Curso de Stata (software)

Lección 1 • Fundamentos de sintaxis de comandos

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

Lección 2 • Cómo obtener ayuda y documentación

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

Lección 3 • Tipos y formatos de archivo de Stata

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

Lección 1 • Importación de datos desde 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 • Cómo guardar y exportar datos

Muestra los comandos save, export delimited y export excel para flujos de trabajo de salida. Los alumnos 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 • Etiquetado de variables y valores

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

Lección 1 • Identificación y manejo de valores faltantes

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

Lección 2 • Unión y adición de conjuntos de datos

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

Lección 3 • Generación de nuevas variables

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

Lección 4 • Recodificación y sustitución de variables

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

Lección 1 • Visualización exploratoria de datos

Presenta histogram, box plot, scatter plot y kdensity para la 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, pruebas chi cuadrada y porcentajes por fila/columna. Las tablas cruzadas revelan asociaciones entre variables categóricas antes del modelado.

Lección 3 • Estadística descriptiva univariante

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 oculta por las medidas agregadas.

Lección 1 • Bucles con foreach y forvalues

Muestra foreach sobre listas de variables y listas 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 los bloques if-else y los bucles while para ramificar el flujo del programa. La lógica condicional permite que los scripts se adapten automáticamente a las condiciones de los datos.

Lección 3 • Escritura y ejecución de 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 los resultados. Los logs crean un registro auditable de cada sesión analítica.

Lección 1 • Diagnóstico de regresión

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

Lección 2 • Comandos de postestimación

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

Lección 3 • Regresión MCO simple y múltiple

Cubre la sintaxis de regress, la interpretación de coeficientes y las estadísticas de ajuste del modelo. MCO es la técnica base a partir de la cual se extienden todos los modelos avanzados.

Lección 4 • Predictores categóricos e interacciones

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

Lección 1 • Modelos de resultado binario

Cubre la estimación logit y probit, los efectos marginales y el 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 toman en cuenta la censura que la regresión estándar ignora.

Lección 4 • Modelos de datos de conteo

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

Lección 1 • Declaración de datos de panel y de series de tiempo

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

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

Cubre los comandos arima, ac y pac para el modelado univariante de series de tiempo. Los modelos ARIMA capturan la estructura de autocorrelación para la predicción y la inferencia.

Lección 3 • Modelos de panel dinámicos

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 multivariantes de series de tiempo. VAR y VECM capturan las interdependencias dinámicas entre múltiples series de tiempo.