Dengan mudah kita bisa membuat tabel untuk membandingkan hasil regresi atau ringkasan statistik, Tabel yang dibuat bisa di export ke MS Word®, PDF, HTML, LaTeX, MS Excel®, atau Markdown dan memasukkannya ke report. Command –table– telah diperbaharui. Dengan tambahan command collect yang bisa membantu mengumpulkan dan mengelola hasil dari beberapa perintah/command (membuat tabel, exports ke berbagai formats dan lainnya). Anda juga bisa melakukan point-and-click untuk membuat tabel dengan menggunakan fitur tabel baru ini.
Stata 17 sekerang melakukan Ekonometrika Bayesian. Cocok dengan banyak model Bayesian seperti cross-sectional; panel-data; multilevel; dan time-series models. Anda bisa membandingkan dengan menggunakan faktor Bayes, dapatkan prediksi dan prakiraan, dan lainnya.
Stata mementingkan akurasi dan kecepatan. Terkadang ada salah satu yang dikorbankan antara akurasi dan kecepatan, tetapi Stata mampu memberikan yang terbaik dari keduanya kepada pengguna. Stata 17 sudah mengembangkan algoritma untuk perintah “sort” dan "collapse" membuat keduany berlajan lebih cepat. Stata 17 meningkatkan kecepatan pada beberapa perintah estimasi seperti mixed; model mixed-effects.
Command baru-didregress- dan -xtdidregress- cocok difference-in-differences (DID) and difference-in-difference-in-differences atau triple-differences (DDD) models. -didregress- bekerja dengan repeated-cross-sectional data, dan-xtdidregress- bekerja dengan longitudinal/panel data.
Model DID dan DDD digunakkan untuk memperkirakan efek pengobatan rata-rata pada perlakuan (ATET) dengan data repeated-measures. Efek pengobatan dapat menjadi efek dari rejimen obat pada tekanan darah atau efek dari program pelatihan pada pekerjaan. Berbeda dengan analisis cross-sectional standar (tersedia dengan perintahteffects yang ada) analisis DID mengontrol efek grup dan waktu ketika memperkirakan ATET, di mana grup mengidentifikasi tindakan berulang. Analisis DDD mengontrol efek grup tambahan dan interaksinya dengan waktu. Anda dapat menentukan hingga tiga variabel grup atau dua variabel grup dan variabel waktu.
Command estimasi baru-stintcox- cocok model Cox untuk data tersensor-interval waktu-kejadian.
Gunakan fitur terbaru ini untuk menganalisa dari banyak penelitian. Dimana mungkin saja ada korelasi diantaranya. Gunakan command-meta mvregress- untuk multivariate meta-analisis, yang akan menjelaskan korelasi. Berbeda dengan command meta yang sudah ada yang mengabaikan korelasi tersebut.
Bayes prefix sekerang bisa menggunakan command -var- yang cocok untuk model Bayesian vector autoregressive (VAR).
Anda dapat menyesuaikan luasnya Bayesian multilevel models dengan syntax baru pada command bayesmh. Anda bisa melakukan univariate linear dan nonlinear multilevel models dengan lebih mudah dan sekarang bisa melakukan multivariate linear dan nonlinear multilevel models! Pikirkan tentang growth linear (pertumbuhan linear) dan nonlinear multilevel models, joint longitudinal dan survival-time models, SEM-type models, dan lainnya.
Gunakan-teffects- untuk membuat estimasi treatment effects. Gunakan -lasso- untuk mengatur atau mengontrol kovariat (covariat). Sekarang gunakan -telasso- untuk melakukan keduanya (estimate treatment effects and control for many covariates).
Command baru-meta galbraithplot- menghasilkan Galbraith plots untuk meta-analysis. Plot ini berguna untuk menilai heterogenitas (heterogeneity) dari penelitian dan mengidentifikasi potensial pencilan. Commannd ini juga bisa digunakan sebagai alternaif dari forest plot untuk membuat ringkasan hasil meta-analysis ketika menggunakan beberapa penelitian.
Sekarang Anda bisa melakukan meta-analisis tinggalkan-satu-keluar dengan menggunakan leaveoneout dengan -meta summarise- dan -meta forestplot-. Meta-analisis tinggalkan-satu-keluar bisa melakukan beberapa meta-analisis dengan mengecualikan satu studi di setiap analisis. Biasanya penelitian menghasilkan efek yang berlebihan (overall effect-size), yang dapat merusak hasil keseluruhan. Meta-analisis tinggalkan-satu-keluar berguna untuk infestigasi atau menyelidiki pengaruh dari efek yang berlebihan tersebut.
Panel-data efek-acak atau model longitudinal dengan menggunakan -xtreg- untuk hasil yang berkelanjutan, -xtlogit- atau -xtprobit- funtuk hasil biner, -xtologit- atau -xtoprobit- untuk hasil ordinal, dan lainnya. Di Stata 17, dengan mudah Anda bisa menggunakan bayesuntuk mengunakan versi Bayesian ini.
Command baru -xtmlogit- cocok untuk Model logit multimonial data-panel untuk hasil kategoris (categorical) yang diamati dari waktu ke waktu.
Command baru-ziologit- cocok untuk model regresi logistik terurut tanpa inflasi. Model ini digunakan ketika data menunjukkan pecahan pengamatan yang lebih tinggi dalam kategori terendah yang diharpakan dari model logistik standar (standard ordered logistic model).
-nptrend- command mendukung Anda untuk bisa melakukan empat penelitian pada satu grup. Anda bisa memilih antara tes Cochran–Armitage, tes Jonckheere–Terpstra, tes tren linear-by-linear, dan tes Cuzick digunakan peringkat. Tiga pilihan pertama merupakan hal baru, pilihan ke empat sudah bisa dilakukan dengan command nptrend sebelumnya.
Perkiraan dinamis Bayes ini menghasilkan seluruh sampel nilai prediksi, bukan satu prediksi seperti dalam analisis klasik.
Impulse–response functions (IRFs), dynamic-multiplier functions, dan forecast-error variance decompositions (FEVDs) adalah sesuatu yang umumnya digunakan untuk menggambarkan hasil dari multivariate time-series models seperti VAR models. VAR models memiliki banyak parameter, yang mungkin sulit ditafsirkan. IRFs dan fungsi lain mengkombinasikan efek dari banyak parameter menjadi satu ringkasan.
Pemilihan parameter penalti adalah dasar untuk analisis laso. Menggunakan penalti kecil dapat mencakup terlalu banyak variabel. Menggunakan penalti yang besar dapat menghilangkan variabel yang berpotensi penting. Estimasi Lasso sudah menyediakan beberapa metode seleksi penalti, termasuk validasi silang, adaptif, dan plugin. Anda sekarang dapat menggunakan kriteria informasi Bayesian (BIC) untuk memilih parameter penalti setelah laso untuk prediksi dan laso untuk inferensi dengan menentukan opsi selection (BIC).
Anda sekarang dapat memperhitungkan data berkerumun dalam analisis laso Anda. Mengabaikan pengelompokan dapat menyebabkan hasil yang salah dengan adanya korelasi antara pengamatan dalam kerum yang sama. Dengan perintah laso untuk prediksi seperti -lasso- dan -elasticnet-, Anda dapat menentukan opsi cluster baru ({\it clustvar}). Dengan perintah laso untuk inferensi seperti poregress, Anda dapat menentukan opsi -vce(cluster {\it clustvar})- baru.
Sekarang Anda bisa memuat model linear Bayesian dan dynamic stochastic general equilibrium (DSGE) nonlinear dengan menggunakan -dsge- and -dsgenl- dengan -bayes:-.
Stata 17 membuat do-file lebih mudah dengan bookmark. Bookmark digunakan untuk memberi tanda dan nantinya menavigasi ke sana kembali untuk memudahkan.
Stata 17 juga menambahkan kontrol navigasi untuk membuat do-file lebih mudah. Dimana navigasi ini akan memperlihatkan daftar bookmark dan labelnya. Ketika Anda memilih pada kontrol navigasi maka secara otomatis Anda akan dibawa ke bagian tersebut
Stata 17 menambahkan fungsi baru yang mengatur tanggal dan waktu pada Stata dan Mata. Fungsi baru ini bisa dikategorikan menjadi:
Stata 17 memperkanalkan penggunaan Perpustakaan Kernel Matematika Intel atau Intel Math Kernel Library (MKL) pada hardware tertentu (semua Intel- dan AMD-based 64-bit komputer), menyediakan LAPACK yang sudah di optimalkan.
LAPACK alias linear algebra PACKage
SStata 17 untuk Mac sekarang tersedia untuk Apple Silicon dan Mac dengan Intel Processors.
Menghubungkan Stata dengan databases sekarang semakin mudah. Stata 17 menambahkan dukungan untuk JDBC (Java Database Connectivity). JDBC adalah cross-platform untuk bertukar data antara program dan database.
Di Stata 17, sekarang Anda bisa menjalankan dan embed kode Java langsung di Stata.
Anda bisa membuat dan menggunakan plugin Java pada versi Stata sebelumnya. Tetapi Anda butuh compile kode tersebut dalam file Jar. Menjalankan Java pada do-file memberikan Anda kebebasan untuk menjalankan kode Java terikat langsung dengan Stata. Sekarang Anda bisa menulis Java pada do-files atau ado-files ataupun Java interactively (seperti JShell) dari dalam Stata.
Di Stata 17, Anda bisa mencoba bereksperiman dengan menghungkan Stata dengan H2O, platform pembelajaran mesin dan analisis prediktif sumber terbuka. Baca lebih lanjut H2O di https://docs.h2o.ai/.
Stata 17 memperkenalkan sebuat konsep baru yang dikenal sebagai PyStata. PyStata adalah sebuah istilah yang mencakup segala sesuatu tentang interaksi antara Stata dan Python.
Stata 16 memiliki kemampuan untuk memanggil Python code dari Stata. Stata 17 mengembangkannya sehingga Anda bisa memanggil Stata dari Phyton dengan menggunakan PyStata pada Python.
Pada Stata 17, kita bisa menggunakan Stata dan Mata (sebagai bagian dari PyStata) Jupyter Notebook dengan IPython (interactive Python) kernel. Ini berarti kita bisa mengkombinasikan kemampuan yang dimiliki Python dan Stata dalam satu sistem untuk memudahkan Anda bekerja dan berbagi dengan yang lainnya.
Memanggil Stata pada Jupyter Notebook bisa digunakan melalui PyStata Python yang baru.