Maximum Likelihood Estimation met Stata, vijfde editie

Auteur: Jeffrey Pitblado, Brian Poi en William Gould
ISBN: 978-1-59718-411-3
Gedrukte editie

Commentaar van de technische groep van Stata

Maximum Likelihood Estimation met Stata, vijfde editie is de essentiële referentie en gids voor onderzoekers in alle disciplines die maximum likelihood (ML)-schatters in Stata willen schrijven. Naast een uitgebreide beschrijving van Stata's vaardigheden voor het schrijven van ML-schatters, geeft het boek een overzicht van de basisprincipes van maximum likelihood en hoe je ML-schattingen kunt benaderen.

De vijfde editie bevat een nieuw tweede hoofdstuk dat de gebruiksvriendelijke mlexp commando. Met dit commando kunt u direct een waarschijnlijkheidsfunctie opgeven en een schatting uitvoeren zonder te programmeren.

De kern van het boek richt zich op Stata's ml commando. Het laat je zien hoe je er optimaal gebruik van kunt maken opmerkelijke kenmerken van ml :

• Lineaire beperkingen
• Vier optimalisatiealgoritmen (Newton-Raphson, DFP, BFGS en BHHH)
• Variantieschatter van de waargenomen informatiematrix (OIM)
• Variantieschatter voor het buitenproduct van gradiënten (OPG)
• Huber/White/sandwich robuuste variantieschatter
• Cluster-robuuste variantieschatter
• Volledige en automatische ondersteuning voor de analyse van enquêtegegevens
• Directe ondersteuning van evaluatiefuncties geschreven in Mata

Als de juiste opties worden gebruikt, worden veel van deze functies automatisch door ml en vereisen geen speciale programmering of tussenkomst van de onderzoeker die de schatter schrijft.

In latere hoofdstukken leert u hoe u Mata, de matrixprogrammeertaal van Stata, kunt gebruiken. Voor eenvoudiger programmeren en mogelijke snelheidsverbeteringen kunt u uw likelihood-evaluatorprogramma in Mata schrijven en blijven gebruiken. ml om het maximalisatieproces te beheersen. Een nieuw hoofdstuk in de vijfde editie laat zien hoe u de moptimize() suite met Mata-functies als u uw maximum likelihood-schatter volledig in Mata wilt implementeren.

In het laatste hoofdstuk illustreren de auteurs de belangrijkste stappen die nodig zijn om van een log-likelihoodfunctie naar een volledig operationeel schattingscommando te komen. Dit gebeurt met behulp van verschillende modellen: logit en probit, lineaire regressie, Weibull-regressie, het Cox-model voor proportionele hazards, random-effects regressie en schijnbaar ongerelateerde regressie. Deze editie voegt een nieuw voorbeeld toe van een bivariaat Poisson-model, een model dat anders niet beschikbaar is in Stata.

De auteurs geven uitgebreid advies voor het ontwikkelen van uw eigen schattingsopdrachten. Met een beetje zorg en de hulp van dit boek kunnen gebruikers hun eigen schattingsopdrachten schrijven – opdrachten die er net zo uitzien en zich net zo gedragen als de officiële schattingsopdrachten in Stata.

Of u nu een speciale ML-schatter voor uw eigen onderzoek wilt gebruiken of een algemene ML-schatter wilt schrijven die anderen kunnen gebruiken, u hebt dit boek nodig.

Over de auteurs

Jeff Pitblado is Executive Director Statistical Software bij StataCorp. Pitblado heeft een leidende rol gespeeld in de ontwikkeling van ml : hij voegde het vermogen toe van ml om met enquêtegegevens te werken, en hij schreef de huidige implementatie van ml in Mata.

Brian Poi werkte eerder als ontwikkelaar bij StataCorp en schreef vele populaire econometrische schatters in Stata. Sindsdien heeft hij zijn kennis van econometrie en statistische programmering toegepast op diverse gebieden, waaronder macro-economische prognoses, kredietanalyses en stresstests voor banken.

William Gould is emeritus-president van StataCorp en leidde meer dan 30 jaar de ontwikkeling van Stata. Gould is tevens de architect van Mata.