我們很高興地向您介紹Sata16的新功能。下面，我們列出了該版本的所有亮點。接下來會介紹更多關(guān)于前13個功能。我們介紹每種功能所使用的詞語，您也可以在向現(xiàn)有和潛在的Stata用戶介紹它們時使用。
大多數(shù)這些功能都將會使所有學(xué)科領(lǐng)域的研究員們感到興奮。在適當?shù)那闆r下，我們將強調(diào)哪些學(xué)科領(lǐng)域是人們最感興趣的或者提供不同領(lǐng)域的用戶如何與該功能相關(guān)的建議。我們將發(fā)送（單獨）列表，按照學(xué)科對這些功能進行排序。
1. Lasso
2. Reporting
3. Meta-analysis
4. Choice models
5. Python integration
6. New in Bayesian analysis—Multiple chains, predictions, and more
7. Panel-data ERMs
8. Import data from SAS and SPSS
9. Nonparametric series regression
10. Multiple datasets in memory
11. Sample-size analysis for confidence intervals
12. Nonlinear DSGE models
13. Multiple-group IRT models
14. xtheckman
15. Multiple-dose pharmacokinetic modeling
16. Heteroskedastic ordered probit models
17. Graph sizes in printer points, centimeters, and inches
18. Numerical integration
19. Linear programming
20. Stata in Korean
21. Mac interface now supports Dark Mode and native tabbed windows
22. Do-file Editor—Autocompletion and more syntax highlighting
1. Lasso
Lasso是一種用于模型選擇、預(yù)測和推斷的機器學(xué)習(xí)技術(shù)。
新的lasso命令使用線性、泊松、logit或probit回歸模型的偏差為連續(xù)、計數(shù)和二進制結(jié)果選擇“最佳”預(yù)測器。
例如，如果輸入
. lasso linear y x1-x500
lasso將選擇指定協(xié)變量的子集-例如x2，x10，x11和x21。然后，您可以使用標準的predict命令獲得y的預(yù)測值。
如果您有一個二進制或計數(shù)的結(jié)果，您可以用同樣的方法使用lasso logit、lasso probit或lasso poisson。如果您更喜歡使用彈性網(wǎng)絡(luò)或平方根lasso方法來選擇變量，那么可以使用elasticnet或sqrtlasso命令。
有時，變量選擇或預(yù)測是您使用lasso的最終目標。而其他時候，您可能對估算和檢驗系數(shù)感興趣。Stata 16提供了11個命令，允許您參數(shù)估計、標準誤差和置信區(qū)間，并在使用lasso方法從潛在控制變量中選擇的同時，對感興趣的變量執(zhí)行檢驗。這些命令是：dsregress、dslogit、dspoisson、poregress、pologit、popoisson、poivpoisson、xporegress、xpologit、xpopoisson以及xpoivregress.
ds系列命令執(zhí)行double-selection lasso，po系列命令執(zhí)行partialing-out lasso，以及xpo系列命令執(zhí)行cross-fit partialing-out lasso。他們對具有連續(xù)、二進制和計數(shù)結(jié)果的模型執(zhí)行此操作。它們甚至可以在模型中處理內(nèi)生協(xié)變量，以獲得連續(xù)的結(jié)果。目前文獻討論了許多基于lasso的推斷方法。我們提供了一些這樣的方法，以便研究人員能夠選擇他們最喜歡的。事實上，文獻中還有更多基于lasso的推斷方法，研究人員通?？梢允褂?strong>lasso、sqrtlasso和elasticnet中提供的工具來實現(xiàn)其他方法。
lasso和elasticnet命令是用于變量選擇和預(yù)測的標準lasso工具。lasso推斷工具實現(xiàn)了主要由計量經(jīng)濟學(xué)家開發(fā)的新方法。然而，這些推斷方法將在所有學(xué)科中流行，因為它們提供了一種檢驗和解釋目標變量系數(shù)的方法。
用戶可以在新的lasso參考手冊中輕松了解lasso的所有功能。
2.報告功能
Stata的報告功能允許您創(chuàng)建Word、PDF、Excel和HTML文檔，這些文檔將Stata結(jié)果和圖形與格式化的文本和表格結(jié)合在一起。無論您創(chuàng)建的文檔類型如何，都可以依靠Stata的集成版本控制功能來確保您的報告是可復(fù)制的。
想要在數(shù)據(jù)更改時同步更新動態(tài)報告嗎？Stata的報告功能使這一點變得簡單。使用更新的數(shù)據(jù)集重新運行創(chuàng)建報表的命令或do文件，并自動更新報告中所有Stata結(jié)果。
當然，Stata16具有新的和改進的報告功能，但同樣重要的是，Stata的所有報告功能現(xiàn)在都記錄在新的報告參考手冊中。本手冊包括許多新的示例，用于演示了工作流程，并提供了有關(guān)使用Stata自定義創(chuàng)建Word、PDF、Excel和HTML文檔的指導(dǎo)。
Stata 16中的新報告功能：
l dyndoc和markdown命令現(xiàn)在除了以前創(chuàng)建的HTML文檔之外，還創(chuàng)建了Word文檔?，F(xiàn)在，您可以輕松地將所有的Stata輸出和帶有Markdown格式文本的圖形合并，以創(chuàng)建定制的Word文檔
l Do文件編輯器現(xiàn)在為Markdown語言元素提供語法突出顯示。
l putdocx命令現(xiàn)在允許您包含頁眉、頁腳和頁碼。它使大文本塊的編寫更加容易。
l html2docx命令將HTML文檔（包括css）轉(zhuǎn)換為Word文檔。
l Docx2pdf命令將word文檔轉(zhuǎn)換為PDF格式。
3. Meta分析
Stata16有一套執(zhí)行meta分析的新命令。這一套命令可以讓您探索和組合不同研究的結(jié)果。例如，如果您收集了20項關(guān)于特定藥物對血壓影響的研究的結(jié)果，您可以總結(jié)這些研究，并使用Meta分析估計總體效果。
新的Meta分析組件很廣泛，但它的獨特之處在于它的簡潔性。
例如，您可以輸入
. meta set effectsize stderr
聲明預(yù)先計算的效果大小，或使用meta esize從匯總數(shù)據(jù)來計算效果。使用這種方法，您可以執(zhí)行隨機效應(yīng)、固定效應(yīng)或共同效應(yīng)meta分析。
為了估算整體效果大小及其置信區(qū)間，獲取異質(zhì)性統(tǒng)計數(shù)據(jù)等等，只需輸入：
. meta summarize
且可視化結(jié)果就像打字一樣簡單：
. meta forestplot
但是meta套件提供了更多功能。
Meta回歸分析和亞組分析可以讓您評估研究的異質(zhì)性。這些可以通過meta regress和meta forestplot, subgroup()或者meta summarize, subgroup()獲得。
您可以調(diào)查潛在的發(fā)布偏差。使用meta funnelplot從外觀上檢查漏斗圖的不對稱性；使用meta bias正式地檢驗漏斗圖的不對稱性；使用meta trimfill的剪補法評估發(fā)布的偏差。
您甚至可以使用meta summary，cumulative（）執(zhí)行累積meta分析。
所有的meta分析功能都記錄在新的meta分析參考手冊中。
4. 選擇模型
在Stata16中，我們引入了一套新的統(tǒng)一的命令套件，用于建模選擇數(shù)據(jù)。添加了用于匯總選擇數(shù)據(jù)的新命令。重命名并改進了用于擬合選擇模型的現(xiàn)有命令。我們甚至添加了一個新的命令，用于面板數(shù)據(jù)擬合混合Logit模型。我們在新的“選擇模型參考手冊”中將它們一起記錄下來。
這里是最好的部分:在選擇合適的模型后，margins起了作用。這意味著您現(xiàn)在可以輕松地解釋所選擇模型的結(jié)果。雖然選擇模型中估計的系數(shù)通常幾乎無法解釋，但是margins允許您根據(jù)結(jié)果詢問和回答非常具體的問題。假設(shè)您在模擬交通的選擇，您可以回答以下問題：
?預(yù)計有多少比例的旅客選擇航空旅行？
?每增加1萬美元的收入，乘汽車旅行的概率如何變化？
?如果機場的等待時間增加30分鐘，這對每種交通方式的選擇有何影響？
還有什么新的部分呢？現(xiàn)在，在擬合選擇模型之前，先cmset數(shù)據(jù)。例如：
.cmset personid transportmethod
然后，使用cmsummary、cmchoiceset、cmtab和cmsample來探索、匯總和查找您數(shù)據(jù)中潛在的問題。
您可以使用cm系列的估計命令來選擇以下選擇模型之一：
?cmclogit 條件logit（McFadden選擇）模型
?cmmixlogit 混合logit模型
?cmxtmixlogit 面板數(shù)據(jù)混合logit模型
?cmmprobit 多項式Probit模型
?cmroprobit 排序Probit模型
?cmrologit 排序logit模型
與其他命令不同，cmxtmixlogit不僅被重命名和改進。它在Stata16中也是全新的，并且適用于面板數(shù)據(jù)的混合logit模型。
5. Python集成
在stata 16中，可以從Stata中嵌入并執(zhí)行python代碼。Stata新的python命令允許您從Stata輕松調(diào)用python，并在Stata中輸出python結(jié)果。
您可以交互地或在do文件和ado文件中調(diào)用python，以便利用python的廣泛語言特性。還可以直接通過Stata執(zhí)行python腳本文件（.py）。
此外，我們還介紹了Stata函數(shù)接口（sfi）python模塊，它提供了Stata和python之間的雙向連接。此模塊允許您訪問Stata的當前數(shù)據(jù)集、框架、宏、標量、矩陣、值標簽、特征、全局Mata矩陣等。
所有這些都意味著您現(xiàn)在可以直接在Stata中使用任何python包。例如，可以使用matplotlib繪制三維圖形?？梢允褂胣umpy進行數(shù)值計算。您可以使用scrappy從網(wǎng)頁上抓取數(shù)據(jù)?？梢酝ㄟ^TensorFlow和Scikit Learn訪問其他機器學(xué)習(xí)技術(shù)，如神經(jīng)網(wǎng)絡(luò)和支持向量機；以及更多的技術(shù)。
最后，Stata的do文件編輯器現(xiàn)在包含了Python語言的語法突出顯示。
雖然高級用戶和程序員最有可能使用Python集成，但Stata中Python的可用性將激發(fā)所有學(xué)科領(lǐng)域中的更多的用戶。
6.貝葉斯分析中的新功能—多鏈，預(yù)測等等）
多鏈條：
基于MCMC (Markov chain Monte Carlo)樣本的貝葉斯推斷只有在Markov鏈收斂時才有效。評估這種收斂性的一種方法是模擬和比較多個鏈。
新的nchans（）選項可以與bayes:prefix和bayesmh命令一起使用。例如，您可以輸入：
. bayes, nchains(4): regress y x1 x2
將生產(chǎn)四條鏈。這些鏈將結(jié)合在一起產(chǎn)生更精確的最終結(jié)果。然而，在解釋結(jié)果之前，可以通過圖形比較鏈來評估收斂。還可以使用現(xiàn)在由Bayes報告的Gelman-Rubin收斂診斷來評估收斂性：當模擬多個鏈時，使用的regress和其他貝葉斯估計命令。當您關(guān)心非收斂性時，可以使用bayesstats grubin命令進一步研究，以獲得模型中每個參數(shù)的單個gelman–rubin診斷。
貝葉斯預(yù)測：
貝葉斯預(yù)測是來自后驗預(yù)測分布的模擬值。這些預(yù)測對于檢驗?zāi)Ｐ蛿M合和預(yù)測樣本外觀測很有用。使用bayesmh擬合模型后，可以使用bayespredict來計算這些模擬值或函數(shù)，并將它們保存在新的Stata數(shù)據(jù)集中。例如，您可以輸入：
. bayespredict (ymin:@min({_ysim})) (ymax:@max({_ysim})), saving(yminmax)
來計算模擬值的最小值和最大值。然后，可以使用其他的后置估計命令（如bayesgraph）來獲得預(yù)測的摘要信息。bayespredict創(chuàng)建的數(shù)據(jù)集可能包含數(shù)據(jù)集中每個觀測的數(shù)千個模擬值。有時，您不需要所有這些單獨的值。為了獲得后驗，如后驗均值或中位數(shù)，您可以使用bayespredict、pmean或bayespredict、pmedian。或者，您可能對模擬值的隨機樣本感興趣。例如，您可以使用bayesreps、nreps（100）來獲得100個副本。
最后，您可能希望使用后驗預(yù)測p值，也稱為PPPs或貝葉斯預(yù)測p值來評估模型的擬合優(yōu)度。PPPs測量觀測數(shù)據(jù)和復(fù)制數(shù)據(jù)之間的協(xié)議，可以使用最新的bayesstats ppvalues命令計算。例如，使用我們前面的示例：
. bayesstats ppvalues {ymin} {ymax} using yminmax
7.面板數(shù)據(jù)的ERMs
擴展回歸模型（ERMs）是上次版本的一個新功能。ERM命令適用于解釋觀測數(shù)據(jù)中三個常見問題的模型：內(nèi)生協(xié)變量、樣本選擇和單獨或聯(lián)合處理。
在Stata16中，我們介紹了用于擬合面板數(shù)據(jù)ERM模型的xtererss、xteintreg、xteprobit和xteoprobit命令。這意味著ERM現(xiàn)在可以解釋上面提到的三個問題以及面板內(nèi)相關(guān)性。這些新命令適用于隨機效應(yīng)線性、區(qū)間、概率和有序概率回歸模型。它們允許一個或所有方程中的隨機效應(yīng)，并且允許隨機效應(yīng)在方程間相互關(guān)聯(lián)。
使用觀測（非實驗）數(shù)據(jù)的所有學(xué)科的研究人員都對ERM模型感興趣，并對這些命令的新面板數(shù)據(jù)版本感到興奮。然而，不同的學(xué)科領(lǐng)域?qū)@些模型的討論也不同。
上面，我們提到ERMs模型解決的問題稱為內(nèi)生協(xié)變量、樣本選擇、處理以及面板內(nèi)相關(guān)。雖然這個術(shù)語在經(jīng)濟學(xué)等一些學(xué)科中很常見，但其他學(xué)科可能會使用其他術(shù)語。
?研究人員可能會要求多層次（兩層）數(shù)據(jù)模型來解釋組內(nèi)相關(guān)性，而不是面板數(shù)據(jù)和面板內(nèi)相關(guān)性。
?研究人員可能會要求處理未觀察到的或未測量到的干擾因子，而不是內(nèi)生協(xié)變量。
?與樣本選擇不同，研究人員可能關(guān)注的是信息丟失、不可忽視的無反應(yīng)或隨機丟失的結(jié)果（MNAR）的試驗。
?研究人員可能會詢問因果推斷或估計平均處理效果（ATEs）的方法，而不是治療方法。
值得注意的是，盡管所有的學(xué)科領(lǐng)域都對ERM模型感興趣，但它們通常使用不同的語言。
8.從SAS和SPSS中導(dǎo)入數(shù)據(jù)
通過使用Stata16新的導(dǎo)入SAS和SPSS的命令，您現(xiàn)在可以導(dǎo)入存儲成SAS（.sas7bdat）和SPSS（.sav）格式的數(shù)據(jù)。通過對話框可以在導(dǎo)入數(shù)據(jù)之前輕松瀏覽數(shù)據(jù)，并根據(jù)需要選擇要加載到Stata中的變量和觀察的子集。例如，
此外，使用新的import saxport8和export saxport8命令，可以將SAS XPORT版本8的傳輸文件導(dǎo)入和導(dǎo)出到Stata中。現(xiàn)有的import saxport和export saxport命令與SAS XPORT版本5傳輸文件一起使用，并已重命名為import saxport5和export saxport5。
9.非參數(shù)序列回歸
Stata16中新的npregress系列命令適用于使用多項式、B樣條或協(xié)變量樣條近似因變量平均值的非參數(shù)序列回歸模型。這意味著您不需要指定任何預(yù)定的功能形式。只需指定您希望在模型中包含哪些協(xié)變量。例如，鍵入
. npregress series wineoutput rainfall temperature i.irrigation
npregress系列報告的不是系數(shù)，而是報告結(jié)果，連續(xù)變量的平均邊際效應(yīng)和分類變量的對比。結(jié)果表明，降雨的平均邊際效應(yīng)為1，灌溉的對比度為2。這種對比可以解釋為灌溉的平均處理效果。
作為非參數(shù)回歸，未知均值近似為協(xié)變量的一系列函數(shù)。然而，我們?nèi)匀豢梢詮膮?shù)模型中得到推論。我們只使用margins。我們可以輸入：
. margins irrigation, at(temperature=(40(5)90))
并得到在40、50、…、90度的溫度下進行灌溉的預(yù)期效果表。我們可以用marginsplot來繪制結(jié)果。
更重要的是，npregress系列可以適用于部分參數(shù)（半?yún)?shù)）模型。
10.內(nèi)存中的多個數(shù)據(jù)集
現(xiàn)在可以將多個數(shù)據(jù)集加載到內(nèi)存中。輸入：
. use people
然后people.dta被載入內(nèi)存。接下來，輸入：
. frame create counties
. frame counties: use counties
內(nèi)存中有兩個數(shù)據(jù)集。people.dta位于名為default的框架中，countries.dta位于名為countries的框架中。當前的框架仍為default。大多數(shù)Stata命令使用當前框架中的數(shù)據(jù)。例如，如果輸入：
. list
會列出people.dta，如果輸入：
.frame counties: list
然后會列出counties.dta?；蛘吣梢酝ㄟ^鍵入使counties成為當前框架：
.frame change counties
現(xiàn)在list就會列出counties數(shù)據(jù)。
導(dǎo)航框架很容易，連接它們也很容易。假設(shè)兩個數(shù)據(jù)集都有一個名為countycode的變量，該變量以相同的方式標識縣。鍵入：
. frlink m:1 countycode, frame(counties)
默認框架中的每個人都會連接到counties框架中的一個縣。這意味著您現(xiàn)在可以使用frget命令將變量從countries框架復(fù)制到當前框架?；蛘呖梢允褂?strong>frval（）函數(shù)直接訪問countries框架中變量的值。例如，如果我們將每個人的收入設(shè)置到default框架中，在counties框架中有縣收入的中位數(shù)，那么我們可以通過鍵入來生成一個包含相對收入的新變量：
. generate rel_income = income / frval(counties, median_income)
這只是開始。雖然本例中僅使用兩個框架，但一次最多可以在內(nèi)存中有100個框架，并且這些框架之間可以有許多鏈接。
11.置信區(qū)間的樣本量分析
新的ciwidth命令執(zhí)行精度和樣本大?。≒rSS）分析，即置信區(qū)間（CIs）的樣本大小分析。當計劃研究時使用此方法，并且希望在使用CIs進行推斷時以最佳方式分配資源。換言之，當您想要估計在計劃研究中獲得所需的CI精度所需的樣本量時，可以使用此方法。
ciwidth生成的樣本大小、精度以及：
?一個平均值的CI
?一個方差的CI
?兩個獨立均值的CI
?兩個配對均的CI
控制面板界面允許您選擇分析類型和輸入假設(shè)以獲得所需的結(jié)果。
ciwidth允許在可自定義的表和圖形中顯示結(jié)果。
ciwidth還為您提供了添加自己方法的工具。
12.非線性DSGE模型
在Stata15中，我們引入了用于擬合線性DSGE模型的dsge命令，這是模型用于經(jīng)濟學(xué)和金融學(xué)的時間序列模型。這些模型是傳統(tǒng)預(yù)測模型的替代方案。這兩個模型都試圖解釋總體經(jīng)濟現(xiàn)象，但DSGE模型是基于微觀經(jīng)濟理論推導(dǎo)出的模型。
在Stata 16的更新中，dsgenl命令適用于非線性DSGE 模型。大多數(shù)DSGE模型都是非線性的，這意味著您不再需要手動行線性化它們。當您將方程輸入dsgenl時，它會為您將它們線性化。
用dsgenl估算模型的參數(shù)后，可以得到過渡矩陣和政策矩陣；確定模型的穩(wěn)態(tài)；估計方程組所隱含的變量的方差、協(xié)方差和自方差；創(chuàng)建并繪制脈沖響應(yīng)函數(shù)。
這可能是宏觀經(jīng)濟學(xué)家和任何在央行工作的人最喜歡的特征。
13.多組IRT模型
IRT模型探討了潛在（未被觀察到的）特征與測量該特征各方面的項目之間的關(guān)系。這通常發(fā)生在標準化檢驗中，其中感興趣的特征是能力，例如數(shù)學(xué)能力。IRT模型設(shè)計了一組項目（測試問題），并對這些未被觀察到的特征進行了評估。教育、心理學(xué)和健康領(lǐng)域的研究人員經(jīng)常采用IRT模型。
Stata的irt命令適合1、2和3參數(shù)邏輯模型。它們還適合分級響應(yīng)、名義響應(yīng)、部分信用和評級尺度模型及它們的任何組合。在擬合模型后，irtgraph繪制項目特征曲線、測試特征曲線、項目信息函數(shù)和測試信息函數(shù)。
在Stata 16的更新中，irt命令允許跨組比較。采用任何現(xiàn)有的irt命令，添加一個group（varname）選項，并適應(yīng)相應(yīng)的多組模型。例如，鍵入
.irt 2pl item1-item10, group(female)
便匹配了兩組2PL模型
IRT模型對潛在性狀的群體特異性均值和方差進行估計。還可以估計一個或多個項目項目組難度和識別參數(shù)。通過約束，您可以精確地指定哪些參數(shù)允許更改，哪些參數(shù)在組之間被約束為相等。
您甚至可以使用似然比測試來比較有約束和沒有約束的模型，以執(zhí)行一個基于IRT模型的差異項功能測試。
還有更多！
