Stata 17是一款功能非常强大的通用统计数据分析套件。在工程、经济学、政治学、社会学、生物医学、流行病学和许多其他研究形式的数据分析领域拥有超过35年的经验,这个应用程序的每个现代版本都可以有四个专门的构建,这些构建针对不同规模的项目的增强数据采集、处理、分析和展示技术进行了优化IC(应用程序的标准版本)、MP(用于多处理器计算机)、SE(用于优化处理大型数据库)和Numerics by Stata(用于在嵌入式环境中管理数据)。在其目前的高级形式下,该软件可以完成一系列系列广泛的任务,包括但不限于一般数据管理、深入分析、图形创建、高级模拟、数据回归等等。这个先进的应用程序的功能可以通过自定义编程进一步增强,可以使其适应几乎所有现代研究项目的具体需求,甚至可以支持传播用户创建的程序,可以持续增长。在这个程序的漫长历史中,用户界面最初完全集中在命令界面上,但从第8版开始,它引入了图形用户界面,并在随后的几年里得到了大幅度的改进。到目前为止该软件已经更新到了Strata 17。该应用程序兼容多种数据格式,包括ASCII(CSV或数据库)和常用的电子表格格式(包括兼容Excel的扩展)。该软件的本地文件格式是SAS XPORT。该软件拥有需要任何帮助,该应用程序提供超过13种国际语言的内置支持。大多数第一次使用的用户会专注于处理单一的数据集,学习如何处理其分析和图表创建工具,但高级用户会发掘出大量的高级服务,可以轻松咀嚼最详细和复杂的数据。说了那么多有点,现在说说它的缺点,该应用程序的最大缺点是它专注于单一的数据表。这个领域的其他竞争性应用在几年前就已经采用了多数据表处理。
我们提供的是Stata 17破解版,在下文中也提供了关于该软件的详细安装破解教程,感兴趣的朋友下载试试吧。![Stata 17中文破解版](/wp-content/uploads/2021/09/2021090710435040.jpg)
安装教程
1、从本站下载数据包后解压,运行安装成SetupStata17.exe。
![](/wp-content/uploads/2021/09/2021090710224318.jpg)
2、选择“i accept the terms in the license agreement”然后点击next。
![](/wp-content/uploads/2021/09/2021090710224467.jpg)
3、设置登录用户然后点击next。
![](/wp-content/uploads/2021/09/2021090710224527.jpg)
4、选择安装类型然后点击next。
![](/wp-content/uploads/2021/09/2021090710224639.jpg)
5、设置安装目录然后点击next。
![](/wp-content/uploads/2021/09/2021090710224628.jpg)
6、点击“install开始安装”
![](/wp-content/uploads/2021/09/2021090710224756.jpg)
7、安装完成,点击finish。
![](/wp-content/uploads/2021/09/2021090710224886.jpg)
8、将数据包crack文件夹下的破解补丁复制到安装目录下替换原文件。
![](/wp-content/uploads/2021/09/2021090710224925.jpg)
9、启动软件,将数据包中提供的注册码复制到软件上进行激活即可
![](/wp-content/uploads/2021/09/2021090710225045.jpg)
软件新功能
1、表格
![](/wp-content/uploads/2021/09/2021090710242653.jpg)
2、自定义下列内容的表格
汇总统计量
假设检验的结果
回归结果
LR和Wald检验,GOF统计量
任何Stata命令的结果
3、导出为
Word, Excel
LaTeX
HTML, Markdown
PDF
4、贝叶斯计量经济学
![](/wp-content/uploads/2021/09/2021090710242799.jpg)
5、贝叶斯
VAR模型
IRF和FEVD分析
动态预测
面板/纵向数据模型
线性和非线性DSGE模型
6、PyStata-Python和该软件
从该软件调用Python
从Python调用该软件
无缝交换数据,元数据和结果
从Jupyter Notebook,Spyder,PyCharm IDE等中使用该软件。
![](/wp-content/uploads/2021/09/2021090710242832.jpg)
7、Stata和Jupyter Notebook在一起
从Jupyter Notebook调用该软件和Mata。
轻松重现您的工作和与他人合作。
在Python中访问来自该软件分析的结果。
该软件输出,图形和表格与Jupyter Notebook无缝集成。
![](/wp-content/uploads/2021/09/2021090710242953.jpg)
8、双重差分模型 (DID) 和DDD模型
评估政策,治疗或干预措施的效应。
用于混淆未观察组和时间特征的控制。
使用面板数据或重复的横截面。
使用DID。自1855年开始盛行。
![](/wp-content/uploads/2021/09/2021090710243013.jpg)
9、更快的Stata
更快的sort和collapse
更快的mixed模型
更快的估计命令
![](/wp-content/uploads/2021/09/2021090710243155.jpg)
10、区间删失Cox模型
您想为事件建模时间。
但是您不知道确切的事件时间,仅知道事件发生的时间间隔。
而且您不想进行参数化假设。
尝试区间删失Cox模型
![](/wp-content/uploads/2021/09/2021090710243164.jpg)
11、多变量荟萃分析(meta-analysis)
您有多个效应大小吗?
他们共有一个共同对照组吗?
他们是否共享同一组受试者?
多变量荟萃分析可以提供帮助。
![](/wp-content/uploads/2021/09/2021090710243269.jpg)
12、贝叶斯VAR模型
您可以使用var来拟合VAR模型。
您可以使用bayes来拟合Bayesian 回归模型。
现在您可以使用bayes: var拟合Bayesian VAR模型。
![](/wp-content/uploads/2021/09/2021090710243395.jpg)
13、贝叶斯多水平建模
非线性,联合,类SEM等。
更多的多水平模型。
更强大
更容易使用
![](/wp-content/uploads/2021/09/2021090710243449.jpg)
14、处理效应lasso估计
当您需要的时候:
因果推断,平均处理效应,潜在结果均值,双重稳健估计
您有:
许多(也许数百或数千)潜在协变量
将处理效应估计与lasso 变量选择结合使用。
![](/wp-content/uploads/2021/09/202109071024359.jpg)
15、日期和时间的新功能
计算持续时间,例如年龄和日期时间之间的其他差异。
计算相对日期或从其他日期开始的日期,例如相对于参考日期的上一个或下一个生日或周年纪念日。
从日期时间值和变量中提取单个部分。
![](/wp-content/uploads/2021/09/202109071024359.jpg)
软件功能
1、数据管理
数据转换,匹配-合并,导入/导出数据(支持直接导入Excel文件),ODBC,XML,分组处理,追加文件,排序,行列转置,标注,保存结果等。
2、基础统计
汇总,交叉表(cross-tabulations ),相关,t检验,等方差检验,比例检验,置信区间,因子变量等。
3、线性模型(Linear Models)
回归,bootstrap,jackknife和稳健Huber/White/sandwich方差评估;工具变量(instrumental variable);三阶段最小平方;约束;分位数回归;GLS等。
4、纵向数据/面板数据(Longitudinal data/panel data)
稳健标准误的随机和固定效应,线性混合模型,随机效应概率(random-effects probit),GEE,随机和固定效应泊松,动态面板数据模型和工具变量回归(instrumental-variables regression);面板单位根检验(unit-root tests);AR(1)干扰;
5、多层混合效应模型(Multilevel mixed-effects models)
连续,二元和计数结果,2-,3-和多因子随机截距(random-intercepts)和随机系数模型;交叉随机效应;ML和REML估计;效应和拟合值的BLUPs;分层模型,残差误差结构,支持在线性多层模型中的幸存数据等。
6、二元,计数,和受限的因变量
Logistic,probit,tobit;Poisson和负二项式;条件,多项式,嵌套,排序的,秩排序,和stereotype logistic;多项式probit;零膨胀(zero-inflated)和左截尾计数模型;选择模型(selection models);边际效应等。
7、ANOVA/MANOVA
平衡和非平衡设计,因子,嵌套和混合设计;重复测量,边际均值(marginal means),对比(contrasts)等。
8、SEM (Structural equation modeling,结构方程建模)
图形话模型构建器,标准化和非标准化估计,修正指标(modification indice),直接和间接效应,路径图(path diagrams),因子计分(factors scores)和其他预测值,分组和不变性检验(tests of invariance)的估计值,拟合优度,处理MAR数据(通过FIML),测量数据, 聚集数据。
9、多元方法
因子分析,首要成分,判别式分析,旋转,多维排列( multidimensional scaling ), Procrustean分析,一致性分析(correspondence analysis),biplot,系统树图(dendrograms),用户可扩展分析等。
10、聚类分析(Cluster analysis)
分层聚类,kmeans和kmedian非分层聚类,系统树图(dendrograms),停止规则;用户可扩展分析等。
11、广义线性模型(GLMs)
10个链接函数,用户定义链接,7种分布,ML和IRLS估计,9种方差估计,7种残差等。
12、非参数方法
Wilcoxon–Mann–Whitney, Wilcoxon符号秩和Kruskal–Wallis检验;Spearman和Kendall相关,Kolmogorov–Smirnov检验,精确二项式置信区间(CIs),幸存数据,ROC分析,平滑(smoothing),bootstrapping等。
13、精确统计
精确logistic和泊松回归,精确案例控制统计(exact case–control statistics),二项式检验(binomial tests), r × c表格的Fisher精确检验等。
14、重采样和仿真方法
bootstrapping,jackknife和蒙特卡罗模拟;置换检验(permutation tests)等。
15、Internet功能
安装新的命令,网络更新,网络文件共享,最新Stata新闻等。
16、用户编写的命令
用于Meta分析,数据管理,幸存分析,计量经济学的用户编写的命令
17、图形
线条图,散点图,条状图,饼图,hi-lo图表,等高线图,图形编辑器,回归诊断图形(regression diagnostic graphs),幸存图,非参数平滑器(smoothers),分布Q-Q图等。
18、图形化用户界面
结果窗口,命令窗口,预览窗口,数据编辑器,变量管理器,Do文件编辑器,变量属性,查看器,剪切板预览工具,所有命令的菜单/对话框,多重属性设置等。
19、时间序列
ARIMA,ARFIMA,ARCH/GARCH,VAR, VECM, 多变量GARCH, unobserved components mode,动态因子,状态空间模型(state-space models),商业日历(business calendars),相关图,周期图(periodograms),预测,脉冲-响应函数(impulse-response functions),单元根检验( unit-root tests),过滤器和平滑器,旋转(rolling)和递归(recursive)估计等。
20、调查方法
多阶段设计,bootstrap,BRR,jackknife,线性化(linearized)和SDR方差估计,事后分层(poststratification);DEFF;预测边际;均值,比例,比率,总数;汇总表格;回归,工具变量( instrumental variables),概率(probit),Cox回归等。
21、幸存分析
Kaplan–Meier 和 Nelson–Aalen估计;Cox回归(frailty);参数模型(frailty);竞争风险(competing risks);危害(hazard);时间变异协方差(time-varying covariates);左和右删失;Weibull,指数和Gompertz分析,样本大小和功效分析等。
22、检验,预测和效应
Wald检验,LR检验,线性和非线性组合,预测和广义预测,边际均值,最小平方均值,调整均值,边际和部分效应;Hausman检验等。
23、对照和配对比较
比较均值,截距或斜率;比较临近分类;比较参考分类或总平均;正交多项式(orthogonal polynomials);多重比较修正,治疗效应;图形效果和潜在输出等。
流行病学(Epidemiology)
比率标准化,病例对照,cohort,匹配病例对照,Mantel–Haenszel,药代动力学(pharmacokinetics),ROC分析,ICD-9-CM等。
24、多重插补(Multiple imputation)
9个单变量插补方法,多变量正态插补,链方程(chained equations),missingness的探索模式,管理估算数据集,拟合模型和合并结果,转换参数,联合参数估计的检验,预测等。
软件特色
1、双重差分法的官方命令
“双重差分法”(Difference-in-differences,简记DID)或许是最常用的计量方法。怎么能没有DID的Stata官方命令呢?为此,该软件及时地推出了DID的官方命令xtdidregress;其中,“xt” 表示这是适用于面板数据的命令。
除了进行常规的 DID 估计,命令xtdidregress还允许最多指定三个“分组变量”(group variables),或两个分组变量与一个时间变量,从而进行“三重差分法”(Difference-in-differences-in-differences,简记DDD)的估计。
另外,针对“重复截面数据”(repeated cross-sectional data),即所谓“准面板”(pseudo panel data),该软件也推出了相关的新命令didregress,可进行类似 DID 的估计。更重要的是,你可以用DID的官方命令,轻松地画平行趋势图啦~
2、完美的表格输出
实证研究者经常需要将该软件的多个回归结果以表格形式输出到word文件中。虽然早有官方命令estimates table可完成此类任务,但比较死板;故此前该软件用户一般使用非官方命令(比如estout或outreg)来输出回归结果。为此,该软件大幅改善了原来的table命令,使用户可轻松地以表格形式汇报回归结果(regression results)或统计特征(summary statistics)。
进一步,你可以设计回归表格的风格(styles),并应用于所创建的表格,然后将此表格输出到Word或其他形式的文件(包括PDF、HTML、LaTex、Excel、markdown 等)。另外,你还可以使用新增的前缀(prefix)collect,来收集该软件命令的各种估计结果。最后,该软件还新增了Table Builder(表格创建器),让用户可通过点击鼠标(point-and-click)来创建表格。
3、Lasso的新功能
作为“高维回归”(high-dimensional regression)的常用工具,该软件已经推出了有关Lasso(Least Absolute Shrinkage and Selection Operator,即所谓 “套索估计量”)的一系列官方命令。该软件则提供了更多有关 Lasso 的新功能。
使用Lasso估计处理效应模型。在该软件中,可使用命令teffects估计“处理效应”(treatment effects)模型;而命令lasso则用于估计协变量很多的高维模型。该软件则将二者结合起来,其推出的新命令telasso,可估计包含很多协变量的处理效应模型。
使用 BIC 选择Lasso惩罚参数。作为一种“惩罚回归”(penalized regression),在进行Lasso估计时,需要选择惩罚参数(penalty parameter)。在该软件中,可使用交叉验证(cross-validation)、适应性方法(adaptive method)或代入法(plugin)来选择惩罚参数。
在该软件中,新增了选择项 “selection(bic)”,可使用 “贝叶斯信息准则”(Bayesian Information Criterion,简记BIC)选择惩罚参数。而且,新增的估计后命令(postestimation command)bicplot 可以很方便地将此选择过程可视化。
使用Lasso处理聚类数据。对于“聚类数据”(cluster data),由于每个聚类中观测值存在自相关,故通常的Lasso估计可能导致偏差。在该软件中,在使用命令lasso或elasticnet时,可通过新增选择项 “cluster(clustvar)” 来处理聚类数据。进一步,对于使用Lasso进行统计推断的命令,比如poregress(表示partialing-out regress),则可使用该软件的新增选择项 “cluster(clustvar)” 来得到聚类稳健的标准误(cluster-robust standard errors)。
4、离散选择模型的新命令
离散选择模型(discrete choice model)是微观计量经济学的常用模型。在该软件中,增加了以下离散选择模型的新命令:
“面板多项逻辑模型”(panel multinomial logit model)。对于横截面数据的多项逻辑模型,该软件已有mlogit命令。该软件新增的xtmlogit命令则可使用面板数据估计多项逻辑模型。这无疑是Stata在离散选择模型方面的一大进步,因为此前Stata只能使用xtlogit或xtprobit估计面板二值选择模型。
“零膨胀排序逻辑模型”(zero-inflated ordered logit model)。对于排序数据(ordered data),此前可使用该软件令ologit或oprobit进行估计。在实践中,有时排序数据中最低类别所占比重很大。若将最低类别的取值记为“零”,则存在所谓“零膨胀”现象。此时可使用该软件的新增命令ziologit,估计更有效率的“零膨胀排序逻辑模型”(zero-inflated ordered logit model)。
5、久期数据的新命令
“久期数据”(duration data)常用于生物统计的 “生存分析”(survival analysis),在经济学中也有广泛用途,例如失业的持续时间,婚姻的延续时长,王朝的寿命等。久期数据常存在 “删失”(censoring)或 “归并” 问题,比如当研究结束时,有些病人可能尚未死亡;或者有些失业者还未找到工作。
该软件新推出的命令stintcox,可使用Cox模型来估计一种特殊的“区间删失”(interval-censored)数据。对于区间删失数据,我们只知道事件发生于某个区间,但无法确知其发生时点;比如,只知道癌症复发于两次体检之间的时段。如果忽略久期数据存在的区间删失问题,则会导致估计偏差。
6、贝叶斯计量经济学的全面升级
在大数据时代,由于数据日益复杂而多样,在处理有些问题时,基于频率学派的传统计量方法可能不便使用,使得贝叶斯学派的计量经济学逐渐兴起。频率学派认为待估计的参数是给定的未知数(fixed unknown parameters),而贝叶斯学派则将未知参数视为服从某个分布的随机变量,并可随时根据新的样本信息将其 “先验分布”(prior distribution)更新为 “后验分布”(posterior distribution)。该软件将该软件中原有的贝叶斯统计学与计量经济学进行了全面升级。
贝叶斯面板数据模型(Bayesian panel-data models)。该软件目前已有的面板命令包括xtreg(静态面板),xtlogit或xtprobit(面板二值选择模型),以及xtologit或xtoprobit(面板排序模型)等。在该软件中,如果要使用贝叶斯方法估计这些面板模型,只要在原命令之前加上 “前缀”(prefix)bayes即可。
贝叶斯向量自回归模型(Bayesian VAR models)。“向量自回归”(Vector Autoregression,简记VAR)是常见的时间序列模型。在已有的该软件中,可用命令var来估计VAR模型,而后续命令则包括:使用fcast进行 “动态预测”(dynamic forecast),以及使用irf估计 “脉冲响应函数”(impulse response function,简记 IRF)与 “预测误差方差分解”(forecast error variance decomposition,简记 FEVD)。
在该软件中,则可使用命令“bayes: var”(即在命令var之前加上前缀 bayes)估计贝叶斯的 VAR 模型,然后用bayesfcast进行动态预测;而脉冲响应函数与预测误差方差分解也可类似地得到。
然后,使用bayesfcast进行动态预测;
而脉冲响应函数(IRF)与预测误差方差分解(FEVD)也可类似地得到。
使用贝叶斯方法估计VAR模型有两大好处。首先,VAR模型通常包含较多参数,若样本较小,则估计结果不稳定。而贝叶斯方法由于较易“整合先验信息”(incorporating prior information),故在用小样本估计VAR模型时更为稳健。
其次,经典的VAR模型使用大样本理论进行统计推断与预测,需要假设估计量服从渐近正态分布,在小样本中不易满足。而贝叶斯方法则不使用大样本理论,也无须渐近正态的假设,故更适用于小样本。
贝叶斯多层模型(Bayesian multilevel models)。该软件新推出的bayesmh命令可以估计一系列的贝叶斯多层模型,包含“单变量”(univariate)或“多变量”(multivariate)的线性与非线性多层模型(linear and nonlinear multilevel models),乃至面板的生存时间模型(joint longitudinal and survival-time models)以及结构方程之类的模型(SEM-type models)等。
贝叶斯线性与非线性DSGE模型(Bayesian linear and nonlinear DSGE models)。“动态随机一般均衡”(Dynamic Stochastic General Equilibrium,简记DSGE)模型是宏观经济学的主流模型。在该软件中,可使用命令dsge与dsgenl分别估计线性与非线性的 DSGE 模型。
在该软件中,只要在命令dsge与dsgenl之前加上前缀bayes,即可估计相应的线性或非线性的贝叶斯DSGE模型。可供用户选用的 “先验分布”(prior distribution)多达30以上,并可进行贝叶斯脉冲响应分析(Bayesian IRF analysis),区间假设检验(interval hypothesis testing),以及使用贝叶斯因子(Bayesian factors)来比较模型等。
7、非参数的趋势检验
有时样本数据中存在分组(比如,分为3组),且这些分组有天然的排序(比如,记为1,2,3组),即所谓 “排序分组”(ordered groups)。在这种排序分组的数据中,经常希望检验某个变量在此分组排序中(比如,第1-3组),是否存在某种趋势,比如此变量的取值倾向于越来越大,即所谓 “tests for trend across ordered group”。
为此,可使用Stata已有命令nptrend,进行非参数的Cuzick秩检验(Cuzick test using ranks)。而该软件的最新版nptrend命令,则在 Cuzick秩检验之外,新增了三个非参数检验,即“Cochran-Armitage test”,“Jonckheere-Terpstra test” 与“linear-by-linear trend test”,使得命令nptrend的功能大大增强。
8、元分析的新命令
“元分析”(meta-analysis)将多个类似的研究结果综合在一起。比如,针对某个疫苗的有效性(vaccine efficacy),在世界各地进行了多个实验,如何将每个实验所得的疫苗有效性指标,通过加权平均得到统一的度量。该软件将该软件的元分析功能作了进一步的提升。
多维元分析(Multivariate meta-analysis)。在将多个研究结果综合在一起时,其中的每个研究可能同时汇报 “多个效应规模”(multiple effect sizes),而这些效应之间可能存在相关性。若使用该软件既有的 meta命令,则会忽略这种相关性。该软件的新增命令meta mvregress可进行多维元分析,并处理这种相关性。
加尔布雷斯图(Galbraith plots)。该软件还新增了命令meta galbraithplot,可以画元分析的 “加尔布雷斯图”(Galbraith plots)。此图可用于评估不同研究之间的异质性(assessing heterogeneity of the studies),并发现潜在的极端值(potential outliers)。
留一元分析(Leave-one-out meta analysis)。该软件新增了 “留一元分析”(Leave-one-out meta-analysis)的功能。所谓“留一元分析”,就是在进行元分析时,每次均留出一个研究(不放在样本中),以考察元分析结果的稳健性;比如,最终结果是否过度依赖于某个研究。在使用该软件命令meta summarize或meta forestplot进行元分析时,可使用新增的选择项leaveoneout来进行留一元分析。
9、Stata与Python、Java、H2O及Jupyter Notebook的整合
在大数据时代,该软件也在加快与主流软件平台的整合,为用户提供更多的增值服务。这在该软件的此次升级中体现尤其突出。
与 Python 的整合(Python integration)。Python已是炙手可热的主流计算机语言。为此,该软件专门提供了一个与Python的接口,让用户在熟悉的该软件界面下调用Python,并在该软件中显示运行结果。该软件则更进一步,推出了新的Python包(Python package)pystata,使得用户可在Python 中方便地调用该软件。该软件还引入了一个新概念 “PyStata” ,包括该软件与Python交互的所有方式。
与 Java 的整合(Java integration)。Java是一种应用广泛的跨平台编程语言。在该软件中,你可以十分方便地在该软件程序中嵌入并执行 Java 代码。
对于JDBC数据交换格式的支持(Support for JDBC)。JDBC(Java Database Connectivity)是一个在不同程序与数据库之间交换数据的跨平台标准(a cross-platform standard for exchanging data between programs and databases)。在该软件中,通过支持JDBC,使得该软件用户可从一些最流行的数据库导入数据,包括Oracle、MySQL、AmazonRedShift、Snowflake、Microsoft SQL Server等。
与H2O的整合(H2O integration)。H2O是一款流行的机器学习软件平台。在该软件中,你可以连接并调用H2O的机器学习算法。这无该软件用户打开了另外一扇通往机器学习的窗口!
在Jupyter Notebook中使用该软件。Jupyter Notebook是一款基于网页的流行“集成开发环境”(integrated development environment,简记 IDE),尤其方便展示代码、公式、文字与可视化。在该软件中,作为PyStata的一部分(依赖于 Python 包 pystata),你可以从 Jupyter Notebook调用 该软件与Mata(该软件的矩阵语言)。这意味着,你可以在同一环境中整合Python与该软件的功能,使得你的工作更加可复制(reproducible)且易于分享。
10、Do文件编辑器的改进与该软件速度提升等
Do文件编辑器的改进(Do-file Editor improvements)。随着编程的重要性日益提高,该软件在Do文件编辑器中加入了 “自动填写完成”(autocompletion)与 “语法高亮”(syntax highlighting)的功能。该软件又将Do文件编辑器的功能进一步提升。
在该软件的Do文件编辑器中,可通过设置 “bookmarks”(书签)而在一个较长的do文件中迅速跳至想要编辑的部分。该软件的Do文件编辑器还新增了“navigation control”(导航),其中罗列所有的书签及其标签(bookmarks and their labels),以该Do文件中的全部“程序”(programs)。
该软件的速度提升(Faster该软件)。在大数据时代,基础算法的速度越来越重要。为此,该软件更新了命令sort与collapse的算法,使之更为快捷。另外,该软件也提升了命令mixed(用于估计多层混合效应模型,即 multilevel mixed-effects models)的运行速度。
使用Intel Math Kernel Library(MKL)提升速度。该软件引入了Intel Math Kernel Library(MKL),适用于所有Intel或AMD的64位计算机,从而可调用深度优化(deeply optimized)的LAPACK(Linear Algebra PACKage)线性代数包。这将使得该软件与Mata的底层计算速度进一步提升,而该软件用户无须作任何事情即可享用。
处理日期与时间的新函数(New functions for dates and times)。该软件引入了方便处理日期与时间的新函数,包括Datetime duration(计算持续时间),Datetime relative dates(计算相对日期,比如下个生日的日期),以及Datetime(从日期中提取不同的成分)。这些新函数还会自动考虑闰年(leap years)、闰日(leap days)与闰秒(leap seconds)的因素。
总之,该软件是一次令人激动的重大升级,不仅有贝叶斯计量经济学的高歌猛进,与主流计算机语言平台的深度整合,更便于编程的Do文件编辑器,而且更为贴近计量实战的需求(DID,表格输出,离散选择等)。显然,在可预见的将来,该软件依然会是经管社科的首选计量与统计软件。