Explora. Visualiza. Modela. Una mejor perspectiva empieza con Stata.

Ante todo, StataNow es Stata. Es una versión de lanzamiento continuo de Stata que ofrece nuevas funciones en cuanto están disponibles. StataNow es el resultado de nuestro esfuerzo continuo por ofrecer el mejor Stata (el Stata más actualizado) a nuestros usuarios. Antes de StataNow, la mayoría de las nuevas funciones solo estaban disponibles con una versión principal, como Stata 17, Stata 18, etc. StataNow proporciona acceso a las nuevas funciones antes. Por ejemplo, StataNow contiene funciones que también formarán parte de una futura versión principal, Stata 20.

Todos los titulares de licencias anuales tienen acceso a StataNow, independientemente de si tienen una licencia anual o multianual, o si su institución tiene una licencia de sitio. Puede acceder a las últimas funciones de StataNow simplemente escribiendo actualizar todo en la ventana de comandos o solicitando a su administrador del sistema que actualice su Stata. Los usuarios de Stata 19 podrían tener que escribir actualizar todo dos veces. La primera actualización le proporcionará un Stata que sabe cómo actualizarse automáticamente a StataNow. La segunda actualización será StataNow. Luego, escriba ayuda qué es nuevo para ver la lista de todas las funciones.

Los nuevos usuarios pueden obtener StataNow en línea, comprando cualquier Stata anual. licencia

Si tiene mantenimiento para su licencia, contáctenos para obtener nueva información de descarga y licencia para StataNow.

Solicitar StataNow →

Si tiene una licencia perpetua sin mantenimiento o su mantenimiento o licencia ha expirado, contáctenos para conocer sus opciones.

Contáctenos →

Al iniciar Stata, verá StataNowen la pantalla de inicio. También puede escribir about y verá StataNow en la primera línea.

Análisis de potencia para regresión logística | Lanzado en mayo de 2025

Diseñar un estudio eficaz requiere equilibrar la potencia estadística, el tamaño de la muestra y el costo. El nuevo comando power logistic de Stata le ayuda a determinar el tamaño de muestra óptimo para modelos de regresión logística sin desperdiciar tiempo ni recursos.

El comando power logistic de Stata calcula el tamaño de la muestra, la potencia o el tamaño del efecto para la prueba de un coeficiente de interés en un modelo de regresión logística. Como con todos los demás métodos power, power logistic le permite especificar múltiples valores de parámetros y producir automáticamente resultados tabulares y gráficos.

Efectos locales promedio del tratamiento (LATE) | Lanzado en agosto de 2025

StataNow™ presenta lateffects, una nueva función para estimar los efectos locales promedio del tratamiento (LATE), es decir, los efectos causales para la subpoblación que cumple con la asignación del tratamiento.

Cuando las diferencias no observables entre las unidades tratadas y no tratadas hacen imposible identificar efectos para toda la población, lateffects aprovecha un instrumento —como la asignación aleatoria en experimentos o una variable exógena en estudios observacionales— para aislar el efecto para los cumplidores.

A diferencia de los mínimos cuadrados en dos etapas estándar, que pueden fallar cuando se incluyen covariables, lateffects estima con precisión el LATE tanto con como sin covariables, proporcionando una herramienta sólida para la inferencia causal en presencia de incumplimiento.

Adiciones de VCE para modelos lineales | Lanzado en agosto de 2025

StataNow™ amplía las capacidades de la regresión lineal con más opciones de VCE, brindándole errores estándar e intervalos de confianza que siguen siendo confiables en una gama más amplia de escenarios.

Las nuevas funciones incluyen errores estándar consistentes frente a heterocedasticidad y autocorrelación (HAC) para regress y areg, errores estándar de Driscoll–Kraay para xtreg, fe, y una corrección de sesgo mejorada con errores estándar HC2 y HC3 (incluida la corrección de Hansen de 2025) en múltiples comandos.

ivregress ahora admite múltiples conglomerados no anidados, y xtgls puede modelar correlación arbitraria dentro de los paneles con la opción corr(unstructured). Estas mejoras hacen que la inferencia robusta sea más fácil y flexible que nunca.

Cinta de historial de cambios en el Editor de Do-files | Lanzado en agosto de 2025

El Editor de Do-files ahora puede mostrar los tipos de cambios realizados en un documento como marcadores de colores en la cinta de historial de cambios, ubicada en el margen. Dos colores de marcador identifican las líneas que han sido modificadas y las que se han revertido al original. Para especificar si desea que la cinta de historial de cambios sea visible, haga clic derecho en el Editor de Do-files, seleccione Preferencias... y marque o desmarque Historial de cambios en la pestaña General o Display.

Mejora en la truncación de nombres de variables en el Editor de Datos | Lanzado en agosto de 2025

En la cuadrícula del Editor de Datos, ahora puede seleccionar si los nombres de variables se truncarán al final (predeterminado), en el medio o 1, 2, 3 o 4 caracteres antes del final. Puede cambiar el comportamiento de truncado en el cuadro de diálogo de preferencias del Editor de Datos.

Preparación de datos

Extraiga datos de la web, impórtelos desde formatos estándar o cárguelos mediante SQL con JDBC u ODBC. Combine, vincule, anexe, reestructure, transponga, ordene y filtre. Stata maneja Unicode, marcos (múltiples conjuntos de datos en memoria), BLOBs, expresiones regulares y más, ya sea trabajando con cientos de miles o incluso miles de millones de puntos de datos.

Informes automatizados y tablas personalizables

Utilice Markdown para crear documentos de Word y archivos HTML con código, resultados y gráficos de Stata incrustados. Automatice informes en Word, PDF o Excel con capacidades de exportación de alto nivel y acceso programático detallado de bajo nivel para automatizar la producción de los documentos que su equipo necesita. Personalice tablas para comunicar claramente los resultados y exporte sus tablas a Word, PDF, HTML, LaTeX, Excel o Markdown.

Visualización

Cree gráficos y personalícelos de forma programática o interactiva con el Editor de gráficos. Las ediciones incluso pueden grabarse y 'reproducirse' en otros gráficos para garantizar la reproducibilidad. Exporte a formatos estándar de la industria adecuados para la web (SVG, PNG) o impresión (PDF, TIFF, EPS, PS).

Programación

Automatice todo su flujo de trabajo con scripts y funciones de programación completas como clases, estructuras y punteros. Una característica única del entorno de programación de Stata es Mata, un lenguaje de programación matricial rápido y compilado. Por supuesto, incluye todas las operaciones matriciales avanzadas que necesita. También tiene acceso a la potencia de LAPACK. Además, incluye solucionadores y optimizadores integrados para facilitar la implementación de su propio estimador. Y puede aprovechar todas las funciones de estimación y otras características de Stata desde Mata.

PyStata—Integración con Python

Intercambie código de Stata con código de Python. Puede transferir datos y resultados sin problemas entre Stata y Python. Puede usar Stata dentro de Jupyter Notebook y otros entornos de IPython. Puede llamar a bibliotecas de Python como NumPy, matplotlib, Scrapy, scikit-learn y más desde Stata. También puede usar análisis de Stata desde Python.

Interoperabilidad

Conéctese a código externo mediante complementos de Python, Java y C++. Escriba código Python o Java directamente dentro de su código de Stata. Controle Stata mediante Jupyter Notebook, OLE Automation o ejecútelo en modo por lotes. Escriba sentencias SQL personalizadas con JDBC y ODBC para extraer o cargar datos en bases de datos. Acceda a clústeres H2O. 

Estadística y modelado

Incorpore modelos estadísticos de última generación y sus resultados en su flujo de trabajo. Encuentre grupos en sus datos utilizando técnicas no supervisadas como análisis de conglomerados, componentes principales, análisis factorial, escalamiento multidimensional y análisis de correspondencias. Comprenda aún mejor sus grupos usando análisis de clases latentes. Cuando su análisis requiera técnicas supervisadas, Stata dispone de métodos no paramétricos flexibles y una amplia gama de modelos de regresión, desde modelos lineales y logísticos hasta modelos de mezcla. Stata responde cuando sus datos requieren técnicas especiales. Tiene acceso a métodos que entienden y aprovechan la estructura en series temporales, datos de panel, datos de supervivencia, encuestas complejas, datos espaciales y datos multinivel. Stata ofrece las implementaciones más accesibles de métodos bayesianos y modelado de ecuaciones estructurales disponibles en cualquier parte. Puede solicitar métodos bootstrap para prácticamente cualquier estimador. Cuando su análisis lo requiera, Stata automatiza otros métodos de replicación y simulaciones.

Reproducibilidad

Stata es el único software para ciencia de datos y análisis estadístico que cuenta con un sistema integral de control de versiones que garantiza que su código siga funcionando, sin alteraciones, incluso después de actualizaciones o nuevas versiones. No es necesario conservar múltiples instalaciones antiguas para evitar romper su sistema; el código de Stata de hace 25 años aún puede ejecutarse sin modificación. Los conjuntos de datos, gráficos, scripts, programas y más son 100% multiplataforma y compatibles hacia atrás.

Lasso

Use lasso y elastic net para la selección de modelos y la predicción. Y cuando quiera estimar efectos y probar coeficientes para algunas variables de interés, los métodos inferenciales proporcionan estimaciones para estas variables mientras usan lasso para seleccionar entre un número potencialmente grande de variables de control. Incluso puede tener en cuenta covariables endógenas. Ya sea que su objetivo sea la selección de modelos, la predicción o la inferencia, puede usar las funciones lasso de Stata con resultados continuos, binarios, de conteo o de tiempo hasta el evento.

Estime efectos de mediación, analice la relación entre un concepto latente no observado como las habilidades verbales y las variables observadas que miden dichas habilidades, o ajuste un modelo con relaciones complejas entre variables latentes y observadas. Ajuste modelos con resultados continuos, binarios, de conteo y ordinales. Incluso ajuste modelos jerárquicos con grupos de observaciones correlacionadas, como niños dentro de las mismas escuelas. Evalúe el ajuste del modelo. Calcule efectos indirectos y totales. Ajuste modelos dibujando un diagrama de rutas o utilizando la sintaxis de comandos directa.

Modelos lineales generales

Explore la relación entre características latentes no observadas, como la aptitud matemática, y la probabilidad de responder correctamente a preguntas de un examen (ítems). O explore la relación entre la satisfacción laboral de los docentes y sus respuestas autoinformadas a preguntas relacionadas con la satisfacción laboral. IRT puede usarse para crear medidas de dichos rasgos no observados o para ubicar a individuos en una escala que mide el rasgo. También puede usarse para seleccionar los mejores ítems para medir un rasgo latente. Los modelos IRT están disponibles para ítems de respuesta binaria, graduada, valorada, de crédito parcial y nominal. Visualice las relaciones mediante curvas características de los ítems y mida el rendimiento general de la prueba utilizando funciones de información del test.

Regresiones lineales, binarias y de conteo

Ajuste modelos clásicos de regresión lineal de la relación entre un resultado continuo, como una puntuación en una prueba de lectura, y los determinantes de la puntuación, como el método de enseñanza y el nivel de lectura del estudiante en el curso anterior. Si su respuesta es binaria (por ejemplo, aprobar o reprobar un examen), ordinal (nivel educativo), de conteo (número de estudiantes) o categórica (escuela privada, pública o en casa), no se preocupe. Stata dispone de estimadores de máxima verosimilitud—logística, logística ordenada, Poisson, logit multinomial y muchos otros—que estiman la relación entre dichos resultados y sus determinantes. Una amplia gama de herramientas está disponible tras ajustar estos modelos. Prediga resultados y sus intervalos de confianza. Pruebe la igualdad de parámetros. Calcule combinaciones lineales y no lineales de parámetros.

Regresiones lineales, binarias y de conteo

Tenga en cuenta los datos faltantes en su muestra utilizando imputación múltiple. Elija entre métodos univariados y multivariados para imputar valores faltantes en variables continuas, censuradas, truncadas, binarias, ordinales, categóricas y de conteo. Luego, en un solo paso, estime parámetros usando los conjuntos de datos imputados y combine los resultados. Ajuste un modelo lineal, logit, Poisson, jerárquico, de supervivencia o uno de los muchos otros modelos compatibles. Use el comando mi o deje que la interfaz del Panel de control lo guíe a través de todo su análisis de MI.

Modelos de elección

Modele sus datos de elección discreta. Si su resultado es, por ejemplo, elegir viajar en autobús, tren, coche o avión, puede ajustar un logit condicional, un probit multinomial o un logit mixto. ¿Su resultado es en cambio una clasificación de métodos de viaje preferidos? Ajuste un probit ordenado por rango o un logit ordenado por rango. Independientemente del modelo ajustado, puede usar margins para interpretar fácilmente los resultados. Estime cuánto influyen los tiempos de espera en el aeropuerto en la probabilidad de viajar en avión o incluso en tren.

Contrastes, medias marginales y gráficos de perfil

Obtenga rápida y fácilmente contrastes para variables categóricas y sus interacciones. R.edlevel le dará todos los contrastes de nivel educativo con una categoría de referencia. A.edlevel le dará cada contraste por pares con el siguiente nivel educativo superior. Existen muchos más contrastes con nombre y puede especificar los suyos propios. Si no le gusta escribir, use un cuadro de diálogo para seleccionar sus contrastes. Las medias marginales están a solo un comando o clic de distancia después de casi cualquier comando de estimación. Evaluar los efectos de interacción, los efectos de variables moderadoras, es igual de fácil. Y esto no es solo para modelos lineales, sino también para modelos con resultados binarios, ordinales y de conteo. Incluso para modelos jerárquicos con un manejo correcto de los efectos aleatorios. Un simple comando o unos pocos clics le darán un gráfico de perfil de cualquiera de estos resultados.

Tablas epidemiológicas

¿Quiere analizar datos de un estudio prospectivo, un estudio de cohorte, un estudio de casos y controles o un estudio de casos y controles emparejados? Las tablas de Stata para epidemiólogos facilitan resumir sus datos y calcular estadísticas como razones de tasas de incidencia, diferencias de tasas de incidencia, razones de riesgo, diferencias de riesgo, razones de momios y fracciones atribuibles. También puede analizar datos estratificados: calcular estimaciones combinadas de Mantel–Haenszel, realizar pruebas de homogeneidad y estandarizar estimaciones. Si tiene una exposición ordinal en lugar de binaria, puede realizar una prueba de tendencia.

Análisis de supervivencia
Analice resultados de duración—resultados que miden el tiempo hasta un evento como fallo o muerte—usando las herramientas especializadas de Stata para análisis de supervivencia. Tenga en cuenta las complicaciones inherentes a los datos de supervivencia, como no observar el evento (censura por la derecha, por la izquierda e intervalar), la entrada tardía de individuos al estudio y la observación no continua de individuos (lagunas). Puede estimar y graficar la probabilidad de supervivencia a lo largo del tiempo. O modelar la supervivencia como función de covariables usando modelos de regresión de Cox, Weibull, lognormal y otros. Prediga razones de riesgo, tiempo medio de supervivencia y probabilidades de supervivencia. ¿Tiene grupos de individuos en su estudio? Ajuste por correlación dentro de grupo con un modelo de efectos aleatorios o de fragilidad compartida. Si tiene muchas covariables potenciales, use lasso cox y elasticnet cox para la selección de modelos y la predicción.

Regresiones lineales, binarias y de conteo
Ajuste modelos clásicos de ANOVA y de regresión lineal para la relación entre un resultado continuo, como el peso, y los determinantes del peso, como la altura, la dieta y el nivel de ejercicio. Si su respuesta es binaria, ordinal, categórica o de conteo, no se preocupe. Stata tiene estimadores para estos tipos de resultados también. Use regresión logística para ajustar razones de momios por variables de confusión. Estime tasas de incidencia usando un modelo Poisson. Analice datos de casos y controles emparejados con regresión logística condicional. Una amplia gama de herramientas está disponible después de ajustar estos modelos. Prediga resultados e intervalos de confianza. Pruebe la igualdad de parámetros. Calcule combinaciones lineales y no lineales de parámetros.

Métodos de encuestas
Ya sea que sus datos requieran un ajuste ponderado simple debido a tasas de muestreo diferenciales o que tenga datos de una encuesta compleja por etapas, las funciones de encuestas de Stata pueden proporcionarle errores estándar e intervalos de confianza correctos para sus inferencias. Simplemente especifique las características relevantes de su diseño de muestreo, como ponderaciones (incluidas ponderaciones en múltiples etapas), conglomeración (en una, dos o más etapas), estratificación y post-estratificación. Después de eso, la mayoría de los comandos de estimación de Stata pueden ajustar sus estimaciones para corregir su diseño de muestreo.

Medias marginales, contrastes e interacciones
Las medias marginales y los contrastes le permiten analizar las relaciones entre su variable de resultado y sus predictores, incluso cuando su resultado es binario, de conteo, ordinal o categórico. Por ejemplo, después de ajustar una regresión logística de una enfermedad sobre una variable de exposición y otras covariables, sus medias marginales pueden ser riesgos promediados en la población. O puede fijar las covariables en valores de interés para calcular riesgos ajustados y luego usar contrastes para obtener diferencias de riesgo ajustadas. Después de ajustar casi cualquier modelo en Stata, puede analizar el efecto de las interacciones de covariables y crear fácilmente gráficos para visualizar esas interacciones.

Poder, precisión y tamaño de muestra
Antes de realizar su experimento, determine el tamaño de muestra necesario para detectar efectos significativos sin desperdiciar recursos. ¿Desea calcular IC para medias o varianzas o realizar pruebas para proporciones o correlaciones? ¿Planea ajustar un modelo de riesgos proporcionales de Cox o comparar funciones de supervivencia usando una prueba log-rank? ¿Quiere usar una prueba de asociación de Cochran—Mantel—Haenszel o una prueba de tendencia de Cochran—Armitage? Use el comando power de Stata para calcular potencia y tamaño de muestra, crear tablas personalizadas y graficar automáticamente las relaciones entre potencia, tamaño de muestra y tamaño del efecto para su estudio planificado. O use el comando ciwidth para hacer lo mismo pero para IC en lugar de pruebas de hipótesis calculando el tamaño de muestra requerido para la precisión deseada del IC. O use gsdesign para calcular límites de detención y tamaños de muestra requeridos para diseños secuenciales por grupos. En lugar de comandos, use el Panel de control interactivo para realizar su análisis.

Meta-análisis
Combine los resultados de múltiples estudios para estimar un efecto general. Utilice gráficos de bosque para visualizar resultados. Use análisis por subgrupos y meta-regresión para explorar la heterogeneidad de los estudios. Use gráficos de embudo y pruebas formales para explorar el sesgo de publicación y los efectos de estudios pequeños. Utilice análisis de recorte y relleno para evaluar el impacto del sesgo de publicación en los resultados. Realice meta-análisis acumulativos y de exclusión de un estudio a la vez. Realice meta-análisis univariado, multinivel y multivariado. Utilice la suite meta o deje que la interfaz del Panel de control lo guíe en todo su meta-análisis.

Inferencia causal

Estime efectos causales de estilo experimental a partir de datos observacionales. Con los estimadores de efectos de tratamiento de Stata, puede usar un marco de resultados potenciales (contrafactuales) para estimar, por ejemplo, el efecto de la estructura familiar en el desarrollo infantil o el efecto del desempleo en la ansiedad. Ajuste modelos para resultados continuos, binarios, de conteo, fraccionarios y de supervivencia con tratamientos binarios o multivaluados utilizando ponderación por probabilidad inversa (IPW), emparejamiento por puntaje de propensión, emparejamiento por vecino más cercano, ajuste por regresión o estimadores doblemente robustos. Si la asignación a un tratamiento no es independiente del resultado, puede usar un estimador de efectos de tratamiento endógeno. En presencia de efectos de grupo y de tiempo, puede usar estimadores de diferencias en diferencias (DID) y diferencias triples (DDD). En presencia de covariables de alta dimensión, puede usar lasso. Si los efectos causales están mediados por otra variable, utilice mediación causal con mediate para separar efectos directos e indirectos.

Imputación múltiple

Tenga en cuenta los datos faltantes en su muestra utilizando imputación múltiple. Elija entre métodos univariados y multivariados para imputar valores faltantes en variables continuas, censuradas, truncadas, binarias, ordinales, categóricas y de conteo. Luego, en un solo paso, estime parámetros usando los conjuntos de datos imputados y combine los resultados. Ajuste un modelo lineal, logit, Poisson, multinivel, de supervivencia o uno de los muchos otros modelos compatibles. Use el comando mi o deje que la interfaz del Panel de control lo guíe a través de todo su análisis de MI.

Modelos multinivel de efectos mixtos

Ya sea que las agrupaciones en sus datos surjan de manera anidada (pacientes anidados en clínicas y clínicas anidadas en regiones) o de manera no anidada (regiones cruzadas con ocupaciones), puede ajustar un modelo multinivel para tener en cuenta la falta de independencia dentro de estos grupos. Ajuste modelos para resultados continuos, binarios, de conteo, ordinales y de supervivencia. Estime las varianzas de interceptos aleatorios y coeficientes aleatorios. Calcule correlaciones intraclase. Prediga efectos aleatorios. Estime relaciones promediadas en la población sobre los efectos aleatorios.

Análisis bayesiano

Ajuste modelos de regresión bayesiana utilizando uno de los métodos de Monte Carlo con cadenas de Markov (MCMC). Puede elegir entre varios modelos compatibles o incluso programar el suyo propio. Hay disponibles amplias herramientas para verificar la convergencia, incluidas múltiples cadenas. Calcule estimaciones de la media posterior e intervalos creíbles para los parámetros del modelo y funciones de los parámetros del modelo. Puede realizar pruebas de hipótesis basadas en intervalos o en modelos. Compare modelos usando factores de Bayes. Calcule el ajuste del modelo usando valores predictivos posteriores y genere predicciones. Si desea tener en cuenta la incertidumbre del modelo en su modelo de regresión, utilice el promedio de modelos bayesianos.

Modelos aditivos de riesgo relativo

Determine cómo interactúan las exposiciones para poner a los sujetos en mayor riesgo de experimentar un resultado de interés. Por ejemplo, podría investigar cómo la exposición al humo de cigarrillo y al asbesto interactúan para aumentar el riesgo de cáncer de pulmón. Con el comando reri de Stata, puede medir interacciones bidireccionales en un modelo aditivo de riesgo relativo, teniendo en cuenta otros factores de riesgo. Elija entre varios modelos compatibles, como lineal generalizado binomial, Poisson, binomial negativa, logística, Cox, supervivencia paramétrica, y supervivencia paramétrica y semiparamétrica con censura por intervalos. Estime el exceso de riesgo relativo debido a la interacción (RERI), la proporción atribuible (AP) y el índice de sinergia (SI).

Informes automatizados y tablas personalizables

Stata está diseñado para investigación reproducible, incluyendo la capacidad de crear documentos dinámicos que incorporen los resultados de su análisis. Cree archivos de Word o PDF, llene hojas de cálculo de Excel con resultados y deles formato a su gusto, y combine Markdown, HTML, resultados de Stata y gráficos de Stata, todo desde dentro de Stata. Cree tablas que comparen resultados de regresión o estadísticas resumidas, use estilos predeterminados o aplique los suyos propios, y exporte sus tablas a Word, PDF, HTML, LaTeX, Excel o Markdown e inclúyalas en sus informes.

Jupyter Notebook con Stata

Jupyter Notebook es ampliamente utilizado por investigadores y científicos para compartir sus ideas y resultados con fines de colaboración e innovación. Es una aplicación web fácil de usar que le permite combinar código, visualizaciones, fórmulas matemáticas, texto narrativo y otros medios enriquecidos en un solo documento (un 'notebook') para computación interactiva y desarrollo. Puede invocar Stata y Mata desde Jupyter Notebook con el kernel IPython (Python interactivo). Esto significa que puede combinar las capacidades de Python y Stata en un solo entorno para que su trabajo sea fácilmente reproducible y compartible con otros.

Análisis de supervivencia

Analice resultados de duración—resultados que miden el tiempo hasta un evento como fallo o muerte—usando las herramientas especializadas de Stata para análisis de supervivencia. Tenga en cuenta las complicaciones inherentes a los datos de supervivencia, como no observar el evento (censura por la derecha, por la izquierda e intervalar), la entrada tardía de individuos al estudio y la observación no continua de individuos (lagunas). Puede estimar y graficar la probabilidad de supervivencia a lo largo del tiempo. O modelar la supervivencia como función de covariables usando modelos de regresión de Cox, Weibull, lognormal y otros. Prediga razones de riesgo, tiempo medio de supervivencia y probabilidades de supervivencia. ¿Tiene grupos de individuos en su estudio? Ajuste por correlación dentro de grupo con un modelo de efectos aleatorios o de fragilidad compartida. Si tiene muchas covariables potenciales, use lasso cox y elasticnet cox para la selección de modelos y la predicción.

Modelos multinivel de efectos mixtos
Ya sea que las agrupaciones en sus datos surjan de manera anidada (pacientes anidados en clínicas y clínicas anidadas en regiones) o de manera no anidada (regiones cruzadas con ocupaciones), puede ajustar un modelo multinivel para tener en cuenta la falta de independencia dentro de estos grupos. Ajuste modelos para resultados continuos, binarios, de conteo, ordinales y de supervivencia. Estime las varianzas de interceptos aleatorios y coeficientes aleatorios. Calcule correlaciones intraclase. Prediga efectos aleatorios. Estime relaciones promediadas en la población sobre los efectos aleatorios.

Análisis bayesiano
Ajuste modelos de regresión bayesiana utilizando uno de los métodos de Monte Carlo con cadenas de Markov (MCMC). Puede elegir entre varios modelos compatibles o incluso programar el suyo propio. Hay disponibles amplias herramientas para verificar la convergencia, incluidas múltiples cadenas. Calcule estimaciones de la media posterior e intervalos creíbles para los parámetros del modelo y funciones de los parámetros del modelo. Puede realizar pruebas de hipótesis basadas en intervalos o en modelos. Compare modelos usando factores de Bayes. Calcule el ajuste del modelo usando valores predictivos posteriores y genere predicciones. Si desea tener en cuenta la incertidumbre del modelo en su modelo de regresión, utilice el promedio de modelos bayesianos.

Poder, precisión y tamaño de muestra
Antes de realizar su experimento, determine el tamaño de muestra necesario para detectar efectos significativos sin desperdiciar recursos. ¿Desea calcular IC para medias o varianzas o realizar pruebas para proporciones o correlaciones? ¿Planea ajustar un modelo de riesgos proporcionales de Cox o comparar funciones de supervivencia usando una prueba log-rank? ¿Quiere usar una prueba de asociación de Cochran—Mantel—Haenszel o una prueba de tendencia de Cochran—Armitage? Use el comando power de Stata para calcular potencia y tamaño de muestra, crear tablas personalizadas y graficar automáticamente las relaciones entre potencia, tamaño de muestra y tamaño del efecto para su estudio planificado. O use el comando ciwidth para hacer lo mismo pero para IC en lugar de pruebas de hipótesis calculando el tamaño de muestra requerido para la precisión deseada del IC. O use gsdesign para calcular límites de detención y tamaños de muestra requeridos para diseños secuenciales por grupos. En lugar de comandos, use el Panel de control interactivo para realizar su análisis.

Regresiones lineales, binarias y de conteo
Ajuste modelos clásicos de ANOVA y de regresión lineal para la relación entre un resultado continuo, como el peso, y los determinantes del peso, como la altura, la dieta y el nivel de ejercicio. Si su respuesta es binaria, ordinal, categórica o de conteo, no se preocupe. Stata tiene estimadores para estos tipos de resultados también. Use regresión logística para estimar razones de momios. Estime tasas de incidencia usando un modelo Poisson. Analice datos de casos y controles emparejados con regresión logística condicional. Una amplia gama de herramientas está disponible después de ajustar estos modelos. Prediga resultados e intervalos de confianza. Pruebe la igualdad de parámetros. Calcule combinaciones lineales y no lineales de parámetros.

Meta-análisis
Combine los resultados de múltiples estudios para estimar un efecto general. Utilice gráficos de bosque para visualizar resultados. Use análisis por subgrupos y meta-regresión para explorar la heterogeneidad de los estudios. Use gráficos de embudo y pruebas formales para explorar el sesgo de publicación y los efectos de estudios pequeños. Utilice análisis de recorte y relleno para evaluar el impacto del sesgo de publicación en los resultados. Realice meta-análisis acumulativos y de exclusión de un estudio a la vez. Realice meta-análisis univariado, multinivel y multivariado. Utilice la suite meta o deje que la interfaz del Panel de control lo guíe en todo su meta-análisis.

Imputación múltiple
Tenga en cuenta los datos faltantes en su muestra utilizando imputación múltiple. Elija entre métodos univariados y multivariados para imputar valores faltantes en variables continuas, censuradas, truncadas, binarias, ordinales, categóricas y de conteo. Luego, en un solo paso, estime parámetros usando los conjuntos de datos imputados y combine los resultados. Ajuste un modelo lineal, logit, Poisson, jerárquico, de supervivencia o uno de los muchos otros modelos compatibles. Use el comando mi o deje que la interfaz del Panel de control lo guíe a través de todo su análisis de MI.

Medias marginales, contrastes e interacciones
Las medias marginales y los contrastes le permiten analizar las relaciones entre su variable de resultado y sus covariables, incluso cuando ese resultado es binario, de conteo, ordinal, categórico o de supervivencia. Calcule predicciones ajustadas con las covariables fijadas en valores interesantes o representativos. O calcule medias marginales para cada nivel de una covariable categórica. Compare las predicciones ajustadas o las medias marginales utilizando contrastes. Si tiene datos multinivel y efectos aleatorios, estos se integran automáticamente para proporcionar estimaciones marginales (es decir, promediadas en la población). Después de ajustar casi cualquier modelo en Stata, analice el efecto de las interacciones de covariables y cree fácilmente gráficos para visualizar esas interacciones.

Inferencia causal
Estime efectos causales de estilo experimental a partir de datos observacionales. Con los estimadores de efectos de tratamiento de Stata, puede usar un marco de resultados potenciales (contrafactuales) para estimar, por ejemplo, el efecto de la estructura familiar en el desarrollo infantil o el efecto del desempleo en la ansiedad. Ajuste modelos para resultados continuos, binarios, de conteo, fraccionarios y de supervivencia con tratamientos binarios o multivaluados utilizando ponderación por probabilidad inversa (IPW), emparejamiento por puntaje de propensión, emparejamiento por vecino más cercano, ajuste por regresión o estimadores doblemente robustos. Si la asignación a un tratamiento no es independiente del resultado, puede usar un estimador de efectos de tratamiento endógeno. En presencia de efectos de grupo y de tiempo, puede usar estimadores de diferencias en diferencias (DID) y diferencias triples (DDD). En presencia de covariables de alta dimensión, puede usar lasso. Si los efectos causales están mediados por otra variable, utilice mediación causal con mediate para separar efectos directos e indirectos.

Tablas epidemiológicas
¿Quiere analizar datos de un estudio prospectivo (incidencia), un estudio de cohorte, un estudio de casos y controles o un estudio de casos y controles emparejados? Las tablas de Stata para epidemiólogos facilitan resumir sus datos y calcular estadísticas como razones de tasas de incidencia, diferencias de tasas de incidencia, razones de riesgo, diferencias de riesgo, razones de momios y fracciones atribuibles. También puede analizar datos estratificados: calcular estimaciones combinadas de Mantel–Haenszel, realizar pruebas de homogeneidad y estandarizar estimaciones. Si tiene una exposición ordinal en lugar de binaria, puede realizar una prueba de tendencia.

Programación
¿Quiere programar sus propios comandos para realizar estimaciones, gestionar datos o implementar nuevas funciones? Stata es programable y miles de usuarios han implementado y publicado miles de comandos comunitarios. Estos comandos se comportan como comandos oficiales de Stata y se instalan fácilmente y de forma gratuita desde Internet dentro de Stata. Una característica única del entorno de programación de Stata es Mata, un lenguaje rápido y compilado con soporte para tipos matriciales. Por supuesto, tiene todas las operaciones matriciales avanzadas que necesita. También tiene acceso a la potencia de LAPACK. Además, incluye solucionadores y optimizadores integrados para facilitar la implementación de su propio estimador de máxima verosimilitud, GMM u otros. Y puede aprovechar todas las funciones de estimación y otras características de Stata desde Mata. Muchos de los comandos oficiales de Stata están implementados en Mata.

PyStata - Integración con Python
Intercambie código de Stata con código de Python. Puede transferir datos y resultados sin problemas entre Stata y Python. Puede usar Stata dentro de Jupyter Notebook y otros entornos de IPython. Puede llamar a bibliotecas de Python como NumPy, matplotlib, Scrapy, scikit-learn y más desde Stata. También puede usar análisis de Stata desde Python.

Informes automatizados y tablas personalizables

Stata está diseñado para investigación reproducible, incluyendo la capacidad de crear documentos dinámicos que incorporen los resultados de su análisis. Cree archivos de Word o PDF, llene hojas de cálculo de Excel con resultados y deles formato a su gusto, y combine Markdown, HTML, resultados de Stata y gráficos de Stata, todo desde dentro de Stata. Cree tablas que comparen resultados de regresión o estadísticas resumidas, use estilos predeterminados o aplique los suyos propios, y exporte sus tablas a Word, PDF, HTML, LaTeX, Excel o Markdown e inclúyalas en sus informes.

Modelos lineales generales

Ajuste modelos de uno y dos factores. O ajuste modelos con tres, cuatro o incluso más factores. Analice datos con factores anidados, con factores fijos y aleatorios, o con medidas repetidas. Utilice modelos ANCOVA cuando tenga covariables continuas y modelos MANOVA cuando tenga múltiples variables de resultado. Explore más a fondo las relaciones entre su resultado y los predictores estimando tamaños del efecto y calculando medias de mínimos cuadrados y medias marginales. Realice contrastes y comparaciones por pares. Analice e ilustre interacciones.

Regresiones lineales, binarias y de conteo
Ajuste modelos clásicos de ANOVA y de regresión lineal para la relación entre un resultado continuo, como el peso, y los determinantes del peso, como la altura, la dieta y el nivel de ejercicio. Si su respuesta es binaria, ordinal, categórica o de conteo, no se preocupe. Stata tiene estimadores para estos tipos de resultados también. Use regresión logística para estimar razones de momios. Estime tasas de incidencia usando un modelo Poisson. Analice datos de casos y controles emparejados con regresión logística condicional. Una amplia gama de herramientas está disponible después de ajustar estos modelos. Prediga resultados e intervalos de confianza. Pruebe la igualdad de parámetros. Calcule combinaciones lineales y no lineales de parámetros.

Poder, precisión y tamaño de muestra
Antes de realizar su experimento, determine el tamaño de muestra necesario para detectar efectos significativos sin desperdiciar recursos. ¿Desea calcular IC para medias o varianzas o realizar pruebas para proporciones o correlaciones? ¿Planea ajustar un modelo de riesgos proporcionales de Cox o comparar funciones de supervivencia usando una prueba log-rank? ¿Quiere usar una prueba de asociación de Cochran—Mantel—Haenszel o una prueba de tendencia de Cochran—Armitage? Use el comando power de Stata para calcular potencia y tamaño de muestra, crear tablas personalizadas y graficar automáticamente las relaciones entre potencia, tamaño de muestra y tamaño del efecto para su estudio planificado. O use el comando ciwidth para hacer lo mismo pero para IC en lugar de pruebas de hipótesis calculando el tamaño de muestra requerido para la precisión deseada del IC. O use gsdesign para calcular límites de detención y tamaños de muestra requeridos para diseños secuenciales por grupos. En lugar de comandos, use el Panel de control interactivo para realizar su análisis.

Medias marginales, contrastes e interacciones
Las medias marginales y los contrastes le permiten analizar las relaciones entre su variable de resultado y sus covariables, incluso cuando ese resultado es binario, de conteo, ordinal, categórico o de supervivencia. Calcule predicciones ajustadas con las covariables fijadas en valores interesantes o representativos. O calcule medias marginales para cada nivel de una covariable categórica. Compare las predicciones ajustadas o las medias marginales utilizando contrastes. Si tiene datos multinivel y efectos aleatorios, estos se integran automáticamente para proporcionar estimaciones marginales (es decir, promediadas en la población). Después de ajustar casi cualquier modelo en Stata, analice el efecto de las interacciones de covariables y cree fácilmente gráficos para visualizar esas interacciones.

Modelos multinivel de efectos mixtos
Ya sea que las agrupaciones en sus datos surjan de manera anidada (pacientes anidados en clínicas y clínicas anidadas en regiones) o de manera no anidada (regiones cruzadas con ocupaciones), puede ajustar un modelo multinivel para tener en cuenta la falta de independencia dentro de estos grupos. Ajuste modelos para resultados continuos, binarios, de conteo, ordinales y de supervivencia. Estime las varianzas de interceptos aleatorios y coeficientes aleatorios. Calcule correlaciones intraclase. Prediga efectos aleatorios. Estime relaciones promediadas en la población sobre los efectos aleatorios.

Meta-análisis
Combine los resultados de múltiples estudios para estimar un efecto general. Utilice gráficos de bosque para visualizar resultados. Use análisis por subgrupos y meta-regresión para explorar la heterogeneidad de los estudios. Use gráficos de embudo y pruebas formales para explorar el sesgo de publicación y los efectos de estudios pequeños. Utilice análisis de recorte y relleno para evaluar el impacto del sesgo de publicación en los resultados. Realice meta-análisis acumulativos y de exclusión de un estudio a la vez. Realice meta-análisis univariado, multinivel y multivariado. Utilice la suite meta o deje que la interfaz del Panel de control lo guíe en todo su meta-análisis.

Imputación múltiple

Tenga en cuenta los datos faltantes en su muestra utilizando imputación múltiple. Elija entre métodos univariados y multivariados para imputar valores faltantes en variables continuas, censuradas, truncadas, binarias, ordinales, categóricas y de conteo. Luego, en un solo paso, estime parámetros usando los conjuntos de datos imputados y combine los resultados. Ajuste un modelo lineal, logit, Poisson, jerárquico, de supervivencia o uno de los muchos otros modelos compatibles. Use el comando mi o deje que la interfaz del Panel de control lo guíe a través de todo su análisis de MI.

Análisis de supervivencia

Analice resultados de duración—resultados que miden el tiempo hasta un evento como fallo o muerte—usando las herramientas especializadas de Stata para análisis de supervivencia. Tenga en cuenta las complicaciones inherentes a los datos de supervivencia, como no observar el evento (censura por la derecha, por la izquierda e intervalar), la entrada tardía de individuos al estudio y la observación no continua de individuos (lagunas). Puede estimar y graficar la probabilidad de supervivencia a lo largo del tiempo. O modelar la supervivencia como función de covariables usando modelos de regresión de Cox, Weibull, lognormal y otros. Prediga razones de riesgo, tiempo medio de supervivencia y probabilidades de supervivencia. ¿Tiene grupos de individuos en su estudio? Ajuste por correlación dentro de grupo con un modelo de efectos aleatorios o de fragilidad compartida. Si tiene muchas covariables potenciales, use lasso cox y elasticnet cox para la selección de modelos y la predicción.

Tablas epidemiológicas
¿Quiere analizar datos de un estudio prospectivo (incidencia), un estudio de cohorte, un estudio de casos y controles o un estudio de casos y controles emparejados? Las tablas de Stata para epidemiólogos facilitan resumir sus datos y calcular estadísticas como razones de tasas de incidencia, diferencias de tasas de incidencia, razones de riesgo, diferencias de riesgo, razones de momios y fracciones atribuibles. También puede analizar datos estratificados: calcular estimaciones combinadas de Mantel–Haenszel, realizar pruebas de homogeneidad y estandarizar estimaciones. Si tiene una exposición ordinal en lugar de binaria, puede realizar una prueba de tendencia.

Modelos aditivos de riesgo relativo
Determine cómo interactúan las exposiciones para poner a los sujetos en mayor riesgo de experimentar un resultado de interés. Por ejemplo, podría investigar cómo la exposición al humo de cigarrillo y al asbesto interactúan para aumentar el riesgo de cáncer de pulmón. Con el comando reri de Stata, puede medir interacciones bidireccionales en un modelo aditivo de riesgo relativo, teniendo en cuenta otros factores de riesgo. Elija entre varios modelos compatibles, como lineal generalizado binomial, Poisson, binomial negativa, logística, Cox, supervivencia paramétrica, y supervivencia paramétrica y semiparamétrica con censura por intervalos. Estime el exceso de riesgo relativo debido a la interacción (RERI), la proporción atribuible (AP) y el índice de sinergia (SI).

Informes automatizados y tablas personalizables
Stata está diseñado para investigación reproducible, incluyendo la capacidad de crear documentos dinámicos que incorporen los resultados de su análisis. Cree archivos de Word o PDF, llene hojas de cálculo de Excel con resultados y deles formato a su gusto, y combine Markdown, HTML, resultados de Stata y gráficos de Stata, todo desde dentro de Stata. Cree tablas que comparen resultados de regresión o estadísticas resumidas, use estilos predeterminados o aplique los suyos propios, y exporte sus tablas a Word, PDF, HTML, LaTeX, Excel o Markdown e inclúyalas en sus informes.

Jupyter Notebook con Stata
Jupyter Notebook es ampliamente utilizado por investigadores y científicos para compartir sus ideas y resultados con fines de colaboración e innovación. Es una aplicación web fácil de usar que le permite combinar código, visualizaciones, fórmulas matemáticas, texto narrativo y otros medios enriquecidos en un solo documento (un 'notebook') para computación interactiva y desarrollo. Puede invocar Stata y Mata desde Jupyter Notebook con el kernel IPython (Python interactivo). Esto significa que puede combinar las capacidades de Python y Stata en un solo entorno para que su trabajo sea fácilmente reproducible y compartible con otros.

Métodos de encuestas

Ya sea que sus datos requieran un simple ajuste ponderado debido a tasas de muestreo diferenciales o que tenga datos de una encuesta compleja por etapas múltiples, las funciones de encuestas de Stata pueden proporcionarle errores estándar correctos e intervalos de confianza precisos para sus inferencias. Simplemente especifique las características relevantes de su diseño de muestreo, como pesos de muestreo (incluyendo pesos en múltiples etapas), conglomerados (en una, dos o más etapas), estratificación y postestratificación. Después de eso, la mayoría de los comandos de estimación de Stata pueden ajustar sus estimaciones para corregir su diseño de muestreo.

Imputación múltiple
Tenga en cuenta los datos faltantes en su muestra utilizando imputación múltiple. Elija entre métodos univariados y multivariados para imputar valores faltantes en variables continuas, censuradas, truncadas, binarias, ordinales, categóricas y de conteo. Luego, en un solo paso, estime parámetros utilizando los conjuntos de datos imputados y combine los resultados. Ajuste un modelo lineal, logit, Poisson, multinivel, de supervivencia o uno de los muchos otros modelos compatibles. Utilice el comando mi o deje que la interfaz del Panel de control lo guíe a través de todo su análisis de MI.

Modelos multinivel de efectos mixtos
Ya sea que las agrupaciones en sus datos surjan de manera anidada (estudiantes anidados en escuelas y escuelas anidadas en distritos) o de manera no anidada (regiones cruzadas con ocupaciones), puede ajustar un modelo multinivel para tener en cuenta la falta de independencia dentro de estos grupos. Ajuste modelos para resultados continuos, binarios, de conteo, ordinales y de supervivencia. Estime varianzas de interceptos aleatorios y coeficientes aleatorios. Calcule correlaciones intraclase. Prediga efectos aleatorios. Estime relaciones promediadas en la población sobre los efectos aleatorios.

Datos de panel
Aproveche al máximo la información adicional que proporcionan los datos de panel y, al mismo tiempo, maneje las dificultades particulares que presentan. Estudie las características idiosincráticas invariantes en el tiempo dentro de cada panel, las relaciones entre paneles y cómo cambian con el tiempo los resultados de interés. Ajuste modelos lineales o no lineales para resultados binarios, de conteo, ordinales, censurados o de supervivencia con estimadores de efectos fijos, efectos aleatorios o promediados en la población. Ajuste modelos dinámicos o modelos con endogeneidad. Ajuste modelos bayesianos de datos de panel.

Meta-análisis
Combine resultados de múltiples estudios para estimar un efecto general. Utilice gráficos de bosque para visualizar resultados. Utilice análisis por subgrupos y meta-regresión para explorar la heterogeneidad de los estudios. Use gráficos de embudo y pruebas formales para explorar el sesgo de publicación y los efectos de estudios pequeños. Use análisis de recorte y relleno para evaluar el impacto del sesgo de publicación en los resultados. Realice meta-análisis acumulativos y de exclusión de un estudio a la vez. Realice meta-análisis univariado, multinivel y multivariado. Utilice la suite meta o deje que la interfaz del Panel de control lo guíe en todo su meta-análisis.

Regresiones lineales, binarias y de conteo
Ajuste modelos lineales clásicos de la relación entre un resultado continuo, como el salario, y los determinantes del salario, como el nivel educativo, la edad, la experiencia y el sector económico. Si su respuesta es binaria (por ejemplo, empleado o desempleado), ordinal (nivel educativo) o de conteo (número de hijos), no se preocupe. Stata cuenta con estimadores de máxima verosimilitud—probit, probit ordenado, Poisson y muchos otros—que estiman la relación entre estos resultados y sus determinantes. Una amplia gama de herramientas está disponible para analizar estos modelos. Prediga resultados y sus intervalos de confianza. Pruebe la igualdad de parámetros o cualquier combinación lineal o no lineal de parámetros.

Modelos de ecuaciones estructurales (SEM)
Estime efectos de mediación, analice la relación entre un concepto latente no observado, como el nivel de conservadurismo de una persona, y las variables observadas que miden dicho conservadurismo; modele un sistema con muchas variables endógenas y errores correlacionados; o ajuste un modelo con relaciones complejas entre variables latentes y observadas. Ajuste modelos con resultados continuos, binarios, de conteo, ordinales, fraccionales y de supervivencia. Incluso ajuste modelos multinivel con grupos de observaciones correlacionadas, como niños dentro de las mismas escuelas. Evalúe el ajuste del modelo. Calcule efectos indirectos y totales. Ajuste modelos dibujando un diagrama de ruta o usando una sintaxis de comando sencilla.

Predicciones ajustadas, interacciones y moderación
Las predicciones ajustadas y las medias marginales le permiten analizar las relaciones entre su variable de resultado y sus covariables, incluso cuando ese resultado es binario, de conteo, ordinal o categórico. Calcule predicciones ajustadas con covariables fijadas en valores interesantes o representativos. O calcule medias marginales para cada nivel de una covariable categórica. Compare las predicciones ajustadas o las medias marginales usando contrastes. Si tiene datos multinivel o de panel y efectos aleatorios, estos se integran automáticamente para proporcionar estimaciones marginales (es decir, promediadas en la población). Después de ajustar casi cualquier modelo en Stata, analice el efecto de variables moderadoras y cree fácilmente gráficos de interacción.

Modelos de elección
Modele sus datos de elección discreta. Si su resultado es, por ejemplo, la decisión de graduados de secundaria de asistir a la universidad, asistir a una escuela técnica o trabajar, puede ajustar un modelo logit condicional, probit multinomial o logit mixto. ¿Es su resultado en cambio una clasificación de alternativas preferidas? Ajuste un modelo probit ordenado por rangos o logit ordenado por rangos. Independientemente del modelo ajustado, puede usar margins para interpretar fácilmente los resultados. Estime cuánto influye la distancia a la universidad más cercana en la probabilidad de matricularse en ella e incluso en la probabilidad de asistir a una escuela técnica.

Análisis bayesiano
Ajuste modelos de regresión bayesianos utilizando uno de los métodos de cadenas de Markov Monte Carlo (MCMC). Puede elegir entre varios modelos compatibles o incluso programar el suyo. Hay herramientas extensas para comprobar la convergencia, incluyendo múltiples cadenas. Calcule estimaciones de la media posterior e intervalos creíbles para parámetros del modelo y funciones de estos parámetros. Puede realizar tanto pruebas de hipótesis basadas en intervalos como en modelos. Compare modelos usando factores de Bayes. Calcule el ajuste del modelo usando valores predictivos posteriores y genere predicciones. Si quiere tener en cuenta la incertidumbre del modelo en su modelo de regresión, use promediado bayesiano de modelos.

Inferencia causal
Estime efectos causales de estilo experimental a partir de datos observacionales. Con los estimadores de efectos de tratamiento de Stata, puede usar un marco de resultados potenciales (contrafactuales) para estimar, por ejemplo, el efecto de la estructura familiar sobre el desarrollo infantil o el efecto del desempleo sobre la ansiedad. Ajuste modelos para resultados continuos, binarios, de conteo, fraccionales y de supervivencia con tratamientos binarios o multivaluados usando ponderación por probabilidad inversa (IPW), emparejamiento por puntaje de propensión, emparejamiento por vecino más cercano, ajuste por regresión o estimadores doblemente robustos. Si la asignación a un tratamiento no es independiente del resultado, puede usar un estimador de efectos de tratamiento endógeno. En presencia de efectos de grupo y tiempo, puede usar estimadores de diferencias en diferencias (DID) y de triple diferencia (DDD). En presencia de covariables de alta dimensión, puede usar lasso. Si los efectos causales están mediados por otra variable, use mediación causal con mediate para distinguir efectos directos e indirectos.

Programación
¿Quiere programar sus propios comandos para realizar estimaciones, gestionar datos o implementar otras funciones nuevas? Stata es programable, y miles de usuarios de Stata han implementado y publicado miles de comandos aportados por la comunidad. Estos comandos se comportan igual que los oficiales de Stata y se instalan fácilmente de forma gratuita a través de Internet desde Stata. Una característica única del entorno de programación de Stata es Mata, un lenguaje rápido y compilado con soporte para tipos de matrices. Por supuesto, tiene todas las operaciones matriciales avanzadas que necesita. También tiene acceso al poder de LAPACK. Además, cuenta con solucionadores y optimizadores integrados para facilitar la implementación de sus propios estimadores de máxima verosimilitud, GMM u otros. Y puede aprovechar todas las funciones de estimación y demás de Stata desde Mata. Muchos de los comandos oficiales de Stata están implementados en Mata.

Informes automatizados y tablas personalizables
Stata está diseñado para investigación reproducible, incluyendo la capacidad de crear documentos dinámicos que incorporen los resultados de su análisis. Cree archivos de Word o PDF, complete hojas de cálculo de Excel con resultados y deles formato a su gusto, y combine Markdown, HTML, resultados de Stata y gráficos de Stata, todo desde Stata. Cree tablas que comparen resultados de regresión o estadísticas resumidas, use estilos predeterminados o aplique los suyos propios, y exporte sus tablas a Word, PDF, HTML, LaTeX, Excel o Markdown e inclúyalas en sus informes.

Jupyter Notebook con Stata
Jupyter Notebook es ampliamente utilizado por investigadores y científicos para compartir sus ideas y resultados con fines de colaboración e innovación. Es una aplicación web fácil de usar que le permite combinar código, visualizaciones, fórmulas matemáticas, texto narrativo y otros medios enriquecidos en un solo documento (un 'notebook') para computación interactiva y desarrollo. Puede invocar Stata y Mata desde Jupyter Notebook con el kernel IPython (Python interactivo). Esto significa que puede combinar las capacidades de Python y Stata en un solo entorno para que su trabajo sea fácilmente reproducible y compartible con otros.

Métodos de encuestas

Ya sea que sus datos requieran un simple ajuste ponderado debido a tasas de muestreo diferenciales o que tenga datos de una encuesta compleja de múltiples etapas, las funciones de encuestas de Stata pueden proporcionarle errores estándar correctos e intervalos de confianza precisos para sus inferencias. Simplemente especifique las características relevantes de su diseño de muestreo, como los pesos de muestreo (incluidos los pesos en múltiples etapas), el agrupamiento (en una, dos o más etapas), la estratificación y la postestratificación. Después de eso, la mayoría de los comandos de estimación de Stata pueden ajustar sus estimaciones para corregir su diseño de muestreo.

Modelos multinivel de efectos mixtos
Ya sea que las agrupaciones en sus datos surjan de manera anidada (pacientes anidados en clínicas y clínicas anidadas en regiones) o de manera no anidada (regiones cruzadas con ocupaciones), puede ajustar un modelo multinivel para tener en cuenta la falta de independencia dentro de estos grupos. Ajuste modelos para resultados continuos, binarios, de conteo, ordinales y de supervivencia. Estime varianzas de interceptos aleatorios y coeficientes aleatorios. Calcule correlaciones intraclase. Prediga efectos aleatorios. Estime relaciones promediadas en la población sobre los efectos aleatorios.

Datos de panel
Aproveche al máximo la información adicional que proporcionan los datos de panel mientras maneja al mismo tiempo las particularidades de los datos de panel. Estudie las características invariantes en el tiempo dentro de cada panel, las relaciones entre paneles y cómo cambian con el tiempo los resultados de interés. Ajuste modelos lineales o no lineales para resultados binarios, de conteo, ordinales, censurados o de supervivencia con estimadores de efectos fijos, efectos aleatorios o promediados en la población. Ajuste modelos dinámicos o modelos con endogeneidad. Ajuste modelos bayesianos de datos de panel.

Modelos de ecuaciones estructurales (SEM)
Estime efectos de mediación, analice la relación entre un concepto latente no observado, como la depresión, y las variables observadas que miden la depresión; modele un sistema con muchas variables endógenas y errores correlacionados; o ajuste un modelo con relaciones complejas entre variables latentes y observadas. Ajuste modelos con resultados continuos, binarios, de conteo, ordinales, fraccionales y de supervivencia. Incluso ajuste modelos multinivel con grupos de observaciones correlacionadas, como niños dentro de las mismas escuelas. Evalúe el ajuste del modelo. Calcule efectos indirectos y totales. Ajuste modelos dibujando un diagrama de ruta o usando una sintaxis de comando sencilla.

Regresiones lineales, binarias y de conteo
Ajuste modelos lineales clásicos de la relación entre un resultado continuo, como el salario, y los determinantes del salario, como el nivel educativo, la edad, la experiencia y el sector económico. Si su respuesta es binaria (por ejemplo, empleado o desempleado), ordinal (nivel educativo) o de conteo (número de hijos), no se preocupe. Stata cuenta con estimadores de máxima verosimilitud—probit, probit ordenado, Poisson y muchos otros—que estiman la relación entre estos resultados y sus determinantes. Una amplia gama de herramientas está disponible para analizar estos modelos. Prediga resultados y sus intervalos de confianza. Pruebe la igualdad de parámetros o cualquier combinación lineal o no lineal de parámetros.

Meta-análisis
Combine resultados de múltiples estudios para estimar un efecto general. Utilice gráficos de bosque para visualizar resultados. Utilice análisis por subgrupos y meta-regresión para explorar la heterogeneidad de los estudios. Use gráficos de embudo y pruebas formales para explorar el sesgo de publicación y los efectos de estudios pequeños. Use análisis de recorte y relleno para evaluar el impacto del sesgo de publicación en los resultados. Realice meta-análisis acumulativos y de exclusión de un estudio a la vez. Realice meta-análisis univariado, multinivel y multivariado. Utilice la suite meta o deje que la interfaz del Panel de control lo guíe en todo su meta-análisis.

Imputación múltiple
Tenga en cuenta los datos faltantes en su muestra utilizando imputación múltiple. Elija entre métodos univariados y multivariados para imputar valores faltantes en variables continuas, censuradas, truncadas, binarias, ordinales, categóricas y de conteo. Luego, en un solo paso, estime parámetros utilizando los conjuntos de datos imputados y combine los resultados. Ajuste un modelo lineal, logit, Poisson, jerárquico, de supervivencia o uno de los muchos otros modelos compatibles. Utilice el comando mi o deje que la interfaz del Panel de control lo guíe a través de todo su análisis de MI.

Predicciones ajustadas, contrastes e interacciones
Las predicciones ajustadas y los contrastes le permiten analizar las relaciones entre su variable de resultado y sus covariables, incluso cuando ese resultado es binario, de conteo, ordinal o categórico. Calcule predicciones ajustadas con covariables fijadas en valores interesantes o representativos. O calcule medias marginales para cada nivel de una covariable categórica. Compare las predicciones ajustadas o las medias marginales usando contrastes. Si tiene datos multinivel o de panel y efectos aleatorios, estos se integran automáticamente para proporcionar estimaciones marginales (es decir, promediadas en la población). Después de ajustar casi cualquier modelo en Stata, analice el efecto de las interacciones entre covariables y cree fácilmente gráficos para visualizarlas.

Análisis de supervivencia
Analice resultados de duración—resultados que miden el tiempo hasta un evento como un fallo o una muerte—utilizando las herramientas especializadas de Stata para análisis de supervivencia. Tenga en cuenta las complicaciones inherentes a los datos de supervivencia, como no observar a veces el evento (censura a la derecha, izquierda o por intervalo), individuos que ingresan al estudio en momentos diferentes (entrada retardada) e individuos que no son observados continuamente a lo largo del estudio (lagunas). Puede estimar y graficar la probabilidad de supervivencia a lo largo del tiempo. O modele la supervivencia como función de covariables utilizando modelos de regresión de Cox, Weibull, lognormal y otros. Prediga razones de riesgo, tiempo medio de supervivencia y probabilidades de supervivencia. ¿Tiene grupos de individuos en su estudio? Ajuste la correlación dentro de los grupos con un modelo de efectos aleatorios o de fragilidad compartida. Si tiene muchas covariables potenciales, utilice lasso cox y elasticnet cox para selección de modelos y predicción.

Inferencia causal
Estime efectos causales de estilo experimental a partir de datos observacionales. Con los estimadores de efectos de tratamiento de Stata, puede usar un marco de resultados potenciales (contrafactuales) para estimar, por ejemplo, el efecto de la estructura familiar sobre el desarrollo infantil o el efecto del desempleo sobre la ansiedad. Ajuste modelos para resultados continuos, binarios, de conteo, fraccionales y de supervivencia con tratamientos binarios o multivaluados usando ponderación por probabilidad inversa (IPW), emparejamiento por puntaje de propensión, emparejamiento por vecino más cercano, ajuste por regresión o estimadores doblemente robustos. Si la asignación a un tratamiento no es independiente del resultado, puede usar un estimador de efectos de tratamiento endógeno. En presencia de efectos de grupo y tiempo, puede usar estimadores de diferencias en diferencias (DID) y de triple diferencia (DDD). En presencia de covariables de alta dimensión, puede usar lasso. Si los efectos causales están mediados por otra variable, use mediación causal con mediate para distinguir efectos directos e indirectos.

Series de tiempo
Maneje los desafíos estadísticos inherentes a los datos de series de tiempo—autocorrelaciones, factores comunes, heterocedasticidad condicional autorregresiva, raíces unitarias, cointegración y mucho más. Analice series temporales univariadas usando ARIMA, ARFIMA, modelos de cambio de régimen de Markov, modelos ARCH y GARCH, y modelos de componentes no observados. Analice series temporales multivariadas usando VAR, VAR estructural, VEC, GARCH multivariado, modelos de factores dinámicos y modelos de espacio de estados. Calcule y grafique respuestas a impulsos. Pruebe la existencia de raíces unitarias. Realice análisis bayesiano de series de tiempo.

TRI (teoría de respuesta al ítem)
Explore la relación entre características latentes no observadas, como la satisfacción hospitalaria, y la probabilidad de responder positivamente a ítems de un cuestionario relacionados con la satisfacción. O explore la relación entre la salud no observada y las respuestas autoinformadas a preguntas sobre movilidad, independencia y otras actividades afectadas por la salud. La TRI puede usarse para crear medidas de tales características no observadas o ubicar a los individuos en una escala que mida la característica. También puede usarse para seleccionar los mejores ítems para medir un rasgo latente. Los modelos TRI están disponibles para ítems de respuesta binaria, graduada, valorada, de crédito parcial y nominal. Visualice las relaciones usando curvas características de ítems y mida el rendimiento global de la prueba usando funciones de información de la prueba.

Informes automatizados y tablas personalizables
Stata está diseñado para investigación reproducible, incluyendo la capacidad de crear documentos dinámicos que incorporen los resultados de su análisis. Cree archivos de Word o PDF, complete hojas de cálculo de Excel con resultados y deles formato a su gusto, y combine Markdown, HTML, resultados de Stata y gráficos de Stata, todo desde Stata. Cree tablas que comparen resultados de regresión o estadísticas resumidas, use estilos predeterminados o aplique los suyos propios, y exporte sus tablas a Word, PDF, HTML, LaTeX, Excel o Markdown e inclúyalas en sus informes.

Jupyter Notebook con Stata
Jupyter Notebook es ampliamente utilizado por investigadores y científicos para compartir sus ideas y resultados con fines de colaboración e innovación. Es una aplicación web fácil de usar que le permite combinar código, visualizaciones, fórmulas matemáticas, texto narrativo y otros medios enriquecidos en un solo documento (un 'notebook') para computación interactiva y desarrollo. Puede invocar Stata y Mata desde Jupyter Notebook con el kernel IPython (Python interactivo). Esto significa que puede combinar las capacidades de Python y Stata en un solo entorno para que su trabajo sea fácilmente reproducible y compartible con otros.