Curso de Stata (software)

Lección 1 • Fundamentos de la sintaxis de comandos

Enseña la estructura sintáctica estándar comando-listavar-if-in-opciones. La sintaxis correcta es el requisito previo para cada operación posterior en Stata.

Lección 2 • Obtener ayuda y documentación

Muestra los comandos help, search y findit para el aprendizaje autodirigido. Prepara a los estudiantes para resolver errores de forma independiente a lo largo del curso.

Lección 3 • Tipos y formatos de archivos de Stata

Presenta los tipos de archivo .dta, .do, .log y .gph y sus funciones. Conecta los hábitos de gestión de archivos con flujos de trabajo reproducibles y organizados.

Lección 1 • Importar datos de múltiples fuentes

Cubre los comandos import delimited, import excel y use para formatos comunes. Construye el punto de entrada para todas las tareas posteriores de manipulación de datos.

Lección 2 • Guardar y exportar datos

Muestra los comandos save, export delimited y export excel para flujos de trabajo de salida. Los estudiantes aprenden hábitos de control de versiones que protegen la integridad de los datos.

Lección 3 • Tipos de variables y formatos de almacenamiento

Explica los tipos de almacenamiento numérico, de cadena y de fecha, y sus implicaciones de memoria. La tipificación correcta previene errores en cálculos y uniones posteriores.

Lección 4 • Etiquetar variables y valores

Enseña etiquetas de variables, etiquetas de valores y notas para conjuntos de datos autodocumentados. Los datos etiquetados reducen la mala interpretación durante el análisis y la elaboración de informes.

Lección 1 • Identificar y manejar valores faltantes

Cubre los códigos de valores faltantes, mvdecode, mvencode y patrones de faltantes. El manejo preciso de valores faltantes previene resultados sesgados en cada análisis.

Lección 2 • Unir y anexar conjuntos de datos

Cubre merge 1:1, 1:m, m:1 y append para combinar conjuntos de datos. La selección correcta del tipo de merge previene observaciones duplicadas o perdidas.

Lección 3 • Generar nuevas variables

Cubre generate, egen y funciones de cadena para crear variables derivadas. Las nuevas variables codifican constructos analíticos directamente en el conjunto de datos.

Lección 4 • Recodificar y reemplazar variables

Enseña recode, replace con condiciones y clonevar para la transformación de variables. Estas herramientas transforman códigos crudos en categorías analíticamente significativas.

Lección 1 • Visualización exploratoria de datos

Presenta histograma, diagrama de caja, diagrama de dispersión y kdensity para exploración visual. Los gráficos revelan valores atípicos y características distribucionales que las estadísticas por sí solas pasan por alto.

Lección 2 • Tabulaciones cruzadas y tablas de frecuencias

Enseña tabulate bidireccional, prueba chi-cuadrado y porcentajes por fila/columna. Las tabulaciones cruzadas revelan asociaciones entre variables categóricas antes del modelado.

Lección 3 • Estadísticos descriptivos univariados

Cubre summarize, tabulate y codebook para la descripción de una sola variable. Estos comandos constituyen el primer paso analítico para cualquier conjunto de datos nuevo.

Lección 4 • Análisis por grupos

Cubre el prefijo by, bysort y el comando table para resúmenes estratificados. Las estadísticas a nivel de grupo exponen la heterogeneidad enmascarada por las medidas agregadas.

Lección 1 • Bucles con foreach y forvalues

Muestra foreach sobre listas de variables y de cadenas, y forvalues sobre rangos numéricos. Los bucles reducen la repetición de código entre variables, grupos o conjuntos de datos.

Lección 2 • Lógica condicional con if y while

Cubre bloques if-else y bucles while para la ramificación del flujo del programa. La lógica condicional permite que los scripts se adapten automáticamente a las condiciones de los datos.

Lección 3 • Escribir y ejecutar archivos do

Cubre el editor de archivos do, los comandos run vs. do y la organización de scripts. Los archivos do son la base de la investigación reproducible en Stata.

Lección 4 • Archivos log y gestión de resultados

Enseña log using, log close y translate para capturar y convertir resultados. Los logs crean un registro auditable de cada sesión analítica.

Lección 1 • Diagnósticos de regresión

Cubre pruebas de heterocedasticidad, multicolinealidad y observaciones influyentes. Los diagnósticos validan los supuestos de OLS y guían las correcciones del modelo.

Lección 2 • Comandos de post-estimación

Muestra predict, margins y test para inferencia después de regress. Los comandos de post-estimación extraen cantidades de interés más allá de los coeficientes brutos.

Lección 3 • Regresión OLS simple y múltiple

Cubre la sintaxis de regress, la interpretación de coeficientes y estadísticos de ajuste del modelo. OLS es la técnica base desde la cual se extienden todos los modelos avanzados.

Lección 4 • Predictores categóricos e interacciones

Enseña la notación de variables factor (i. y c.) y términos de interacción (##). Las variables factor automatizan la codificación dummy y la especificación de interacciones.

Lección 1 • Modelos de resultados binarios

Cubre la estimación logit y probit, efectos marginales y ajuste del modelo. Los modelos binarios son necesarios cuando el resultado es una variable indicadora cero-uno.

Lección 2 • Modelos ordenados y multinomiales

Enseña ologit, oprobit y mlogit para resultados ordinales y nominales. Estos modelos manejan resultados con más de dos categorías no ordenadas u ordenadas.

Lección 3 • Análisis de supervivencia y duración

Presenta stset, sts graph y streg para datos de tiempo hasta el evento. Los modelos de supervivencia tienen en cuenta la censura que la regresión estándar ignora.

Lección 4 • Modelos de datos de conteo

Muestra poisson, nbreg y variantes con exceso de ceros para resultados de conteo. Los modelos de conteo respetan la naturaleza entera no negativa de los datos de conteo.

Lección 1 • Declarar datos de panel y series temporales

Cubre xtset y tsset para declarar la estructura de panel y series temporales. La declaración correcta activa todos los comandos y operadores con prefijo xt y ts.

Lección 2 • Modelos de series temporales: AR, MA y ARIMA

Cubre los comandos arima, ac y pac para el modelado univariado de series temporales. Los modelos ARIMA capturan la estructura de autocorrelación para pronóstico e inferencia.

Lección 3 • Modelos dinámicos de panel

Muestra xtabond2 y xtdpd para la estimación GMM de Arellano-Bond. Los modelos dinámicos incluyen resultados rezagados y abordan la endogeneidad en paneles.

Lección 4 • Vectores autorregresivos y cointegración

Presenta var, irf y vecm para sistemas de series temporales multivariadas. VAR y VECM capturan interdependencias dinámicas entre múltiples series temporales.