julio/agosto/septiembre 2011

Vol 26 No 3

VERSION
Ha actualizado su versin de Stata?
Stata 12 ya est disponible. Si an no se ha actualizado, se est perdiendo nuevas herramientas estadsticas y un montn de funcionalidades nuevas.
ARFIMA
GARCH multivariado
UCM (modelos con componentes no
observados)
Filtros para series de tiempo
Calendarios de das hbiles

Grficos de mrgenes
Manejo automtico de la memoria
Importacin/exportacin Excel
Calificacin de la instalacin
Ms ...

m1

10 12 14

SEM (modelos de ecuaciones estructurales)

Ecuaciones encadenadas para MI
Soporte para datos de encuestas en
modelos mixtos
Grficos de contorno
Contrastes
Comparaciones por pares

1970m1

L1
8

m2

m6

1980m1

1990m1
Month

2000m1

median duration of unemployment

2010m1

trend, smooth

.1
8,000
1970m1

30,000

7,600
35,000

40,000
Easting

45,000

49,000

2000m1

2010m1

95% CI

.3

65,000

7,700

1990m1
Month

.4

7,800

1980m1

.1

7,900
Depth (ft)

m4

Northing
75,000

m7

L2

MaleFemale Contrasts of Predictive Margins of Pr(HighBP)

m3
85,000

Subsea elevation of Lamont Sandstone, Ohio

.2

L3

seasonal, smooth
1
0
1

m5

10

20

30
40
Body Mass Index (BMI)

50

60

Actualice hoy su versin de Stata! www.stata.com

Enfoque de SEM para economistas
(y otros que piensan que no les interesa)

Nuevos cursos abiertos de capacitacin y

nuevas fechas

Este artculo es para aquellos que no estn familiarizados con SEM, que no ven
en su campo publicaciones que utilicen SEM, o que por alguna otra razn creen
que SEM no les interesa.
p. 4

Cursos Intensivos, en profundidad, dictados por StataCorp en todo el pas.

p. 6
Las Noticias de Stata:

Editora ejecutiva:............................. Karen Strope

Supervisora de Produccin:............... Annette Fett
Editora de la versin en espaol:........ Isabel Caette

SEM (modelos de ecuaciones

estructurales)

Datos faltantes: Ecuaciones

encadenadas (y ms) en MI

SEM tiene algo para casi todos los

investigadores de casi todas las disciplinas.

Las nuevas funcionalidades de MI (imputacin mltiple) en Stata 12

amplan significativamente sus opciones en el manejo de datos faltantes.

Aquellos de ustedes que han estado

pidiendo una implementacin de SEM
en Stata saben por qu: anlisis factorial
confirmatorio, modelos con error de
medicin, modelos de anlisis de trayectoria, modelos de medicin con
factores mltiples, modelos MIMIC, modelos de crecimiento latente,
modelos de errores correlacionados, estimaciones estandarizadas y no
estandarizadas, ndices de modificacin. Si usted no est familiarizado
con SEM, debera considerar que este mtodo permite incorporar
con elegancia variables endgenas, variables de confusin, variables
mediadoras, efectos moderados, variables observadas y latentes, y
variables de respuesta univariadas o multivariadas. Adems de los
modelos lineales estndar, tales como regresin univariada o multivariada,
y regresin aparentemente no correlacionada, stos son algunos de los
modelos que se pueden ajustar con sem: sistemas simultneos con todas
las variables observadas o con variables observadas y latentes; modelos
de efectos aleatorios con variables dependientes latentes (no observadas)
o con variables endgenas; modelos de efectos aleatorios con errores
autocorrelacionados; o cualquier combinacin de los anteriores. En todos
los casos, sem puede estimar fcilmente efectos directos, indirectos y
totales de las covariables
SEM es un marco que abarca la mayora de los modelos lineales
univariados y multivariados, y tambin tiene en cuenta variables latentes y
variables dependientes que se afectan mutuamente en forma simultnea.
Tambin es compatible con correlaciones de los errores, incluyendo
autocorrelacin en datos de panel.
El nuevo comando sem de Stata 12 proporciona una sintaxis intuitiva para
la especificacin de modelos.

sem y <- x1 x2 x3

especifica un modelo de regresin lineal de y en x1, x2 y x3. Tambin

podramos decir que crea tres caminos, uno desde cada x hacia y.

sem (x1 -> y) (x2 -> y) (x3 -> y)

es una especificacin equivalente.

sem y1 y2 <- x1 x2 x3

especifica una regresin multivariada de y1 e y2 en x1, x2 y x3.

sem (y1 <- y2 x1) (y2 <- y1 x2)

especifica un sistema simultneo, donde las variables dependientes y1 e

y2 se afectan mutuamente.

sem L -> m1 m2 m3

Las ecuaciones encadenadas le permiten manejar patrones

arbitrariarios de datos faltantes en variables continuas, ordinales,
cardinales y de conteo. Este mtodo es tambin conocido como
imputacin de regresin multivariada secuencial (SRMI). Es
compatible con imputacin a travs de regresin lineal, truncada,
censurada por intervalos, logit/logstica, logstica ordinal, logstica
multinomial, de Poisson, y binomial negativa.
La imputacin condicional le permite personalizar la imputacin
dentro de grupos, incluso cuando el identificador del grupo en s tiene
datos faltantes.
El error de simulacin ahora puede ser estimado.
Datos de panel y multinivel son soportados. Se pueden realizar
predicciones, tanto lineales como no lineales.

Contrastes y comparaciones
por pares
El comando contrast facilita comparaciones y contrastes de los
efectos de las covariables categricas en indicadores, para estimaciones
ANOVA, regresin lineal, regresin logstica, o prcticamente cualquiera
de los 140 estimadores de Stata. Los contrastes por nombre le permiten
efectuar automticamente comparaciones respecto a las categoras
de referencia, las categoras adyacentes, la media general, o todas las
anteriores. Tambin puede realizar contrastes de polinomios ortogonales y
manejar interacciones de mltiples vas.
Adems de los contrastes por nombre, usted puede crear cualquier
contraste que se ajuste a sus necesidades. El operador de interaccin
funciona con contrastes personalizados, lo que le ahorra el tedio de la
creacin de tablas que realicen los productos internos de contrastes
mltiples. contrast tambin realiza anlisis de varianza del estilo de
ANOVA para efectos principales, efectos de interaccin, y efectos simples y
anidados luego de una estimacin.
Por otra parte, el comando margins ahora es compatible con los
operadores de contraste, de forma que los contrastes tambin pueden
ser obtenidos para resultados producidos por margins, desde medias
marginales estimadas y probabilidades condicionales hasta efectos
marginales y probabilidades promedio de poblacin.
El nuevo comando pwmean realiza todas las comparaciones por pares
de medias entre grupos o interacciones de varios grupos.

especifica un modelo de medicin donde se mide la variable latente L por

medio de las variables observadas de medicin m1, m2 y m3.

El nuevo comando pwcompare realiza comparaciones por pares de

medias estimadas y medias marginales estimadas luego de ajustar un
modelo con prcticamente cualquier estimador.

Todo lo anterior se puede combinar en sem para crear modelos

estructurales complejos.

El comando margins ahora permite efectuar comparaciones por pares

de respuestas no lineales y sus mrgenes.

Si usted prefiere construir modelos por medio de grficos, el Constructor

de SEM est integrado en Stata 12 y proporciona todas las herramientas
necesarias para crear y estimar SEM de forma grfica.

Los comandos contrast, pwmean, pwcompare y margins

permiten realizar ajustes para comparaciones mltiples usando los
mtodos de Bonferroni, idk, Scheff, Tukey, SNK, Duncan y Dunnett.

.1

MaleFemale Contrasts of Predictive Margins of Pr(HighBP)

Manejo automtico de
la memoria

0
.1

Grficos de mrgenes

Contrasts by Sex of Estimated Means by Age Group

5

Estimated Means by Age Group and Sex with 95% CIs

150

2029

3039

Ya no tendr que decirle a Stata

cunta memoria utilizar. Stata 12 ajusta
automticamente la memoria de acuerdo
al tamao de su conjunto de datos, incluso
cuando se crean nuevas variables o se
combinan conjuntos de datos.

.4

10

15

95% CI

.3

Grafique cualquier resultado que se pueda

calcular con margins: medias estimadas,
probabilidades marginales, efectos condicionales
o efectos promedio, efectos marginales,
contrastes, y mucho ms. Grafique dentro de grupos o a travs
de grupos o niveles de variables factoriales.

.2

10

140

4049
5059
130
Age Group

6069

20

120

110

2029

30
40
Body Mass Index (BMI)

50

60

70+

Male
Female

3039

4049
5059
Age Group

6069

70+

Soporte para datos de encuesta para modelos

mixtos multinivel

Como ventaja adicional, Stata 12 frecuentemente

puede acceder a ms cantidad de memoria en
equipos con Windows 32 bits.

Los modelos lineales mixtos estimados con el comando xtmixed ahora soportan ponderaciones
de muestreo, errores estndar robustos y por conglomerado, y, para los datos de encuesta, los errores
estndar se pueden ajustar para tener en cuenta el primer nivel de muestreo (unidades primarias de
muestreo, PSU).

0.125

0.125

1920

0.003

0.25

1930

1940

1950

1960 1970
Quarterly dat
a

1980

1990

2000

2010

Modeled & Forecast Variances of Stock Returns

Toyota
Nissan
Honda

Un conjunto completo de modelos GARCH multivariados se agrega a

los estimadores vech disponibles previamente. Ahora se puede modelar
estructuras avanzadas de correlacin condicional con los estimadores CCC
(correlacin condicional constante), DCC correlacin condicional dinmica),
y VCC (correlacin condicional variable). Se dispone de predicciones de la
varianza condicional para observaciones dentro y fuera de la muestra.

Recessions highlighted

0.002

Stata 12 tiene una batera de nuevos estimadores y filtros para series de tiempo.

Butterworth Cyclical Component

0.25

0.001

Series de tiempo: GARCH

multivariado, ARFIMA, UCM, filtros

Adiciones a la
Interfaz

01jan2009

01jul2009

01jan2010

01jul2010

01jan2011

Ahora est disponible el modelo ARFIMA (autorregresivo fraccionalmente

integrado de promedios mviles) para estimar procesos de memoria a largo plazo, que estn entre los
procesos de memoria a corto plazo (ARMA) y los modelos totalmente integrados (ARIMA).

01jul2011

Stata 12 tiene filtros para series de tiempo para descomponer una serie en componentes de tendencia
y cclico. Cuatro filtros estn disponibles: filtros de paso de banda de BaxterKing y Christiano
Fitzgerald, y filtros de paso alto de Butterworth y HodrickPrescott.

La ventana de Stata 12 est

distribuida para un mejor
aprovechamiento de todo el monitor de
su ordenador. Mejor an, usted puede
manejar sus variables (incluyendo etiquetas,
etiquetas de valores, notas, formatos y tipos)
directamente desde la nueva ventana de
propiedades en la interfaz principal de Stata
12. Usted puede hacer lo mismo en el
Editor de Datos. Ahora tambin puede filtrar
comandos y variables para mostrar slo lo que
le interesa ver. La nueva versin del Viewer
es por pestaas y tiene enlaces directos a
ventanas de dilogo, y a las secciones de los
archivos de ayuda (Opciones, ejemplos, otros
comandos relacionados, etc.)

El nuevo estimador UCM (modelo de componentes no observados) proporciona un marco moderno,

flexible y formal para la descomposicin de una serie en componentes de tendencia, cclico, estacional
e idiosincrsico. Una de las principales ventajas del marco UCM es la facilidad de interpretacin y la
relevancia directa de los componentes de tendencia, cclicos, y espectrales.

Calendario de das hbiles

Stata 12 maneja das hbiles (fechas que excluyen los sbados y domingos). Adems, usted puede
definir su propio calendario de fechas hbiles. Puede crear calendarios para la bolsa de Nueva York,
Londres, Tokio, Shanghai, Deutsche Brse, u otros mercados de valores. O bien, crear un calendario
para su propia institucin.

Grficos de contorno
Elevation of Rock Formation

85,000

Subsea elevation of Lamont Sandstone, Ohio

True-positive rate (ROC)

Stata 12 puede modelar curvas ROC incorporando informacin de covariables. Esto

se puede ver como una regresin para ROC. Tambin puede comprobar si las curvas
ROC difieren o si las reas bajo la curva (AUC) difieren entre grupos, ajustando por
covariables.

30,000

0.5

0.25

40,000
Easting

0.25

0.5
0.75
False-positive rate

Importacin / exportacin Excel

Stata 12 ahora puede importar (o exportar) los datos directamente desde (o hacia) archivos de Microsoft Excel.
En Windows, Mac, o Linux, usted puede importar una hoja de clculo o una hoja parcial de un archivo
multihoja. Puede exportar los datos de Stata para crear un nuevo libro, sustituir o aadir una hoja de un
libro existente, o modificar un subconjunto de casilleros. Las etiquetas de variable y de valor de Stata
se conservan en esta conversin, y tambin se puede realizar conversin automtica de fechas.

45,000

49,000

EastWest (50ft)

Y ms

reference
30 mos.
40 mos.
50 mos.
0

7,600
35,000

0.75

ROC

65,000

7,700

ROC, by age

925
900
875
850
825
800
775
750
725
700

7,800

Depth (ft)

Northing
75,000

7,900

NorthSouth (50ft)

8,000

Hay demasiadas funcionalidades nuevas como

para enumerarlas aqu. No hemos hablado
de los grficos de densidad espectral, las
funciones para rango studentizado de Tukey y
para rango mltiple de Dunnett o los nuevos
estimadores para regresiones truncadas para
datos de conteo.

www.stata.com/stata12

Enfoque de SEM para economistas (y otros que piensan que no les interesa)
Este artculo no es para los que conocen SEM (modelos de ecuaciones
estructurales): aquellos que quieren utilizar modelos de medicin, anlisis
de trayectoria, anlisis factorial confirmatorio, modelos MIMIC, modelos de
crecimiento latente, y relaciones estructurales generales entre regresores
no observados (latentes) y las variables de respuesta; los que quieren
hacer todo lo anterior con un manejo sencillo y elegante de datos faltantes.
No. Este artculo es para aquellos que no estn familiarizados con SEM,
que no ven en su campo publicaciones que utilicen SEM, o que por alguna
otra razn no se han interesado por SEM.
No voy a tratar de convencerlo de que usted necesita los modelos
mencionados en el prrafo anterior (aunque es probable que algunas
de las herramientas en la lista le sean tiles). Ms bien, le voy a mostrar
algunos casos en los que SEM puede ajustar modelos que usted conoce
y utiliza, de una manera ms flexible y con extensiones que no estn
disponibles en los estimadores que usted utiliza habitualmente.

Ampliaciones de SUR
Vamos a empezar con la regresin aparentemente no relacionada (SUR),
que es simplemente una extensin de la regresin multivariada en la
que cada variable dependiente depende de un conjunto diferente de
covariables, por lo que los estimadores de los coeficientes dependen de
la matriz de covarianza de los errores, y no solamente de las varianzas
individuales. El siguiente es un modelo simple de tres ecuaciones:
y1 = 1 x1 + 2 x2 + 1
y2 = 3 x1 + 4 x3 + 2
y 3 = 5 x 1 + 6 x 2 + 7 x 3 + 3

1 ~ i.i.d. normal(0, 12)

2 ~ i.i.d. normal(0, 22)
3 ~ i.i.d. normal(0, 32)

donde 1, 2 y 3 estn correlacionados.

Tenga en cuenta que la hiptesis de normalidad no es necesaria para
la inferencia asinttica.
Por lo general estos modelos se estiman en Stata por el mtodo de
mnimos cuadrados generalizado (GLS) con sureg:
sureg (y1

x1 x2) (y2

x1 x3) (y3

x1 x2 x3)

En Stata 12, se puede estimar el mismo modelo por mxima verosimilitud

(ML) mediante SEM:

sem (y1 <- x1 x2) (y2 <- x1 x3) (y3 <- x1 x2 x3)
,
covstruct(e.oendogenous, unstructured)

Algo positivo acerca de las estimaciones por ML es que sus errores

estndar (SE) no asumen que hemos estimado perfectamente las
correlaciones entre los errores. Por el contrario, dichas correlaciones son
simplemente ms parmetros estimados dentro del modelo.
Mejor an son las extensiones que obtenemos con sem.
Podemos aplicar las restricciones que deseemos a la matriz de covarianza
de los errores. Por ejemplo,

sem (y1 <- x1 x2) (y2 <- x1 x3) (y3 <- x1 x2 x3)
,
covstruct(e.oendogenous, exchangeable)

hace que todos los sean homoscedsticos (1 = 2 = 3 ) y con la

misma correlacin. sem permite incorporar otras estructuras de covarianza
predefinidas, o usted puede proporcionar un patrn de covarianza, una

matriz de covarianza fija, o aplicar restricciones individuales a las varianzas y

covarianzas de los .
Podemos obtener errores estndar, intervalos de confianza y pruebas
asociadas que sean robustas a la falta de independencia dentro de ciertos
grupos de observaciones:

sem (y1 <- x1 x2) (y2 <- x1 x3) (y3 <- x1 x2 x3)
,
vce(cluster group)

Y tambin podemos hacer todo lo anterior cuando los datos no son

balanceados, es decir, cuando hay un nmero diferente de observaciones
para y1, y2, o y3.

sem (y1 <- x1 x2) (y2 <- x1 x3) (y3 <- x1 x2 x3)
,
method(mlmv)

Dicho de otra manera, las variables y1, y2, y3 pueden tener valores
faltantes al azar (MAR), y an as se puede usar la informacin de las
otras variables. El supuesto de MAR, tambin llamado seleccin sobre
observables, establece que la calidad de faltante slo depende de los
valores observados de y1, y2, y3, x1, x2 y x3 y no depende de datos
que no se observan.
Cuando slo las variables y presentan valores faltantes, el mtodo de
estimacin mlmv no aade supuestos adicionales a la estimacin.
Tambin se pueden realizar estimaciones utilizando mlmv cuando faltan
valores en las x, pero para ello debemos hacer la suposicin de que la
distribucin de x es normal multivariada.

Endogeneidad
Endogeneidad significa simplemente que existe una correlacin entre
un regresor y el trmino de error en una regresin. La endogeneidad
plantea un problema fundamental para la estimacin de parmetros. Si la
endogeneidad no se tiene en cuenta, los estimadores de los parmetros
sern sesgados e inconsistentes. Incrementar el tamao del conjunto de
datos no resolver este problema.
Todos estos problemas pueden ser tratados con SEM. El enfoque es
ms directo para los sistemas simultneos. Los sistemas simultneos se
presentan cuando dos o ms variables dependientes se afectan entre s.
y1 = 1 y2 + 2 x1 + 3 x2 + 1
y2 = 4 y1 + 5 x1 + 6 x3 + 2
A menudo hacemos la suposicin de que los tienen distribucin
normal y estn correlacionados, aunque muchos estimadores son
robustos frente a este supuesto.
La endogeneidad es obvia: dado que y2 es una funcin de y1, y2 est
claramente relacionada con la perturbacin de y1. Por qu no estimar
las ecuaciones de forma reducida que resultan de utilizar la expresin
de y1 en la ecuacin de y2 y viceversa? La estructura de las ecuaciones
originales a menudo surge de la teora, y los parmetros de las ecuaciones
son en s mismos de inters primario. Un ejemplo clsico de la economa
es cuando y1 es la cantidad demandada de un producto e y2 es el precio
del producto. 1 es claramente un parmetro importante, que relaciona la
cantidad demandada con el precio de oferta.

5
Estos parmetros son tan importantes que los economistas tienen un nombre
para ellos (parmetros estructurales), y las ecuaciones son tan importantes
que tenemos un nombre para ellas (ecuaciones estructurales).
Es el colmo de la irona que rara vez o nunca vemos las ecuaciones
estructurales estimadas por medio de modelos de ecuaciones estructurales
(SEM), a pesar de que estructural significa lo mismo en las dos expresiones.
Tal vez nos dejemos intimidar por las variables latentes que tambin pueden
aparecer en SEM, a pesar de que esto tambin resulta irnico dada la actual
popularidad de los modelos de factores dinmicos (muchos de los cuales se
pueden estimar con el comando de Stata dfactor).
En Stata 11, el sistema anterior se puede estimar con el mtodo de
mnimos cuadrados en tres etapas (3SLS) escribiendo
reg3 (y1

y2 x1 x2) (y2

y1 x1 x3)

En Stata 12, tambin se puede estimar dicho sistema con el mtodo de

mxima verosimilitud con informacin completa (FIML) escribiendo

sem (y1 <- y2 x1 x2) (y2 <- y1 x1 x3), cov(e.y1*e.y2)

Para todos los adeptos a SEM que an estan leyendo, el diagrama de

caminos para este modelo sera:

SEM tambin puede

estimar nuestro sistema
simultneo va mxima
verosimilitud con
informacin limitada
(LIML)
Este estimador requiere
que conozcamos
solamente la forma
de las ecuaciones
estructurales de inters,
y manejaremos el
resto de las variables
endgenas por
medio de sus formas
reducidas. Tambin
podramos considerar
esta estimacin por
medio de variables
instrumentales.
Para este modelo, en
Stata 11 escribimos

ivregress liml y1 x1 x2 (y2 = x1 x2 x3)

En Stata 12, tambin se puede escribir

Al igual que el estimador por mxima verosimilitud de SUR, el estimador
FIML no est condicionado a la covarianza estimada de los errores (el
estimador 3SLS s lo est).
Tambin, al igual que el estimador ML de SUR, SEM proporciona algunas
extensiones muy tiles que no estn disponibles en reg3
Se puede controlar y limitar la matriz de estructura de covarianza de
los errores.

sem (y1 <- y2 x1 x2) (y2 <- x1 x2 x3),

cov(e.y1*e.y2)

Esto realizar una estimacin del modelo estructural para y1, pero slo una
forma reducida del modelo para y2.
El mtodo es apropiado para muchas formas de endogeneidad ms all de
los sistemas simultneos. Al igual que con SUR y los sistemas simultneos,
sem ofrece cierta flexibilidad que ivregress no tiene.

Qu ms?

Se pueden obtener errores estndar, intervalos de confianza,

y pruebas asociadas que son robustas a la falta de la
independencia dentro de ciertos grupos de observaciones.
(opcin vce(cluster <grupo>)).

En todos los modelos considerados anteriormente, las variables exgenas

o endgenas pueden representar cantidades latentes no observables o
cantidades que se miden con error. Pero aqu entraramos en el verdadero
reino de SEM, que yo he prometido no visitar.

Podemos realizar estimaciones con datos faltantes en las variables

dependientes, siempre y cuando se trate de falta en observables.

Qu les parece? Con un pequeo esfuerzo, sem puede extender

todos los modelos anteriores a modelos de efectos aleatorios en datos
de panel o modelos multinivel de efectos aleatorios. Una vez que hemos
planteado el problema como SEM, otras extensiones surgen naturalmente:
correlaciones entre los grupos en un cierto nivel (lo que no sera posible
con xtmixed o xtreg) haciendo que los efectos aleatorios sean
condicionales, y mucho ms.

Tambin se puede estimar a travs de GMM (mtodo generalizado de

momentos), un estimador que hace menos supuestos de distribucin
(opcin method(adf)). ADF significa asymptotic distribution free, y
es la forma de hablar de GMM en el contexto de SEM.
Mientras que los parmetros estructurales (efectos directos) a menudo son
de inters primario, a veces tambin queremos conocer el efecto indirecto
de una variable (su efecto a travs de otras variables) o su efecto total (los
efectos directos ms los indirectos).
Luego de la estimacin con sem, los efectos, sus errores estndar, y sus
intervalos de confianza se pueden obtener escribiendo estat teffects.
A la derecha se muestra un ejemplo de resultados luego de ajustar nuestro
modelo.

Para acceder a una visin general de este enfoque, visite el post en el blog
Not Elsewhere Classified, en www.stata.com/blog/xtsem.
Si usted ha estado pasando por alto a SEM, pensado que no es para
usted, es posible que desee reconsiderar este punto de vista.
Vince Wiggins, Vicepresidente de
Desarrollo Cientfico, StataCorp

Nuevas fechas para cursos abiertos de capacitacin

Cursos

Fechas

Lugar

Costo

Manejo de Datos Faltantes Utilizando Imputacin Mltiple

4 y 5 de abril de 2012

Washington, DC

USD 1.295

Modelos Mixtos/Multinivel con Stata

9 y 10 de febrero de 2012

Washington, DC

USD 1.295

Anlisis de Datos de Panel con Stata

18 y 19 de abril de 2012

Washington, DC

USD 1.295

Programacin de Comandos de Estimacin en Stata

8 y 9 de marzo de 2012

Washington, DC

USD 1.295

Anlisis de Datos de Encuestas con Stata

30 y 31 de mayo de 2012

Washington, DC

USD 1.295

Anlisis de Series de Tiempo con Stata

6 y 7 de marzo de 2012

Washington, DC

USD 1.295

3 y 4 de noviembre de 2011
7 y 8 de febrero de 2012
6 y 7 de marzo de 2012
4 y 5 de abril de 2012
9 y 10 de mayo de 2012
19 y 20 de junio de 2012

New York City, NY

Washington, DC
New York City, NY
San Francisco, CA
Boston, MA
Chicago, IL

Uso Eficiente de Stata: Fundamentos en Manejo de

Datos, Anlisis y Grficos

Manejo de Datos Faltantes

Utilizando Imputacin Mltiple
Este curso interactivo cubre todos los aspectos
del anlisis de imputacin mltiple, incluyendo
creacin de mltiples datos imputados (MI)
utilizando los mtodos de imputacin basados en
la distribucin normal multivariada y las ecuaciones
encadenadas (o especificacin totalmente
condicional), la manipulacin de los datos MI, y
el anlisis de los datos MI. El curso proporcionar
ejercicios para reforzar el material presentado.
Modelos Mixtos/Multinivel
con Stata
Este curso es una introduccin al uso de Stata
para ajustar modelos mixtos/multinivel. El curso es
interactivo, con datos reales, y ofrece amplitud de
oportunidades para hacer preguntas especficas
de investigacin y para trabajar en los ejercicios
donde se aplica los conceptos del curso.
Anlisis de Datos Panel con Stata NUEVO
Este curso ofrece una introduccin a la teora
y prctica del anlisis de datos de panel.
Luego de la introduccin de los enfoques de
efectos fijos y efectos aleatorios para modelar
heterogeneidad no observada a nivel de
individuos, el curso abarca modelos lineales
con covariables exgenas, modelos lineales
con variables endgenas, modelos lineales
dinmicos y algunos modelos no lineales.
Incluye tambin una breve introduccin al
mtodo generalizado de momentos. En el curso
se discuten profundamente las diferencias
entre las interpretaciones a nivel de individuo
y como promedio poblacional. Las clases se
complementan con ejercicios y ejemplos en Stata.

Programacin de Comandos de
Estimacin en Stata
Este curso muestra cmo escribir un comando
de estimacin en Stata. No se requiere
experiencia en programacin en Stata o en
Mata, pero el tenerla ayuda. Despus de
una introduccin a la programacin bsica
usando los archivos .do de Stata, el curso
cubre los aspectos bsicos y avanzados
de programacin con archivos .ado. A
continuacin, se ofrece una introduccin a
Mata, el lenguaje matricial compilado que
forma parte de Stata. Luego se muestra cmo
implementar mtodos estadsticos lineales y
no lineales escribiendo programas en Stata
y Mata. Por ltimo, se discute el uso de
simulaciones de Monte Carlo para probar la
implementacin. Las clases se complementan
con ejercicios y ejemplos en Stata.

NUEVO

Anlisis de Datos de Encuestas NUEVO

con Stata
Este curso cubre el uso de Stata para el anlisis
de datos proveniente de encuestas, asumiendo
una poblacin fija. Comienza con una revisin
de los mtodos de muestreo utilizados para
recoger datos de encuestas y cmo estos
mtodos afectan la estimacin de los totales, las
proporciones, y los coeficientes de regresin.
Luego, el curso cubre los tres estimadores
de varianza implementados en Stata para
estimacin para datos de encuestas. Tambin se
abordan con cierto detalle los temas de estratos
con una sola unidad de muestreo, unidades de
muestreo con probabilidad 1, la estimacin en
subpoblaciones, y cada tema se ilustra con uno
o ms ejemplos en Stata.

USD 950

Anlisis de Series de Tiempo con Stata

Este curso cubre los mtodos de anlisis de
series de tiempo y muestra cmo realizar
dichos anlisis utilizando Stata. El curso abarca
mtodos para el manejo de datos, la estimacin,
seleccin del modelo, pruebas de hiptesis, e
interpretacin. Para los problemas univariados,
el curso cubre modelos autorregresivos de
promedios mviles (ARMA), filtros lineales,
modelos de memoria a largo plazo, modelos
con componentes no observados, y modelos
generalizados autorregresivos condicionalmente
heteroscedsticos (GARCH). Para problemas
multivariados, el curso abarca modelos de
vectores autorregresivos (VAR), modelos de
cointegracin VAR, modelos de espacio de
estado y modelos de factores dinmicos, y
modelos multivariados GARCH. Las charlas se
complementarn con ejercicios y ejemplos en Stata.
Uso Eficiente de Stata:
Fundamentos en Manejo de
Datos, Anlisis y Grficos
Este curso est dirigido tanto a los usuarios
nuevos de Stata, como a aquellos que, si bien
ya conocen Stata, desean aprender tcnicas
para aumentar su eficiencia en el uso de Stata.
Al terminar el curso, usted estar capacitado
para usar Stata de manera reproducible, lo que
simplificar significativamente la realizacin
de trabajos en colaboracin, o modificaciones
posteriores de sus propios anlisis.
Los cursos de capacitacin se dictan en
ingls. Ofrecemos un descuento del 15%
en la matrcula para grupos de tres o ms
participantes. Por detalles, escrbanos
a la direccin training@stata.com.
Para obtener ms informacin sobre
los cursos o para inscribirse, visite
www.stata.com/public-training.

NUEVO

Novedades de La Librera de Stata

Practical Multivariate Analysis, Fifth Edition

Autores: Abdelmonem Afifi, Susanne May,

and Virginia A. Clark

Editorial: Chapman & Hall/CRC

D
erechos de autor:

2011

ISBN-13: 978-1-4398-1680-6

Pginas: 517; Cubierta rgida

Precio: USD 78,50

La quinta edicin del libro Practical Multivariate Analysis, por Afifi, May y
Clark, ofrece una introduccin aplicada al anlisis de datos multivariados. El
prefacio dice:
Escribimos este libro para los investigadores, especialmente los
cientficos del comportamiento, los cientficos biomdicos y los
investigadores industriales y acadmicos, que deseen llevar a cabo
anlisis estadsticos multivariados y entender los resultados. Esperamos
que los lectores sean capaces de realizar y entender los resultados,
pero tambin esperamos que sepan cundo pedir ayuda a un experto
en el tema. Puede ser utilizado como libro de lecturas auto-guiadas o
como texto en un curso aplicado sobre anlisis multivariado.
La primera mitad del libro, compuesta por las secciones 1 y 2, revisa
los conceptos bsicos: la comprensin de los diferentes tipos de datos,
la preparacin de los datos, la seleccin de las tcnicas estadsticas
apropiadas, y el uso y la comprensin de las tcnicas de regresin y
correlacin.

En segunda mitad del libro, la seccin 3 cubre los temas de correlacin

cannica, anlisis discriminante, regresin logstica, anlisis de
supervivencia, componentes principales, anlisis factorial, anlisis de
conglomerado, anlisis log-lineal, y regresin para datos correlacionados
(modelos como los ajustados con xtmixed en Stata).
El carcter aplicado e introductorio del libro se puede ver en la tabla
de contenidos. La mayora de los captulos incluyen secciones tituladas
Esbozo del captulo, Cundo se utiliza (esta tcnica), Ejemplo de
datos, Conceptos bsicos, Discusin de los programas de ordenador,
Qu hay que tener en cuenta?, Resumen, y Problemas.
Otro recurso til para los lectores de este libro es el sitio web de UCLA,
www.ats.ucla.edu/stat/examples/cama4.
Aqu se presentan muchos de los ejemplos de la cuarta edicin, en Stata
y en otros cuatro paquetes estadsticos. Los datos correspondientes a la
quinta edicin se encuentran disponibles para su descarga desde Stata
para que el lector pueda practicar la aplicacin de las tcnicas a medida
que lee. Si usted est buscando derivaciones y demostraciones, este libro
no es para usted. Si usted necesita orientacin sobre las tcnicas a utilizar,
cundo usarlas y cmo interpretar los resultados, este libro le ser til.
Para ver la tabla de contenidos, u obtener la informacin necesaria para
ordenar este libro, visite:
www.stata.com/bookstore/practical-multivariate-analysis.

Negative Binomial Regression, 2nd Edition

Autores: Joseph M. Hilbe

Editorial: Cambridge University Press

D
erechos de autor:

2011

ISBN-13: 978-0-521-19815-8

Pginas: 553; Cubierta rgida

Precio: USD 66,50

Negative Binomial Regression, Second Edition, por Joseph M. Hilbe,

trata el modelo binomial negativo y sus variaciones. La regresin
Binomial negativa, una alternativa para la regresin de Poisson que
se ha popularizado recientemente, se utiliza para tener en cuenta la
sobredispersin, que se encuentra a menudo en muchas aplicaciones con
respuestas de conteo.
Negative Binomial Regression abarca los modelos de respuesta de conteo,
sus mtodos de estimacin, y los algoritmos utilizados para ajustar estos
modelos. Hilbe describe con detalle el problema de la sobredispersin y
las maneras de manejar la situacin. El libro hace hincapi en la aplicacin
de modelos binomiales negativos a varios problemas de investigacin con
datos de conteo que presentan overdispersin. Gran parte del libro est
dedicada a discutir las tcnicas para seleccin del modelo, la interpretacin

de los resultados, los diagnsticos de regresin, y los mtodos de

evaluacin de la bondad de ajuste.
Hilbe utiliza Stata ampliamente en los ejemplos a lo largo del libro. Tambin
describe varias extensiones del modelo binomial negativo: modelos con
exceso de ceros, censura y truncamiento de los datos, datos longitudinales
y de panel, y datos con seleccin de la muestra.
Negative Binomial Regression est dirigido a los estadsticos, los
econometristas y los investigadores aplicados que analizan datos
con respuestas de conteo. El libro est escrito para un lector con
conocimientos en fundamentos de la estimacin por mxima verosimilitud
y los modelos lineales generalizados, pero Hilbe incluye suficientes detalles
matemticos para satisfacer a los lectores con mentalidad ms terica.
Esta segunda edicin incluye material adicional sobre los modelos
de mezclas finitas, los modelos de conteo de cuantiles, los modelos
binomiales negativos bivariados, y los distintos mtodos de manejo de la
endogeneidad, incluyendo el mtodo generalizado de momentos.
Para ver la tabla de contenidos, u obtener la informacin necesaria para
ordenar este libro, visite:
www.stata.com/bookstore/negative-binomial-regression.

StataCorp
4905 Lakeway Drive
College Station, TX 77845
USA

Cmo contactarnos
979-696-4600
979-696-4601 (fax)
service@stata.com
www.stata.com
Por favor, incluya su nmero de serie de Stata en toda su correspondencia.

Encuntrenos en Facebook.
Derechos de Autor 2011 por StataCorp LP.

Encuentre un distribuidor cerca de usted

www.stata.com/worldwide

Sganos en Twitter.

Visite nuestro blog.

Serious software for serious researchers. Stata es una marca registrada de StataCorp LP. Serious software for serious
researchers es una marca registrada de StataCorp LP.

Prximas reuniones Grupos de Usuarios de Stata

Vistenos en APHA 2011

Suecia

Washington, DC,
29 de octubre 29
2 de noviembre

La reunin, organizada conjuntamente por Metrika

Consulting, distribuidor de Stata en los pases
nrdicos y blticos, y el Instituto Karolinska, est
abierta a todos los que deseen participar. Asistirn
representantes de StataCorp, y se realizar la habitual
sesin Deseos y quejas en la que los usuarios
podrn expresar sus ideas a miembros del equipo
de desarrollo de Stata. Representando a StataCorp
asistirn Yulia Marchenko, Directora Asociada,
Bioestadstica, y Vince Wiggins, Vicepresidente de Desarrollo Cientfico. Para obtener ms informacin,
visite www.stata.com/meeting/sweden11.

Italia
El encuentro, organizado por TStat, distribuidor
de Stata en Italia, ofrece a los usuarios de Stata
que trabajan en diferentes reas de investigacin
una oportunidad nica para intercambiar ideas,
experiencias e informacin sobre rutinas escritas por
usuarios y aplicaciones. Los usuarios de Stata interesados en presentar contribuciones estn invitados
a enviar sus propuestas al comit cientfico. Como en aos anteriores, se har hincapi en el desarrollo
de nuevos comandos o procedimientos que actualmente no estn disponibles en Stata. Para ver ms
detalles, incluyendo un programa preliminar, visite www.stata.com/meeting/italy11.

La Asociacin de Salud Pblica en USA

(APHA) tendr su reunin anual en
Washington, DC del 29 de octubre al 2
de noviembre. Por ms informacin, visite
www.apha.org/meetings/highlights.
Representantes de Stata, incluyendo a Bill
Rising, Director de Servicios Educativos, y
Teresa Boswell, Bioestadstica y Desarrolladora
de Software, estarn disponibles en el stand
de Stata para responder a sus preguntas.
Detngase en el stand No. 4001 para hablar
con las personas que desarrollan y apoyan el
software y para obtener un 20% de descuento
en la compra de libros de Stata Press y en
suscripciones al Stata Journal.