Maximum Likelihood Estimation with Stata, ötödik kiadás

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.

Eredeti címe:

Maximum Likelihood Estimation with Stata, Fifth Edition

Könyv tartalma:

A Maximum Likelihood Estimation with Stata, Fifth Edition alapvető referencia és útmutató minden tudományág kutatói számára, akik maximális valószínűségű (ML) becslőket kívánnak írni a Stata-ban. A könyv a Stata ML-becslők írására szolgáló parancsainak átfogó lefedettségén túlmenően áttekintést nyújt a maximális valószínűség alapjairól és arról, hogyan kell gondolkodni az ML-becslésről.

Az ötödik kiadás egy új második fejezetet tartalmaz, amely a könnyen használható mlexp parancsot mutatja be. Ez a parancs lehetővé teszi, hogy közvetlenül megadjon egy likelihood-függvényt, és programozás nélkül végezzen becslést.

A könyv magja a Stata ml parancsára összpontosít. Megmutatja, hogyan használhatja ki az ml figyelemre méltó funkcióit:

⬤ Lineáris kényszerek.

⬤ Négy optimalizációs algoritmus (Newton-Raphson, DFP, BFGS és BHHH).

⬤ Observed information matrix (OIM) varianciabecslő.

⬤ A gradiensek külső szorzata (OPG) varianciabecslő.

⬤ Huber/White/sandwich robusztus varianciabecslő.

⬤ Klaszter-robosztus varianciabecslő.

⬤ Teljes és automatikus támogatás a felmérési adatok elemzéséhez.

⬤ Mata nyelven írt értékelő függvények közvetlen támogatása.

Megfelelő opciók használata esetén az ml számos ilyen funkciót automatikusan biztosít, és nem igényel külön programozást vagy beavatkozást a becslőt író kutatótól.

A későbbi fejezetekben megtanulja, hogyan használhatja ki a Mata, a Stata mátrixprogramozási nyelvének előnyeit. A programozás megkönnyítése és a lehetséges sebességnövekedés érdekében a valószínűség-értékelő programját megírhatja Matában, és továbbra is használhatja az ml-t a maximalizálási folyamat vezérlésére. Az ötödik kiadás új fejezete bemutatja, hogyan használhatja a Mata-funkciók moptimize() csomagját, ha a maximális valószínűség-becslőjét teljes egészében a Matában szeretné megvalósítani.

Az utolsó fejezetben a szerzők bemutatják a log-likelihood függvénytől a teljesen működőképes becslőparancsig való eljutáshoz szükséges főbb lépéseket. Ezt több különböző modell segítségével teszik: logit és probit, lineáris regresszió, Weibull-regresszió, a Cox-féle arányos veszélyek modellje, véletlen hatású regresszió és látszólag független regresszió. Ez a kiadás egy új példát ad hozzá a kétváltozós Poisson-modellre, egy olyan modellre, amely egyébként nem áll rendelkezésre a Stata-ban.

A szerzők részletes tanácsokat adnak a saját becslési parancsok kidolgozásához. Egy kis odafigyeléssel és e könyv segítségével a felhasználók képesek lesznek saját becslési parancsokat írni - olyan parancsokat, amelyek ugyanúgy néznek ki és viselkednek, mint a Stata hivatalos becslési parancsai.

Akár egy speciális ML-becslőt szeretne a saját kutatásaihoz illeszteni, akár egy általános célú ML-becslőt szeretne írni mások számára, ez a könyvre szüksége van.