Corso Stata

Lezione 1 • Fondamenti della sintassi dei comandi

Insegna la struttura sintattica standard comando-elenco_variabili-if-in-opzioni. Una sintassi corretta è il prerequisito per ogni operazione successiva in Stata.

Lezione 2 • Ottenere aiuto e documentazione

Illustra i comandi help, search e findit per l'apprendimento autonomo. Fornisce agli studenti gli strumenti per risolvere gli errori in modo indipendente durante il corso.

Lezione 3 • Tipi e formati di file di Stata

Introduce i tipi di file .dta, .do, .log e .gph e i loro ruoli. Collega le abitudini di gestione dei file a flussi di lavoro riproducibili e organizzati.

Lezione 1 • Importare dati da fonti multiple

Tratta i comandi import delimited, import excel e use per i formati comuni. Costruisce il punto di ingresso per tutte le successive attività di manipolazione dei dati.

Lezione 2 • Salvare ed esportare i dati

Illustra i comandi save, export delimited ed export excel per i flussi di lavoro di output. Gli studenti apprendono abitudini di controllo della versione che proteggono l'integrità dei dati.

Lezione 3 • Tipi di variabili e formati di archiviazione

Spiega i tipi di archiviazione numerici, stringa e data e le loro implicazioni sulla memoria. Una tipizzazione corretta previene errori nei calcoli e nelle unioni a valle.

Lezione 4 • Etichettare variabili e valori

Insegna le etichette delle variabili, le etichette dei valori e le note per dataset auto-documentanti. I dati etichettati riducono il rischio di interpretazioni errate durante l'analisi e la reportistica.

Lezione 1 • Identificare e gestire i valori mancanti

Tratta i codici per i valori mancanti, mvdecode, mvencode e i pattern di missingness. Una gestione accurata dei valori mancanti previene risultati distorti in ogni analisi.

Lezione 2 • Unire e accodare dataset

Tratta merge 1:1, 1:m, m:1 e append per combinare dataset. La scelta corretta del tipo di merge previene osservazioni duplicate o perse.

Lezione 3 • Generare nuove variabili

Tratta i comandi generate, egen e le funzioni stringa per creare variabili derivate. Le nuove variabili codificano costrutti analitici direttamente nel dataset.

Lezione 4 • Ricodificare e sostituire variabili

Insegna recode, replace con condizioni e clonevar per la trasformazione delle variabili. Questi strumenti trasformano codici grezzi in categorie analiticamente significative.

Lezione 1 • Visualizzazione esplorativa dei dati

Introduce istogramma, diagramma a scatola, diagramma di dispersione e kdensity per l'esplorazione visiva. I grafici rivelano valori anomali e caratteristiche distribuzionali che le sole statistiche non mostrano.

Lezione 2 • Tabulazioni incrociate e tavole delle frequenze

Insegna tabulate a due vie, test chi-quadrato e percentuali di riga/colonna. Le tabulazioni incrociate rivelano associazioni tra variabili categoriali prima della modellazione.

Lezione 3 • Statistiche descrittive univariate

Tratta summarize, tabulate e codebook per la descrizione di singole variabili. Questi comandi costituiscono il primo passo analitico per ogni nuovo dataset.

Lezione 4 • Analisi per gruppi

Tratta il prefisso by, bysort e il comando table per riepiloghi stratificati. Le statistiche a livello di gruppo espongono l'eterogeneità mascherata dalle misure aggregate.

Lezione 1 • Cicli con foreach e forvalues

Illustra foreach su liste di variabili e stringhe, e forvalues su intervalli numerici. I cicli riducono la ripetizione del codice tra variabili, gruppi o dataset.

Lezione 2 • Logica condizionale con if e while

Tratta i blocchi if-else e i cicli while per il flusso di programma ramificato. La logica condizionale consente agli script di adattarsi automaticamente alle condizioni dei dati.

Lezione 3 • Scrivere ed eseguire file do

Tratta l'editor dei file do, i comandi run vs. do e l'organizzazione degli script. I file do sono il fondamento della ricerca riproducibile in Stata.

Lezione 4 • File di log e gestione dell'output

Insegna log using, log close e translate per catturare e convertire l'output. I log creano una registrazione verificabile di ogni sessione analitica.

Lezione 1 • Diagnostica della regressione

Tratta test per l'eteroschedasticità, la multicollinearità e le osservazioni influenti. La diagnostica convalida le assunzioni OLS e guida le correzioni del modello.

Lezione 2 • Comandi post-stima

Illustra predict, margins e test per l'inferenza dopo regress. I comandi di post-stima estraggono quantità di interesse oltre i coefficienti grezzi.

Lezione 3 • Regressione OLS semplice e multipla

Tratta la sintassi di regress, l'interpretazione dei coefficienti e le statistiche di bontà di adattamento del modello. L'OLS è la tecnica di base da cui tutti i modelli avanzati derivano.

Lezione 4 • Predittori categoriali e interazioni

Insegna la notazione delle variabili fattore (i. e c.) e i termini di interazione (##). Le variabili fattore automatizzano la codifica dummy e la specificazione delle interazioni.

Lezione 1 • Modelli per esiti binari

Tratta la stima logit e probit, gli effetti marginali e la bontà di adattamento del modello. I modelli binari sono necessari quando l'esito è una variabile indicatrice zero-uno.

Lezione 2 • Modelli ordinali e multinomiali

Insegna ologit, oprobit e mlogit per esiti ordinali e nominali. Questi modelli gestiscono esiti con più di due categorie, non ordinate o ordinate.

Lezione 3 • Analisi di sopravvivenza e durata

Introduce stset, sts graph e streg per dati di tempo all'evento. I modelli di sopravvivenza tengono conto della censura che la regressione standard ignora.

Lezione 4 • Modelli per dati di conteggio

Illustra poisson, nbreg e le varianti zero-inflated per esiti di conteggio. I modelli di conteggio rispettano la natura intera non negativa dei dati di conteggio.

Lezione 1 • Dichiarare dati panel e serie temporali

Tratta xtset e tsset per dichiarare la struttura panel e delle serie temporali. Una dichiarazione corretta attiva tutti i comandi con prefisso xt e ts e gli operatori.

Lezione 2 • Modelli per serie temporali: AR, MA e ARIMA

Tratta i comandi arima, ac e pac per la modellazione univariata di serie temporali. I modelli ARIMA catturano la struttura di autocorrelazione per la previsione e l'inferenza.

Lezione 3 • Modelli panel dinamici

Illustra xtabond2 e xtdpd per la stima GMM di Arellano-Bond. I modelli dinamici includono esiti ritardati e affrontano l'endogeneità nei panel.

Lezione 4 • Autoregressione vettoriale e cointegrazione

Introduce var, irf e vecm per sistemi multivariati di serie temporali. VAR e VECM catturano le interdipendenze dinamiche tra serie temporali multiple.