Szacowanie maksymalnego prawdopodobieństwa za pomocą programu Stata, wydanie piąte

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Maximum Likelihood Estimation with Stata, Fifth Edition

Zawartość książki:

Maximum Likelihood Estimation with Stata, Fifth Edition jest niezbędnym źródłem informacji i przewodnikiem dla naukowców ze wszystkich dyscyplin, którzy chcą pisać estymatory maksymalnego prawdopodobieństwa (ML) w Stata. Oprócz kompleksowego omówienia poleceń Stata do pisania estymatorów ML, książka przedstawia przegląd podstaw maksymalnego prawdopodobieństwa i sposobu myślenia o estymacji ML.

Piąte wydanie zawiera nowy drugi rozdział, który demonstruje łatwe w użyciu polecenie mlexp. Polecenie to pozwala bezpośrednio określić funkcję prawdopodobieństwa i przeprowadzić estymację bez konieczności programowania.

Główna część książki koncentruje się na poleceniu ml programu Stata. Pokazuje, jak w pełni wykorzystać godne uwagi funkcje ml:

⬤ Ograniczenia liniowe.

⬤ Cztery algorytmy optymalizacji (Newtona-Raphsona, DFP, BFGS i BHH).

⬤ Estymator wariancji macierzy obserwowanych informacji (OIM).

⬤ Estymator wariancji zewnętrznego iloczynu gradientów (OPG).

⬤ Odporny estymator wariancji Hubera/White'a/Sandwicha.

⬤ Odporny estymator wariancji dla klastrów.

⬤ Pełna i automatyczna obsługa analizy danych ankietowych.

⬤ Bezpośrednia obsługa funkcji oceniających napisanych w języku Mata.

W przypadku użycia odpowiednich opcji, wiele z tych funkcji jest dostarczanych automatycznie przez ml i nie wymaga specjalnego programowania ani interwencji badacza piszącego estymator.

W późniejszych rozdziałach dowiesz się, jak korzystać z Mata, języka programowania macierzy Stata. Ze względu na łatwość programowania i potencjalną poprawę szybkości, można napisać program oceniający prawdopodobieństwo w Mata i nadal używać ml do kontrolowania procesu maksymalizacji. Nowy rozdział w piątym wydaniu pokazuje, w jaki sposób można użyć pakietu funkcji Mata moptimize(), jeśli chcesz zaimplementować estymator maksymalnego prawdopodobieństwa całkowicie w Mata.

W ostatnim rozdziale autorzy ilustrują główne kroki wymagane do przejścia od funkcji log-likelihood do w pełni operacyjnego polecenia estymacji. Odbywa się to przy użyciu kilku różnych modeli: logit i probit, regresji liniowej, regresji Weibulla, modelu proporcjonalnych zagrożeń Coxa, regresji losowych efektów i pozornie niepowiązanej regresji. W tym wydaniu dodano nowy przykład dwuwymiarowego modelu Poissona, modelu, który nie jest dostępny w innych wersjach Stata.

Autorzy zapewniają obszerne porady dotyczące tworzenia własnych poleceń estymacji. Przy odrobinie uwagi i pomocy tej książki, użytkownicy będą w stanie napisać własne polecenia estymacji - polecenia, które wyglądają i zachowują się tak samo jak oficjalne polecenia estymacji w Stata.

Niezależnie od tego, czy chcesz dopasować specjalny estymator ML do własnych badań, czy też chcesz napisać estymator ML ogólnego przeznaczenia, z którego będą mogli korzystać inni, potrzebujesz tej książki.