Cantitate/Preț
Produs
Total produse
Vezi coșul
Maximum Likelihood Estimation with Stata, Fifth Edition de Jeffrey Pitblado

Maximum Likelihood Estimation with Stata, Fifth Edition

Autor Jeffrey Pitblado, Brian Poi, William Gould
en Limba Engleză Paperback – 23 noi 2023

Ceea ce aduce nou a cincea ediție a lucrării Maximum Likelihood Estimation with Stata este simplificarea procesului de modelare prin introducerea comenzii mlexp. Această actualizare majoră permite cercetătorilor să specifice o funcție de probabilitate (likelihood) și să execute estimarea direct, eliminând necesitatea scrierii unor programe complexe pentru sarcini standard. Reținem că această ediție nu se limitează doar la utilizarea curentă, ci extinde orizontul tehnic prin integrarea funcțiilor moptimize() din Mata, oferind o punte solidă între utilizatorul de Stata și programatorul de limbaj matricial.

Structura volumului este riguros organizată, pornind de la fundamentele teoretice ale verosimilității maxime și progresând spre mecanismele interne ale comenzii ml. Descoperim aici o analiză detaliată a celor patru algoritmi de optimizare — Newton–Raphson, DFP, BFGS și BHHH — și a metodelor de calcul pentru matricea de varianță-covarianță, inclusiv estimatorii robuști Huber/White. Această progresie logică transformă un concept statistic abstract într-un instrument de lucru aplicat, culminând cu exemple practice pentru modele logit, probit și, în premieră pentru această ediție, modelul Poisson bivariat.

Acoperă aceeași arie tematică precum An Introduction to Stata Programming de Christopher F. Baum, dar cu o abordare mult mai specializată pe metodele de estimare ML. În timp ce volumul lui Baum oferă o perspectivă largă asupra programării în Stata, lucrarea de față, scrisă de autori direct implicați în dezvoltarea software-ului, precum William Gould, se concentrează strict pe arhitectura și optimizarea estimatorilor personalizați. Este o resursă indispensabilă pentru cei care au depășit stadiul comenzilor predefinite și au nevoie să își construiască propriile modele statistice care să funcționeze nativ în mediul Stata.

Citește tot Restrânge

Preț: 46567 lei

Preț vechi: 50616 lei
-8%

Puncte Express: 699

Carte disponibilă

Livrare economică 06-20 mai
Livrare express 21-25 aprilie pentru 5185 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781597184113
ISBN-10: 159718411X
Pagini: 472
Dimensiuni: 182 x 235 x 29 mm
Greutate: 0.96 kg
Ediția:5. Auflage
Editura: Stata Press
Colecția Stata Press

Public țintă

Academic, Postgraduate, and Professional Practice & Development

De ce să citești această carte

Această carte este esențială pentru cercetătorii care doresc să implementeze modele statistice personalizate. Dincolo de teorie, câștigați competențe practice în utilizarea comenzii ml și a limbajului Mata. Este singurul ghid care vă învață cum să scrieți comenzi de estimare care să arate și să se comporte identic cu cele oficiale din Stata, oferind suport complet pentru date de sondaj și constrângeri liniare.

Despre autor

William Gould este președintele emerit al StataCorp și arhitectul principal al software-ului Stata, fiind figura centrală în dezvoltarea limbajului Mata. Jeffrey Pitblado este directorul de statistică la StataCorp, coordonând implementarea noilor metode de estimare. Brian Poi este un expert recunoscut în econometrie și autor de software statistic. Experiența colectivă a autorilor garantează o perspectivă unică asupra modului în care este construit codul din spatele celor mai utilizate funcții de analiză a datelor la nivel global.

Descriere scurtă

Maximum Likelihood Estimation with Stata, Fifth Edition is the essential reference and guide for researchers in all disciplines who wish to write maximum likelihood (ML) estimators in Stata. Beyond providing comprehensive coverage of Stata’s commands for writing ML estimators, the book presents an overview of the underpinnings of maximum likelihood and how to think about ML estimation.
The fifth edition includes a new second chapter that demonstrates the easy-to-use mlexp command. This command allows you to directly specify a likelihood function and perform estimation without any programming.
The core of the book focuses on Stata's ml command. It shows you how to take full advantage of ml’s noteworthy features:
  • Linear constraints
  • Four optimization algorithms (Newton–Raphson, DFP, BFGS, and BHHH)
  • Observed information matrix (OIM) variance estimator
  • Outer product of gradients (OPG) variance estimator
  • Huber/White/sandwich robust variance estimator
  • Cluster–robust variance estimator
  • Complete and automatic support for survey data analysis
  • Direct support of evaluator functions written in Mata
When appropriate options are used, many of these features are provided automatically by ml and require no special programming or intervention by the researcher writing the estimator.
In later chapters, you will learn how to take advantage of Mata, Stata's matrix programming language. For ease of programming and potential speed improvements, you can write your likelihood-evaluator program in Mata and continue to use ml to control the maximization process. A new chapter in the fifth edition shows how you can use the moptimize() suite of Mata functions if you want to implement your maximum likelihood estimator entirely within Mata.
In the final chapter, the authors illustrate the major steps required to get from log-likelihood function to fully operational estimation command. This is done using several different models: logit and probit, linear regression, Weibull regression, the Cox proportional hazards model, random-effects regression, and seemingly unrelated regression. This edition adds a new example of a bivariate Poisson model, a model that is not available otherwise in Stata.
The authors provide extensive advice for developing your own estimation commands. With a little care and the help of this book, users will be able to write their own estimation commands---commands that look and behave just like the official estimation commands in Stata.
Whether you want to fit a special ML estimator for your own research or wish to write a general-purpose ML estimator for others to use, you need this book.

Cuprins

Theory and practice The likelihood-maximization problem Likelihood theory The maximization problem Estimation with mlexp Syntax Normal linear regression Initial values Restricted parameters Robust standard errors The probit model Specifying derivatives Additional estimation features Wrapping up Introduction to ml The probit mode Normal linear regression Robust standard errors Weighted estimation Other features of method-gf0 evaluators Limitations Overview of ml The terminology of ml Equations in ml Likelihood-evaluator methods Tools for the ml programmer Common ml options Maximizing your own likelihood functions Appendix: More about scalar parameters Method lf The linear-form restrictions Examples The importance of generating temporary variables as doubles Problems you can safely ignore Nonlinear specifications The advantages of lf in terms of execution speed Methods lf0, lf1, and lf2 Comparing these methods Outline of evaluators of methods lf0, lf1, and lf2 Summary of methods lf0, lf1, and lf2 Examples Methods d0, d1, and d2 Comparing these methods Outline of method d0, d1, and d2 evaluators Summary of methods d0, d1, and d2 Panel-data likelihoods Other models that do not meet the linear-form restrictions Debugging likelihood evaluators ml check Using the debug methods ml trace Setting initial values ml search ml plot ml init Interactive maximization The iteration log Pressing the Break key Maximizing difficult likelihood functions Final results Graphing convergence Redisplaying output Writing do-files to maximize likelihoods The structure of a do-file Putting the do-file into production Writing ado-files to maximize likelihoods Writing estimation commands The standard estimation-command outline Outline for estimation commands using ml Using ml in noninteractive mode Advice Writing ado-files for survey data analysis Program properties Writing your own predict command Mata-based likelihood evaluators Introductory examples Evaluator function prototypes Utilities Random-effects linear regression Ado-file considerations Mata’s moptimize() function Introductory examples Restricting the estimation sample Estimation preliminaries Estimation Results Estimation commands Regression redux Other examples The logit model The probit model Normal linear regression The Weibull model The Cox proportional hazards model The random-effects regression model The seemingly unrelated regression model A bivariate Poisson regression model Epilogue Syntax of mlexp Syntax of ml Syntax of moptimize() Likelihood-evaluator checklists Method lf Method d0 Method d1 Method d2 Method lf0 Method lf1 Method lf2 Listing of estimation commands The logit model The probit model The normal model The Weibull model The Cox proportional hazards model The random-effects regression model The seemingly unrelated regression model A bivariate Poisson regression model References

Notă biografică

Jeff Pitblado is Executive Director, Statistical Software at StataCorp. Pitblado has played a leading role in the development of ml: he added the ability of ml to work with survey data, and he wrote the current implementation of ml in Mata.
Brian Poi previously worked as a developer at StataCorp and wrote many popular econometric estimators in Stata. Since then, he has applied his knowledge of econometrics and statistical programming in several areas, including macroeconomic forecasting, credit analytics, and bank stress testing.
William Gould is President Emeritus of StataCorp and headed the development of Stata for over 30 years. Gould is also the architect of Mata.