pareado? As tabelas do Stata para epidemiologistas facilitam o resumo de seus dados e o cálculo de estatísticas como taxas de incidência, diferenças de taxas de incidência, taxas de risco, diferenças de risco, razões de chances e frações atribuíveis. Você também pode analisar dados estratificados — calcular estimativas combinadas de Mantel–Haenszel, executar testes de homogeneidade e padronizar estimativas. Se você tiver uma exposição ordinal em vez de binária, poderá executar um teste para uma tendência.

Análise de sobrevivência
Analise os resultados de duração — resultados que medem o tempo até um evento, como falha ou morte — usando as ferramentas especializadas do Stata para análise de sobrevivência. Considere as complicações inerentes aos dados de sobrevivência, como às vezes não observar o evento (censura à direita, à esquerda e de intervalo), indivíduos entrando no estudo em momentos diferentes (entrada atrasada) e indivíduos que não são observados continuamente ao longo do estudo (lacunas). Você pode estimar e plotar a probabilidade de sobrevivência ao longo do tempo. Ou modele a sobrevivência como uma função de covariáveis usando Cox, Weibull, lognormal e outros modelos de regressão. Preveja taxas de risco, tempo médio de sobrevivência e probabilidades de sobrevivência. Você tem grupos de indivíduos em seu estudo? Ajuste para correlação dentro do grupo com um modelo de efeitos aleatórios ou fragilidade compartilhada. Se você tiver muitas covariáveis potenciais, use lasso cox e elasticnet cox para seleção e previsão do modelo.

Regressões lineares, binárias e de contagem
Ajuste modelos clássicos de ANOVA e regressão linear da relação entre um resultado contínuo, como peso, e os determinantes do peso, como altura, dieta e nível de exercício. Se sua resposta for binária, ordinal, categórica ou contagem, não se preocupe. O Stata também tem estimadores para esses tipos de resultados. Use regressão logística para ajustar razões de chances para variáveis de confusão. Estime taxas de incidência usando um modelo de Poisson. Analise dados de caso-controle correspondentes com regressão logística condicional. Uma vasta gama de ferramentas está disponível após o ajuste desses modelos. Preveja resultados e seus intervalos de confiança. Teste a igualdade de parâmetros. Calcule combinações lineares e não lineares de parâmetros.

Métodos de pesquisa
Se seus dados exigem um ajuste ponderado simples devido a taxas de amostragem diferenciais ou se você tem dados de uma pesquisa complexa de vários estágios, os recursos de pesquisa do Stata podem fornecer erros padrão corretos e intervalos de confiança para suas inferências. Basta especificar as características relevantes do seu design de amostragem, como pesos de amostragem (incluindo pesos em vários estágios), agrupamento (em um, dois ou mais estágios), estratificação e pós-estratificação. Depois disso, a maioria dos comandos de estimativa do Stata pode ajustar suas estimativas para corrigir seu design de amostragem.

Meios marginais, contrastes e interações
As médias e contrastes marginais permitem que você analise as relações entre sua variável de resultado e seus preditores, mesmo quando seu resultado é binário, contagem, ordinal ou categórico. Por exemplo, depois de ajustar uma regressão logística de uma doença em uma variável de exposição e outras covariáveis, suas médias marginais podem ser riscos médios populacionais. Ou você pode definir as covariáveis para valores interessantes para calcular riscos ajustados e, em seguida, usar contrastes para obter diferenças de risco ajustadas. Depois de ajustar quase qualquer modelo no Stata, você pode analisar o efeito das interações de covariáveis e criar facilmente gráficos para visualizar essas interações.

Potência, precisão e tamanho da amostra
Antes de conduzir seu experimento, determine o tamanho da amostra necessário para detectar efeitos significativos sem desperdiçar recursos. Você pretende calcular ICs para médias ou variâncias ou executar testes para proporções ou correlações? Você planeja ajustar um modelo de riscos proporcionais de Cox ou comparar funções de sobreviventes usando um teste de log-rank? Você quer usar um teste de associação de Cochran-Mantel-Haenszel ou um teste de tendência de Cochran-Armitage? Use o comando power do Stata para calcular o poder e o tamanho da amostra, criar tabelas personalizadas e representar graficamente automaticamente as relações entre poder, tamanho da amostra e tamanho do efeito para seu estudo planejado. Ou use o comando ciwidth para fazer o mesmo, mas para ICs em vez de testes de hipóteses, calculando o tamanho da amostra necessário para a precisão de IC desejada. Ou use o gsdesign para calcular limites de parada e os tamanhos de amostra necessários para designs sequenciais de grupo. Em vez de comandos, use o Painel de controle interativo para executar sua análise.

Meta-análise
Combine resultados de vários estudos para estimar um efeito geral. Use gráficos de floresta para visualizar resultados. Use análise de subgrupo e meta-regressão para explorar a heterogeneidade do estudo. Use gráficos de funil e testes formais para explorar o viés de publicação e efeitos de pequenos estudos. Use análise de corte e preenchimento para avaliar o impacto do viés de publicação nos resultados. Execute meta-análise cumulativa e leave-one-out. Execute meta-análise univariada, multinível e multivariada. Use o meta suite ou deixe a interface do Painel de Controle guiá-lo por toda a sua meta-análise.

Inferência causal

Estime efeitos causais de estilo experimental a partir de dados observacionais. Com os estimadores de efeitos de tratamento do Stata, você pode usar uma estrutura de resultados potenciais (contrafactuais) para estimar, por exemplo, o efeito da estrutura familiar no desenvolvimento infantil ou o efeito do desemprego na ansiedade. Ajuste modelos para resultados contínuos, binários, de contagem, fracionários e de sobrevivência com tratamentos binários ou multivalorados usando ponderação de probabilidade inversa (IPW), correspondência de pontuação de propensão, correspondência de vizinho mais próximo, ajuste de regressão ou estimadores duplamente robustos. Se a atribuição a um tratamento não for independente do resultado, você pode usar um estimador de efeitos de tratamento endógeno. Na presença de efeitos de grupo e tempo, você pode usar estimadores de diferença em diferenças (DID) e diferenças triplas (DDD). Na presença de covariáveis de alta dimensão, você pode usar lasso. Se os efeitos causais forem mediados por outra variável, use a mediação causal com mediate para desembaraçar os efeitos diretos e indiretos.

Imputação múltipla

Considere os dados ausentes em sua amostra usando imputação múltipla. Escolha entre métodos univariados e multivariados para imputar valores ausentes em variáveis contínuas, censuradas, truncadas, binárias, ordinais, categóricas e de contagem. Em seguida, em uma única etapa, estime os parâmetros usando os conjuntos de dados imputados e combine os resultados. Ajuste um modelo linear, modelo logit, modelo de Poisson, modelo multinível, modelo de sobrevivência ou um dos muitos outros modelos suportados. Use o comando mi ou deixe a interface do Painel de Controle guiá-lo por toda a sua análise de MI.

Modelos de efeitos mistos multinível

Se os agrupamentos em seus dados surgirem de forma aninhada (pacientes aninhados em clínicas e clínicas aninhadas em regiões) ou de forma não aninhada (regiões cruzadas com ocupações), você pode ajustar um modelo multinível para explicar a falta de independência dentro desses grupos. Ajuste modelos para resultados contínuos, binários, de contagem, ordinais e de sobrevivência. Estime variâncias de interceptações aleatórias e coeficientes aleatórios. Calcule correlações intraclasse. Preveja efeitos aleatórios. Estime relacionamentos que são a média populacional sobre os efeitos aleatórios.

Análise bayesiana

Ajuste modelos de regressão bayesiana usando um dos métodos de Monte Carlo de cadeia de Markov (MCMC). Você pode escolher entre vários modelos suportados ou até mesmo programar o seu próprio. Ferramentas abrangentes estão disponíveis para verificar a convergência, incluindo várias cadeias. Calcule estimativas médias posteriores e intervalos confiáveis para parâmetros do modelo e funções de parâmetros do modelo. Você pode executar testes de hipóteses baseados em intervalos e modelos. Compare modelos usando fatores de Bayes. Calcule o ajuste do modelo usando valores preditivos posteriores e gere previsões. Se você quiser levar em conta a incerteza do modelo em seu modelo de regressão, use a média do modelo bayesiano.

Modelos aditivos de risco relativo

Determine como as exposições interagem para colocar os indivíduos em maior risco de experimentar um resultado de interesse. Por exemplo, você pode estar investigando como a exposição à fumaça de cigarro e ao amianto interagem para aumentar o risco de câncer de pulmão. Com o comando reri do Stata, você pode medir interações bidirecionais em um modelo aditivo de risco relativo, enquanto considera outros fatores de risco. Escolha entre vários modelos suportados, como modelos linear generalizado binomial, Poisson, binomial negativo, logístico, Cox, sobrevivência paramétrica e modelos de sobrevivência paramétrica e semiparamétrica censurados por intervalo. Estime o risco excessivo relativo devido à interação (RERI), proporção atribuível (AP) e índice de sinergia (SI).

Relatórios automatizados e tabelas personalizáveis

O Stata foi projetado para pesquisa reproduzível, incluindo a capacidade de criar documentos dinâmicos incorporando seus resultados de análise. Crie arquivos Word ou PDF, preencha planilhas do Excel com resultados e formate-as como preferir, e misture Markdown, HTML, resultados Stata e gráficos Stata, tudo de dentro do Stata. Crie tabelas que comparem resultados de regressão ou estatísticas de resumo, use estilos padrão ou aplique os seus próprios, e exporte suas tabelas para Word, PDF, HTML, LaTeX, Excel ou Markdown e inclua-as em seus relatórios.

Caderno Jupyter com Stata

O Jupyter Notebook é amplamente usado por pesquisadores e cientistas para compartilhar suas ideias e resultados para colaboração e inovação. É um aplicativo da web fácil de usar que permite combinar código, visualizações, fórmulas matemáticas, texto narrativo e outras mídias ricas em um único documento (um "notebook") para computação interativa e desenvolvimento. Você pode invocar Stata e Mata do Jupyter Notebook com o kernel IPython (Python interativo). Isso significa que você pode combinar os recursos do Python e do Stata em um único ambiente para tornar seu trabalho facilmente reproduzível e compartilhável com outros.

Analise os resultados de duração — resultados que medem o tempo até um evento, como falha ou morte — usando as ferramentas especializadas do Stata para análise de sobrevivência. Considere as complicações inerentes aos dados de sobrevivência, como às vezes não observar o evento (censura à direita, à esquerda e de intervalo), indivíduos entrando no estudo em momentos diferentes (entrada atrasada) e indivíduos que não são observados continuamente ao longo do estudo (lacunas). Você pode estimar e plotar a probabilidade de sobrevivência ao longo do tempo. Ou modele a sobrevivência como uma função de covariáveis usando Cox, Weibull, lognormal e outros modelos de regressão. Preveja taxas de risco, tempo médio de sobrevivência e probabilidades de sobrevivência. Você tem grupos de indivíduos em seu estudo? Ajuste para correlação dentro do grupo com um modelo de efeitos aleatórios ou fragilidade compartilhada. Se você tiver muitas covariáveis potenciais, use lasso cox e elasticnet cox para seleção e previsão do modelo.

Modelos de efeitos mistos multinível
Se os agrupamentos em seus dados surgirem de forma aninhada (pacientes aninhados em clínicas e clínicas aninhadas em regiões) ou de forma não aninhada (regiões cruzadas com ocupações), você pode ajustar um modelo multinível para explicar a falta de independência dentro desses grupos. Ajuste modelos para resultados contínuos, binários, de contagem, ordinais e de sobrevivência. Estime variâncias de interceptações aleatórias e coeficientes aleatórios. Calcule correlações intraclasse. Preveja efeitos aleatórios. Estime relacionamentos que são a média populacional sobre os efeitos aleatórios.

Análise bayesiana
Ajuste modelos de regressão bayesiana usando um dos métodos de Monte Carlo de cadeia de Markov (MCMC). Você pode escolher entre vários modelos suportados ou até mesmo programar o seu próprio. Ferramentas abrangentes estão disponíveis para verificar a convergência, incluindo várias cadeias. Calcule estimativas médias posteriores e intervalos confiáveis para parâmetros do modelo e funções de parâmetros do modelo. Você pode executar testes de hipóteses baseados em intervalos e modelos. Compare modelos usando fatores de Bayes. Calcule o ajuste do modelo usando valores preditivos posteriores e gere previsões. Se você quiser levar em conta a incerteza do modelo em seu modelo de regressão, use a média do modelo bayesiano.

Potência, precisão e tamanho da amostra
Antes de conduzir seu experimento, determine o tamanho da amostra necessário para detectar efeitos significativos sem desperdiçar recursos. Você pretende calcular ICs para médias ou variâncias ou executar testes para proporções ou correlações? Você planeja ajustar um modelo de riscos proporcionais de Cox ou comparar funções de sobreviventes usando um teste de log-rank? Você quer usar um teste de associação de Cochran-Mantel-Haenszel ou um teste de tendência de Cochran-Armitage? Use o comando power do Stata para calcular o poder e o tamanho da amostra, criar tabelas personalizadas e representar graficamente automaticamente as relações entre poder, tamanho da amostra e tamanho do efeito para seu estudo planejado. Ou use o comando ciwidth para fazer o mesmo, mas para ICs em vez de testes de hipóteses, calculando o tamanho da amostra necessário para a precisão de IC desejada. Ou use o gsdesign para calcular limites de parada e os tamanhos de amostra necessários para designs sequenciais de grupo. Em vez de comandos, use o Painel de controle interativo para executar sua análise.

Regressões lineares, binárias e de contagem
Ajuste modelos clássicos de ANOVA e regressão linear da relação entre um resultado contínuo, como peso, e os determinantes do peso, como altura, dieta e nível de exercício. Se sua resposta for binária, ordinal, categórica ou contagem, não se preocupe. O Stata também tem estimadores para esses tipos de resultados. Use regressão logística para estimar razões de chances. Estime taxas de incidência usando um modelo de Poisson. Analise dados de caso-controle correspondentes com regressão logística condicional. Uma vasta gama de ferramentas está disponível após o ajuste desses modelos. Preveja resultados e seus intervalos de confiança. Teste a igualdade de parâmetros. Calcule combinações lineares e não lineares de parâmetros.

Meta-análise
Combine resultados de vários estudos para estimar um efeito geral. Use gráficos de floresta para visualizar resultados. Use análise de subgrupo e meta-regressão para explorar a heterogeneidade do estudo. Use gráficos de funil e testes formais para explorar o viés de publicação e efeitos de pequenos estudos. Use análise de corte e preenchimento para avaliar o impacto do viés de publicação nos resultados. Execute meta-análise cumulativa e leave-one-out. Execute meta-análise univariada, multinível e multivariada. Use o meta suite ou deixe a interface do Painel de Controle guiá-lo por toda a sua meta-análise.

Imputação múltipla
Considere os dados ausentes em sua amostra usando imputação múltipla. Escolha entre métodos univariados e multivariados para imputar valores ausentes em variáveis contínuas, censuradas, truncadas, binárias, ordinais, categóricas e de contagem. Em seguida, em uma única etapa, estime os parâmetros usando os conjuntos de dados imputados e combine os resultados. Ajuste um modelo linear, modelo logit, modelo de Poisson, modelo hierárquico, modelo de sobrevivência ou um dos muitos outros modelos suportados. Use o comando mi ou deixe a interface do Painel de Controle guiá-lo por toda a sua análise de MI.

Meios marginais, contrastes e interações
As médias marginais e os contrastes permitem que você analise as relações entre sua variável de resultado e suas covariáveis, mesmo quando esse resultado é binário, contagem, ordinal, categórico ou sobrevivência. Calcule previsões ajustadas com covariáveis definidas para valores interessantes ou representativos. Ou calcule médias marginais para cada nível de uma covariável categórica. Faça comparações das previsões ajustadas ou médias marginais usando contrastes. Se você tiver dados multinível e efeitos aleatórios, esses efeitos serão integrados automaticamente para fornecer estimativas marginais (ou seja, médias populacionais). Depois de ajustar quase qualquer modelo no Stata, analise o efeito das interações de covariáveis e crie facilmente gráficos para visualizar essas interações.

Inferência causal
Estime efeitos causais de estilo experimental a partir de dados observacionais. Com os estimadores de efeitos de tratamento do Stata, você pode usar uma estrutura de resultados potenciais (contrafactuais) para estimar, por exemplo, o efeito da estrutura familiar no desenvolvimento infantil ou o efeito do desemprego na ansiedade. Ajuste modelos para resultados contínuos, binários, de contagem, fracionários e de sobrevivência com tratamentos binários ou multivalorados usando ponderação de probabilidade inversa (IPW), correspondência de pontuação de propensão, correspondência de vizinho mais próximo, ajuste de regressão ou estimadores duplamente robustos. Se a atribuição a um tratamento não for independente do resultado, você pode usar um estimador de efeitos de tratamento endógeno. Na presença de efeitos de grupo e tempo, você pode usar estimadores de diferença em diferenças (DID) e diferenças triplas (DDD). Na presença de covariáveis de alta dimensão, você pode usar lasso. Se os efeitos causais forem mediados por outra variável, use a mediação causal com mediate para desembaraçar os efeitos diretos e indiretos.

Tabelas epidemiológicas
Quer analisar dados de um estudo prospectivo (incidência), estudo de coorte, estudo de caso-controle ou estudo de caso-controle pareado? As tabelas do Stata para epidemiologistas facilitam o resumo de seus dados e o cálculo de estatísticas como taxas de incidência, diferenças de taxas de incidência, taxas de risco, diferenças de risco, razões de chances e frações atribuíveis. Você também pode analisar dados estratificados — calcular estimativas combinadas de Mantel–Haenszel, executar testes de homogeneidade e padronizar estimativas. Se você tiver uma exposição ordinal em vez de binária, poderá executar um teste para uma tendência.

Programação
Quer programar seus próprios comandos para executar estimativas, executar gerenciamento de dados ou implementar outros novos recursos? O Stata é programável, e milhares de usuários do Stata implementaram e publicaram milhares de comandos contribuídos pela comunidade. Esses comandos parecem e agem como comandos oficiais do Stata e são facilmente instalados gratuitamente pela Internet a partir do Stata. Um recurso exclusivo do ambiente de programação do Stata é o Mata, uma linguagem rápida e compilada com suporte para tipos de matriz. Claro, ele tem todas as operações avançadas de matriz de que você precisa. Ele também tem acesso ao poder do LAPACK. Além disso, ele tem solucionadores e otimizadores integrados para facilitar a implementação de sua própria máxima verossimilhança, GMM ou outros estimadores. E você pode aproveitar todas as estimativas do Stata e outros recursos de dentro do Mata. Muitos dos comandos oficiais do Stata são implementados no Mata.

PyStata - Integração Python
Interaja com o código Stata com o código Python. Você pode passar dados e resultados perfeitamente entre Stata e Python. Você pode usar Stata dentro do Jupyter Notebook e outros ambientes IPython. Você pode chamar bibliotecas Python como NumPy, matplotlib, Scrapy, scikit-learn e mais do Stata. Você pode usar análises Stata de dentro do Python.

Relatórios automatizados e tabelas personalizáveis

O Stata foi projetado para pesquisa reproduzível, incluindo a capacidade de criar documentos dinâmicos incorporando seus resultados de análise. Crie arquivos Word ou PDF, preencha planilhas do Excel com resultados e formate-as como preferir, e misture Markdown, HTML, resultados Stata e gráficos Stata, tudo de dentro do Stata. Crie tabelas que comparem resultados de regressão ou estatísticas de resumo, use estilos padrão ou aplique os seus próprios, e exporte suas tabelas para Word, PDF, HTML, LaTeX, Excel ou Markdown e inclua-as em seus relatórios.

Modelos lineares gerais

Ajuste modelos unidirecionais e bidirecionais. Ou ajuste modelos com três, quatro ou até mais fatores. Analise dados com fatores aninhados, com fatores fixos e aleatórios ou com medidas repetidas. Use modelos ANCOVA quando tiver covariáveis contínuas e modelos MANOVA quando tiver múltiplas variáveis de resultado. Explore ainda mais as relações entre seu resultado e preditores estimando tamanhos de efeito e calculando mínimos quadrados e médias marginais. Realize contrastes e comparações pareadas. Analise e plote interações.

Regressões lineares, binárias e de contagem
Ajuste modelos clássicos de ANOVA e regressão linear da relação entre um resultado contínuo, como peso, e os determinantes do peso, como altura, dieta e nível de exercício. Se sua resposta for binária, ordinal, categórica ou contagem, não se preocupe. O Stata também tem estimadores para esses tipos de resultados. Use regressão logística para estimar razões de chances. Estime taxas de incidência usando um modelo de Poisson. Analise dados de caso-controle correspondentes com regressão logística condicional. Uma vasta gama de ferramentas está disponível após o ajuste desses modelos. Preveja resultados e seus intervalos de confiança. Teste a igualdade de parâmetros. Calcule combinações lineares e não lineares de parâmetros.

Potência, precisão e tamanho da amostra
Antes de conduzir seu experimento, determine o tamanho da amostra necessário para detectar efeitos significativos sem desperdiçar recursos. Você pretende calcular ICs para médias ou variâncias ou executar testes para proporções ou correlações? Você planeja ajustar um modelo de riscos proporcionais de Cox ou comparar funções de sobreviventes usando um teste de log-rank? Você quer usar um teste de associação de Cochran-Mantel-Haenszel ou um teste de tendência de Cochran-Armitage? Use o comando power do Stata para calcular o poder e o tamanho da amostra, criar tabelas personalizadas e representar graficamente automaticamente as relações entre poder, tamanho da amostra e tamanho do efeito para seu estudo planejado. Ou use o comando ciwidth para fazer o mesmo, mas para ICs em vez de testes de hipóteses, calculando o tamanho da amostra necessário para a precisão de IC desejada. Ou use o gsdesign para calcular limites de parada e os tamanhos de amostra necessários para designs sequenciais de grupo. Em vez de comandos, use o Painel de controle interativo para executar sua análise.

Meios marginais, contrastes e interações
As médias marginais e os contrastes permitem que você analise as relações entre sua variável de resultado e suas covariáveis, mesmo quando esse resultado é binário, contagem, ordinal, categórico ou sobrevivência. Calcule previsões ajustadas com covariáveis definidas para valores interessantes ou representativos. Ou calcule médias marginais para cada nível de uma covariável categórica. Faça comparações das previsões ajustadas ou médias marginais usando contrastes. Se você tiver dados multinível e efeitos aleatórios, esses efeitos serão integrados automaticamente para fornecer estimativas marginais (ou seja, médias populacionais). Depois de ajustar quase qualquer modelo no Stata, analise o efeito das interações de covariáveis e crie facilmente gráficos para visualizar essas interações.

Modelos de efeitos mistos multinível
Se os agrupamentos em seus dados surgirem de forma aninhada (pacientes aninhados em clínicas e clínicas aninhadas em regiões) ou de forma não aninhada (regiões cruzadas com ocupações), você pode ajustar um modelo multinível para explicar a falta de independência dentro desses grupos. Ajuste modelos para resultados contínuos, binários, de contagem, ordinais e de sobrevivência. Estime variâncias de interceptações aleatórias e coeficientes aleatórios. Calcule correlações intraclasse. Preveja efeitos aleatórios. Estime relacionamentos que são a média populacional sobre os efeitos aleatórios.

Meta-análise
Combine resultados de vários estudos para estimar um efeito geral. Use gráficos de floresta para visualizar resultados. Use análise de subgrupo e meta-regressão para explorar a heterogeneidade do estudo. Use gráficos de funil e testes formais para explorar o viés de publicação e efeitos de pequenos estudos. Use análise de corte e preenchimento para avaliar o impacto do viés de publicação nos resultados. Execute meta-análise cumulativa e leave-one-out. Execute meta-análise univariada, multinível e multivariada. Use o meta suite ou deixe a interface do Painel de Controle guiá-lo por toda a sua meta-análise.

Imputação múltipla

Considere os dados ausentes em sua amostra usando imputação múltipla. Escolha entre métodos univariados e multivariados para imputar valores ausentes em variáveis contínuas, censuradas, truncadas, binárias, ordinais, categóricas e de contagem. Em seguida, em uma única etapa, estime os parâmetros usando os conjuntos de dados imputados e combine os resultados. Ajuste um modelo linear, modelo logit, modelo de Poisson, modelo hierárquico, modelo de sobrevivência ou um dos muitos outros modelos suportados. Use o comando mi ou deixe a interface do Painel de Controle guiá-lo por toda a sua análise de MI.

Análise de sobrevivência

Analise os resultados de duração — resultados que medem o tempo até um evento, como falha ou morte — usando as ferramentas especializadas do Stata para análise de sobrevivência. Considere as complicações inerentes aos dados de sobrevivência, como às vezes não observar o evento (censura à direita, à esquerda e de intervalo), indivíduos entrando no estudo em momentos diferentes (entrada atrasada) e indivíduos que não são observados continuamente ao longo do estudo (lacunas). Você pode estimar e plotar a probabilidade de sobrevivência ao longo do tempo. Ou modele a sobrevivência como uma função de covariáveis usando Cox, Weibull, lognormal e outros modelos de regressão. Preveja taxas de risco, tempo médio de sobrevivência e probabilidades de sobrevivência. Você tem grupos de indivíduos em seu estudo? Ajuste para correlação dentro do grupo com um modelo de efeitos aleatórios ou fragilidade compartilhada. Se você tiver muitas covariáveis potenciais, use lasso cox e elasticnet cox para seleção e previsão do modelo.

Tabelas epidemiológicas
Quer analisar dados de um estudo prospectivo (incidência), estudo de coorte, estudo de caso-controle ou estudo de caso-controle pareado? As tabelas do Stata para epidemiologistas facilitam o resumo de seus dados e o cálculo de estatísticas como taxas de incidência, diferenças de taxas de incidência, taxas de risco, diferenças de risco, razões de chances e frações atribuíveis. Você também pode analisar dados estratificados — calcular estimativas combinadas de Mantel–Haenszel, executar testes de homogeneidade e padronizar estimativas. Se você tiver uma exposição ordinal em vez de binária, poderá executar um teste para uma tendência.

Modelos aditivos de risco relativo
Determine como as exposições interagem para colocar os indivíduos em maior risco de experimentar um resultado de interesse. Por exemplo, você pode estar investigando como a exposição à fumaça de cigarro e ao amianto interagem para aumentar o risco de câncer de pulmão. Com o comando reri do Stata, você pode medir interações bidirecionais em um modelo aditivo de risco relativo, enquanto considera outros fatores de risco. Escolha entre vários modelos suportados, como modelos linear generalizado binomial, Poisson, binomial negativo, logístico, Cox, sobrevivência paramétrica e modelos de sobrevivência paramétrica e semiparamétrica censurados por intervalo. Estime o risco excessivo relativo devido à interação (RERI), proporção atribuível (AP) e índice de sinergia (SI).

Relatórios automatizados e tabelas personalizáveis
O Stata foi projetado para pesquisa reproduzível, incluindo a capacidade de criar documentos dinâmicos incorporando seus resultados de análise. Crie arquivos Word ou PDF, preencha planilhas do Excel com resultados e formate-as como preferir, e misture Markdown, HTML, resultados Stata e gráficos Stata, tudo de dentro do Stata. Crie tabelas que comparem resultados de regressão ou estatísticas de resumo, use estilos padrão ou aplique os seus próprios, e exporte suas tabelas para Word, PDF, HTML, LaTeX, Excel ou Markdown e inclua-as em seus relatórios.

Caderno Jupyter com Stata
O Jupyter Notebook é amplamente usado por pesquisadores e cientistas para compartilhar suas ideias e resultados para colaboração e inovação. É um aplicativo da web fácil de usar que permite combinar código, visualizações, fórmulas matemáticas, texto narrativo e outras mídias ricas em um único documento (um "notebook") para computação interativa e desenvolvimento. Você pode invocar Stata e Mata do Jupyter Notebook com o kernel IPython (Python interativo). Isso significa que você pode combinar os recursos do Python e do Stata em um único ambiente para tornar seu trabalho facilmente reproduzível e compartilhável com outros.

Métodos de pesquisa

Se seus dados exigem um ajuste ponderado simples devido a taxas de amostragem diferenciais ou se você tem dados de uma pesquisa complexa de vários estágios, os recursos de pesquisa do Stata podem fornecer erros padrão corretos e intervalos de confiança para suas inferências. Basta especificar as características relevantes do seu design de amostragem, como pesos de amostragem (incluindo pesos em vários estágios), agrupamento (em um, dois ou mais estágios), estratificação e pós-estratificação. Depois disso, a maioria dos comandos de estimativa do Stata pode ajustar suas estimativas para corrigir seu design de amostragem.

Imputação múltipla
Considere os dados ausentes em sua amostra usando imputação múltipla. Escolha entre métodos univariados e multivariados para imputar valores ausentes em variáveis contínuas, censuradas, truncadas, binárias, ordinais, categóricas e de contagem. Em seguida, em uma única etapa, estime os parâmetros usando os conjuntos de dados imputados e combine os resultados. Ajuste um modelo linear, modelo logit, modelo de Poisson, modelo multinível, modelo de sobrevivência ou um dos muitos outros modelos suportados. Use o comando mi ou deixe a interface do Painel de Controle guiá-lo por toda a sua análise de MI.

Modelos de efeitos mistos multinível
Se os agrupamentos em seus dados surgirem de forma aninhada (alunos aninhados em escolas e escolas aninhadas em distritos) ou de forma não aninhada (regiões cruzadas com ocupações), você pode ajustar um modelo multinível para explicar a falta de independência dentro desses grupos. Ajuste modelos para resultados contínuos, binários, de contagem, ordinais e de sobrevivência. Estime variâncias de interceptações aleatórias e coeficientes aleatórios. Calcule correlações intraclasse. Preveja efeitos aleatórios. Estime relacionamentos que são a média populacional sobre os efeitos aleatórios.

Dados do painel
Aproveite ao máximo as informações extras que os dados do painel fornecem enquanto lida simultaneamente com as dificuldades peculiares que os dados do painel apresentam. Estude as características idiossincráticas invariantes no tempo dentro de cada painel, os relacionamentos entre os painéis e como os resultados de interesse mudam ao longo do tempo. Ajuste modelos lineares ou modelos não lineares para resultados binários, de contagem, ordinais, censurados ou de sobrevivência com estimadores de efeitos fixos, efeitos aleatórios ou média populacional. Ajuste modelos dinâmicos ou modelos com endogeneidade. Ajuste modelos de dados de painel bayesianos.

Meta-análise
Combine resultados de vários estudos para estimar um efeito geral. Use gráficos de floresta para visualizar resultados. Use análise de subgrupo e meta-regressão para explorar a heterogeneidade do estudo. Use gráficos de funil e testes formais para explorar o viés de publicação e efeitos de pequenos estudos. Use análise de corte e preenchimento para avaliar o impacto do viés de publicação nos resultados. Execute meta-análise cumulativa e leave-one-out. Execute meta-análise univariada, multinível e multivariada. Use o meta suite ou deixe a interface do Painel de Controle guiá-lo por toda a sua meta-análise.

Regressões lineares, binárias e de contagem
Ajuste modelos lineares clássicos da relação entre um resultado contínuo, como salário, e os determinantes do salário, como nível educacional, idade, experiência e setor econômico. Se sua resposta for binária (por exemplo, empregado ou desempregado), ordinal (nível educacional) ou contagem (número de filhos), não se preocupe. O Stata tem estimadores de máxima verossimilhança — probit, probit ordenado, Poisson e muitos outros — que estimam a relação entre tais resultados e seus determinantes. Uma vasta gama de ferramentas está disponível para analisar tais modelos. Preveja resultados e seus intervalos de confiança. Teste a igualdade de parâmetros ou qualquer combinação linear ou não linear de parâmetros.

Modelagem de equações estruturais (MEE)
Estimar efeitos de mediação, analisar a relação entre um conceito latente não observado, como o nível de conservadorismo de uma pessoa e as variáveis observadas que medem o conservadorismo, modelar um sistema com muitas variáveis endógenas e erros correlacionados ou ajustar um modelo com relações complexas entre variáveis latentes e observadas. Ajustar modelos com resultados contínuos, binários, de contagem, ordinais, fracionários e de sobrevivência. Ajustar até mesmo modelos multiníveis com grupos de observações correlacionadas, como crianças nas mesmas escolas. Avaliar ajuste do modelo. Calcular efeitos indiretos e totais. Ajustar modelos desenhando um diagrama de caminho ou usando a sintaxe de comando direta.

Previsões ajustadas, interações e moderação
Previsões ajustadas e médias marginais permitem que você analise as relações entre sua variável de resultado e suas covariáveis, mesmo quando esse resultado é binário, contagem, ordinal ou categórico. Calcule previsões ajustadas com covariáveis definidas para valores interessantes ou representativos. Ou calcule médias marginais para cada nível de uma covariável categórica. Faça comparações das previsões ajustadas ou médias marginais usando contrastes. Se você tiver dados multinível ou de painel e efeitos aleatórios, esses efeitos serão integrados automaticamente para fornecer estimativas marginais (ou seja, médias populacionais). Depois de ajustar quase qualquer modelo no Stata, analise o efeito de variáveis moderadoras e crie facilmente gráficos de interação.

Modelos de escolha
Modele seus dados de escolha discreta. Se seu resultado for, por exemplo, as escolhas de formandos do ensino médio para cursar uma faculdade, frequentar uma escola profissionalizante ou trabalhar, você pode ajustar um modelo logit condicional, probit multinomial ou logit misto. Seu resultado é, em vez disso, uma classificação de alternativas preferidas? Ajuste um modelo probit ordenado por classificação ou logit ordenado por classificação. Independentemente do ajuste do modelo, você pode usar as margens para interpretar facilmente os resultados. Estime o quanto a distância até a faculdade mais próxima afeta a probabilidade de se matricular na faculdade e até mesmo a probabilidade de ir para uma escola profissionalizante.

Análise bayesiana
Ajuste modelos de regressão bayesiana usando um dos métodos de Monte Carlo de cadeia de Markov (MCMC). Você pode escolher entre vários modelos suportados ou até mesmo programar o seu próprio. Ferramentas abrangentes estão disponíveis para verificar a convergência, incluindo várias cadeias. Calcule estimativas médias posteriores e intervalos confiáveis para parâmetros do modelo e funções de parâmetros do modelo. Você pode executar testes de hipóteses baseados em intervalos e modelos. Compare modelos usando fatores de Bayes. Calcule o ajuste do modelo usando valores preditivos posteriores e gere previsões. Se você quiser levar em conta a incerteza do modelo em seu modelo de regressão, use a média do modelo bayesiano.

Inferência causal
Estime efeitos causais de estilo experimental a partir de dados observacionais. Com os estimadores de efeitos de tratamento do Stata, você pode usar uma estrutura de resultados potenciais (contrafactuais) para estimar, por exemplo, o efeito da estrutura familiar no desenvolvimento infantil ou o efeito do desemprego na ansiedade. Ajuste modelos para resultados contínuos, binários, de contagem, fracionários e de sobrevivência com tratamentos binários ou multivalorados usando ponderação de probabilidade inversa (IPW), correspondência de pontuação de propensão, correspondência de vizinho mais próximo, ajuste de regressão ou estimadores duplamente robustos. Se a atribuição a um tratamento não for independente do resultado, você pode usar um estimador de efeitos de tratamento endógeno. Na presença de efeitos de grupo e tempo, você pode usar estimadores de diferença em diferenças (DID) e diferenças triplas (DDD). Na presença de covariáveis de alta dimensão, você pode usar lasso. Se os efeitos causais forem mediados por outra variável, use a mediação causal com mediate para desembaraçar os efeitos diretos e indiretos.

Programação
Quer programar seus próprios comandos para executar estimativas, executar gerenciamento de dados ou implementar outros novos recursos? O Stata é programável, e milhares de usuários do Stata implementaram e publicaram milhares de comandos contribuídos pela comunidade. Esses comandos parecem e agem como comandos oficiais do Stata e são facilmente instalados gratuitamente pela Internet a partir do Stata. Um recurso exclusivo do ambiente de programação do Stata é o Mata, uma linguagem rápida e compilada com suporte para tipos de matriz. Claro, ele tem todas as operações avançadas de matriz de que você precisa. Ele também tem acesso ao poder do LAPACK. Além disso, ele tem solucionadores e otimizadores integrados para facilitar a implementação de sua própria máxima verossimilhança, GMM ou outros estimadores. E você pode aproveitar todas as estimativas do Stata e outros recursos a partir do Mata. Muitos dos comandos oficiais do Stata são implementados no Mata.

Relatórios automatizados e tabelas personalizáveis
O Stata foi projetado para pesquisa reproduzível, incluindo a capacidade de criar documentos dinâmicos incorporando seus resultados de análise. Crie arquivos Word ou PDF, preencha planilhas do Excel com resultados e formate-as como preferir, e misture Markdown, HTML, resultados Stata e gráficos Stata, tudo de dentro do Stata. Crie tabelas que comparem resultados de regressão ou estatísticas de resumo, use estilos padrão ou aplique os seus próprios, e exporte suas tabelas para Word, PDF, HTML, LaTeX, Excel ou Markdown e inclua-as em seus relatórios.

Caderno Jupyter com Stata
O Jupyter Notebook é amplamente usado por pesquisadores e cientistas para compartilhar suas ideias e resultados para colaboração e inovação. É um aplicativo da web fácil de usar que permite combinar código, visualizações, fórmulas matemáticas, texto narrativo e outras mídias ricas em um único documento (um "notebook") para computação interativa e desenvolvimento. Você pode invocar Stata e Mata do Jupyter Notebook com o kernel IPython (Python interativo). Isso significa que você pode combinar os recursos do Python e do Stata em um único ambiente para tornar seu trabalho facilmente reproduzível e compartilhável com outros.

Métodos de pesquisa

Se seus dados exigem um ajuste ponderado simples devido a taxas de amostragem diferenciais ou se você tem dados de uma pesquisa complexa de vários estágios, os recursos de pesquisa do Stata podem fornecer erros padrão corretos e intervalos de confiança para suas inferências. Basta especificar as características relevantes do seu design de amostragem, como pesos de amostragem (incluindo pesos em vários estágios), agrupamento (em um, dois ou mais estágios), estratificação e pós-estratificação. Depois disso, a maioria dos comandos de estimativa do Stata pode ajustar suas estimativas para corrigir seu design de amostragem.

Modelos de efeitos mistos multinível
Se os agrupamentos em seus dados surgirem de forma aninhada (pacientes aninhados em clínicas e clínicas aninhadas em regiões) ou de forma não aninhada (regiões cruzadas com ocupações), você pode ajustar um modelo multinível para explicar a falta de independência dentro desses grupos. Ajuste modelos para resultados contínuos, binários, de contagem, ordinais e de sobrevivência. Estime variâncias de interceptações aleatórias e coeficientes aleatórios. Calcule correlações intraclasse. Preveja efeitos aleatórios. Estime relacionamentos que são a média populacional sobre os efeitos aleatórios.

Dados do painel
Aproveite ao máximo as informações extras que os dados do painel fornecem enquanto lida simultaneamente com as peculiaridades dos dados do painel. Estude os recursos invariantes no tempo dentro de cada painel, os relacionamentos entre os painéis e como os resultados de interesse mudam ao longo do tempo. Ajuste modelos lineares ou modelos não lineares para resultados binários, de contagem, ordinais, censurados ou de sobrevivência com estimadores de efeitos fixos, efeitos aleatórios ou média populacional. Ajuste modelos dinâmicos ou modelos com endogeneidade. Ajuste modelos de dados de painel bayesianos.

Modelagem de equações estruturais (MEE)
Estimar efeitos de mediação, analisar a relação entre um conceito latente não observado, como depressão, e as variáveis observadas que medem a depressão, modelar um sistema com muitas variáveis endógenas e erros correlacionados ou ajustar um modelo com relações complexas entre variáveis latentes e observadas. Ajustar modelos com resultados contínuos, binários, de contagem, ordinais, fracionários e de sobrevivência. Ajustar até mesmo modelos multiníveis com grupos de observações correlacionadas, como crianças nas mesmas escolas. Avaliar ajuste do modelo. Calcular efeitos indiretos e totais. Ajustar modelos desenhando um diagrama de caminho ou usando a sintaxe de comando direta.

Regressões lineares, binárias e de contagem
Ajuste modelos lineares clássicos da relação entre um resultado contínuo, como salário, e os determinantes do salário, como nível educacional, idade, experiência e setor econômico. Se sua resposta for binária (por exemplo, empregado ou desempregado), ordinal (nível educacional) ou contagem (número de filhos), não se preocupe. O Stata tem estimadores de máxima verossimilhança — probit, probit ordenado, Poisson e muitos outros — que estimam a relação entre tais resultados e seus determinantes. Uma vasta gama de ferramentas está disponível para analisar tais modelos. Preveja resultados e seus intervalos de confiança. Teste a igualdade de parâmetros ou qualquer combinação linear ou não linear de parâmetros.

Meta-análise
Combine resultados de vários estudos para estimar um efeito geral. Use gráficos de floresta para visualizar resultados. Use análise de subgrupo e meta-regressão para explorar a heterogeneidade do estudo. Use gráficos de funil e testes formais para explorar o viés de publicação e efeitos de pequenos estudos. Use análise de corte e preenchimento para avaliar o impacto do viés de publicação nos resultados. Execute meta-análise cumulativa e leave-one-out. Execute meta-análise univariada, multinível e multivariada. Use o meta suite ou deixe a interface do Painel de Controle guiá-lo por toda a sua meta-análise.

Imputação múltipla
Considere os dados ausentes em sua amostra usando imputação múltipla. Escolha entre métodos univariados e multivariados para imputar valores ausentes em variáveis contínuas, censuradas, truncadas, binárias, ordinais, categóricas e de contagem. Em seguida, em uma única etapa, estime os parâmetros usando os conjuntos de dados imputados e combine os resultados. Ajuste um modelo linear, modelo logit, modelo de Poisson, modelo hierárquico, modelo de sobrevivência ou um dos muitos outros modelos suportados. Use o comando mi ou deixe a interface do Painel de Controle guiá-lo por toda a sua análise de MI.

Previsões ajustadas, contrastes e interações
As previsões e contrastes ajustados permitem que você analise as relações entre sua variável de resultado e suas covariáveis, mesmo quando esse resultado é binário, contagem, ordinal ou categórico. Calcule previsões ajustadas com covariáveis definidas para valores interessantes ou representativos. Ou calcule médias marginais para cada nível de uma covariável categórica. Faça comparações das previsões ajustadas ou médias marginais usando contrastes. Se você tiver dados multinível ou de painel e efeitos aleatórios, esses efeitos serão integrados automaticamente para fornecer estimativas marginais (ou seja, médias populacionais). Depois de ajustar quase qualquer modelo no Stata, analise o efeito das interações de covariáveis e crie facilmente gráficos para visualizar essas interações.

Análise de sobrevivência
Analise os resultados de duração — resultados que medem o tempo até um evento, como falha ou morte — usando as ferramentas especializadas do Stata para análise de sobrevivência. Considere as complicações inerentes aos dados de sobrevivência, como às vezes não observar o evento (censura à direita, à esquerda e de intervalo), indivíduos entrando no estudo em momentos diferentes (entrada atrasada) e indivíduos que não são observados continuamente ao longo do estudo (lacunas). Você pode estimar e plotar a probabilidade de sobrevivência ao longo do tempo. Ou modele a sobrevivência como uma função de covariáveis usando Cox, Weibull, lognormal e outros modelos de regressão. Preveja taxas de risco, tempo médio de sobrevivência e probabilidades de sobrevivência. Você tem grupos de indivíduos em seu estudo? Ajuste para correlação dentro do grupo com um modelo de efeitos aleatórios ou fragilidade compartilhada. Se você tiver muitas covariáveis potenciais, use lasso cox e elasticnet cox para seleção e previsão do modelo.

Inferência causal
Estime efeitos causais de estilo experimental a partir de dados observacionais. Com os estimadores de efeitos de tratamento do Stata, você pode usar uma estrutura de resultados potenciais (contrafactuais) para estimar, por exemplo, o efeito da estrutura familiar no desenvolvimento infantil ou o efeito do desemprego na ansiedade. Ajuste modelos para resultados contínuos, binários, de contagem, fracionários e de sobrevivência com tratamentos binários ou multivalorados usando ponderação de probabilidade inversa (IPW), correspondência de pontuação de propensão, correspondência de vizinho mais próximo, ajuste de regressão ou estimadores duplamente robustos. Se a atribuição a um tratamento não for independente do resultado, você pode usar um estimador de efeitos de tratamento endógeno. Na presença de efeitos de grupo e tempo, você pode usar estimadores de diferença em diferenças (DID) e diferenças triplas (DDD). Na presença de covariáveis de alta dimensão, você pode usar lasso. Se os efeitos causais forem mediados por outra variável, use a mediação causal com mediate para desembaraçar os efeitos diretos e indiretos.

Séries Temporais
Lide com os desafios estatísticos inerentes aos dados de séries temporais — autocorrelações, fatores comuns, heterocedasticidade condicional autorregressiva, raízes unitárias, cointegração e muito mais. Analise séries temporais univariadas usando ARIMA, ARFIMA, modelos de comutação de Markov, modelos ARCH e GARCH e modelos de componentes não observados. Analise séries temporais multivariadas usando VAR, VAR estrutural, VEC, GARCH multivariado, modelos de fator dinâmico e modelos de espaço de estado. Calcule e represente graficamente respostas de impulso. Teste raízes unitárias. Execute análise de séries temporais bayesianas.

TRI (teoria de resposta ao item)
Explore a relação entre características latentes não observadas, como satisfação hospitalar, e a probabilidade de responder positivamente a itens do questionário relacionados à satisfação. Ou explore a relação entre saúde não observada e respostas autorrelatadas a perguntas sobre mobilidade, independência e outras atividades afetadas pela saúde. A TRI pode ser usada para criar medidas de tais características não observadas ou colocar indivíduos em uma escala que mede a característica. Ela também pode ser usada para selecionar os melhores itens para medir uma característica latente. Os modelos de TRI estão disponíveis para itens de resposta binários, graduados, classificados, de crédito parcial e nominais. Visualize as relações usando curvas características de itens e meça o desempenho geral do teste usando funções de informações de teste.

Relatórios automatizados e tabelas personalizáveis
O Stata foi projetado para pesquisa reproduzível, incluindo a capacidade de criar documentos dinâmicos incorporando seus resultados de análise. Crie arquivos Word ou PDF, preencha planilhas do Excel com resultados e formate-as como preferir, e misture Markdown, HTML, resultados Stata e gráficos Stata, tudo de dentro do Stata. Crie tabelas que comparem resultados de regressão ou estatísticas de resumo, use estilos padrão ou aplique os seus próprios, e exporte suas tabelas para Word, PDF, HTML, LaTeX, Excel ou Markdown e inclua-as em seus relatórios.

Caderno Jupyter com Stata
O Jupyter Notebook é amplamente usado por pesquisadores e cientistas para compartilhar suas ideias e resultados para colaboração e inovação. É um aplicativo da web fácil de usar que permite combinar código, visualizações, fórmulas matemáticas, texto narrativo e outras mídias ricas em um único documento (um "notebook") para computação interativa e desenvolvimento. Você pode invocar Stata e Mata do Jupyter Notebook com o kernel IPython (Python interativo). Isso significa que você pode combinar os recursos do Python e do Stata em um único ambiente para tornar seu trabalho facilmente reproduzível e compartilhável com outros.