1、空間自回歸模型(SAR)

　　Stata適合空間自回歸 (SAR) 模型, 也稱為同步自回歸模型。新的spregress,spivregress, 和spxtregress命令允許因變量的空間滯后、自變量的空間滯后和空間自回歸誤差。空間滯后是時間序列滯后的空間模擬。時間序列滯后近年來成為變量值�？臻g滯后是附近地區(qū)的值。

　　2、潛在類別分析(LCA)

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

　　使用新的estat lcprob命令估計屬于每一類的消費者比例;

　　使用新的estat lcprob命令估計每個類中Y1、Y2、Y3、Y4的邊際均值(均值就是示例所示的概率);

　　使用新estat lcprob命令來評價適合度;

　　使用現(xiàn)有的predict命令獲取分類成員的預(yù)測概率和觀測結(jié)果變量的預(yù)測值。

　　3、貝葉斯前綴指令

　　新的bayes：前綴命令使你能夠適應(yīng)比以前版本更廣泛的貝葉斯模型。原來也可以擬合貝葉斯線性回歸, 但是現(xiàn)在可以通過輸入文字就可以：在這個模型中, 為變量 id的每個值添加隨機截距。

　　新的bayes：前綴命令在許多Stata評估命令之前工作，并提供超過50種可能性的模型。支持的模型包括多級、面板數(shù)據(jù)、生存和樣本選擇模型!

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

　　4、線性動態(tài)隨機一般均衡(DSGE)模型

　　DSGEs是經(jīng)濟學中的一個時間序列模型。它們是傳統(tǒng)預(yù)測模型的替代品。兩者都試圖解釋總的經(jīng)濟現(xiàn)象, 但 DSGEs 允許對來自經(jīng)濟理論模型的基礎(chǔ)上做這個。建立在經(jīng)濟理論基礎(chǔ)上的方程很多。這些方程的關(guān)鍵特征是, 未來變量的期望值會影響今天的變量。這是區(qū)別 DSGEs 與矢量回歸或狀態(tài)空間模型的一個特性。另一個特點是, 從理論推導(dǎo)出來的參數(shù)通�？梢杂眠@個理論來解釋。

　　在DSGE模型中有三種變量：

　　控制變量和方程，如p沒有沖擊,并且是由方程組決定的。

　　狀態(tài)變量 (如 y) 具有隱含的沖擊, 在時間段開始時是預(yù)先確定的。

　　沖擊是驅(qū)動系統(tǒng)的隨機錯誤。

　　在任何情況下, 以上dsge 命令可以定義一個模型并擬合。

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

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

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

　　同時，報告轉(zhuǎn)換矩陣。而策略矩陣將 p 報告為函數(shù)y, 而轉(zhuǎn)換矩陣則報告 y 如何通過時間演變?yōu)閜。可以使用Stata的現(xiàn)有預(yù)測命令來生成預(yù)測�？梢允褂肧tata現(xiàn)有的irf命令來繪制脈沖響應(yīng)函數(shù)。

　　5、web動態(tài)的Markdown文檔

　　你有沒有聽過Markdown?它是一種創(chuàng)建 html 文檔的流行方式。html 文件是繁瑣的。Markdown簡單直觀，想法很簡單�？梢詣�(chuàng)建一個文件, 其中包含所需的可讀格式的文本, 然后通過它運行一個命令來創(chuàng)建一個HTML文件。

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

　　6、非線性混合效應(yīng)模型

　　非線性混合效應(yīng)模型也被稱為非線性多級模型和非線性層次模型。可以用兩種方式來考慮這些模型�？梢园阉鼈兛闯砂�含隨機效應(yīng)的非線性模型�；蛘呖梢园阉鼈兛闯删�性混合效應(yīng)模型, 其中一些或所有的固定和隨機效應(yīng)都是非線性的。不管哪種方式, 總的誤差分布假設(shè)成Gaussian分布。

　　這些模型在人口藥代動力學, 生物鑒定和研究生物學和農(nóng)業(yè)成長過程中很流行。比如，采用非線性混合效應(yīng)模型對機體的藥物吸收、地震強度和植物生長進行了模擬。

　　新的評估命令被命名為 menl。它實現(xiàn)了 popular-in-practice Lindstrom–Bates 算法, 是基于對固定和隨機效應(yīng)的非線性均值函數(shù)進行線性化。支持最大似然和受限最大似然估計方法。

　　Menl易于使用�？梢灾苯虞斎雴蝹�方程。大括號{ }，用于將要匹配的參數(shù)括起來：

　　除了標準功能外, postestimation特征還包括對隨機效應(yīng)及其標準誤差的預(yù)測，對模型中定義的感興趣參數(shù)的預(yù)測, 作為其他模型參數(shù)和隨機效應(yīng)的參數(shù)、聚類相關(guān)矩陣的整體評估等。