Institutionenforschung

Institutionenforscher verlassen sich auf Stata wegen seinem Methodenumfang, Genauigkeit, Reproduzierbarkeit und Benutzerfreundlichkeit. Ganz gleich ob Sie Prädiktoren von Studienabbrüchen evaluieren, Fluktuation von Professoren analysieren oder die Effekte von Studiengebührenregelungen untersuchen: Stata bietet Ihnen alle Datenmanagement-, Visualisierungs-, Statistik- und Reporting-Tools, die Sie brauchen um Ihre Analysen zur Vollendung zu bringen.

Features für Institutionenforscher

• Daten importieren und bearbeiten
  Daten aus dem Web scrapen, aus Standardformaten importieren oder über ODBC und SQL einlesen. Match-Merge, Anfügen, Umformen, Transponieren, Sortieren, Filtern. Stata verarbeitet Unicode, BLOBs, reguläre Ausdrücke und mehr, unabhängig davon, ob Sie mit Hunderttausenden oder sogar Milliarden von Datenpunkten arbeiten.
• Visualisierung
  Erstellen Sie Diagramme und passen Sie sie mit dem Diagramm-Editor programmgesteuert oder interaktiv an. Für die Reproduzierbarkeit können Bearbeitungen in anderen Diagrammen aufgezeichnet und „abgespielt“ werden. Export in zahlreiche gängige Formate, die für Web (SVG, PNG) oder Drucken (PDF, EPS, PS) geeignet sind.
• Dynamische Dokumente
  Mit Markdown können Sie HTML-Dateien mit eingebettetem Stata-Code, -Output und -Grafiken erstellen. Automatisieren Sie Word-, PDF- oder Excel-Berichte mit umfassenden, einfachen Exportfunktionen oder differenziertem programmgesteuerten Zugriff um die Dokumente zu erstellen, die Ihr Team benötigt.
• Lineare, dichotome und Regressionen für Zähldaten
  Schätzen Sie klassische lineare Regressionsmodelle der Beziehung zwischen einem kontinuierlichen Outcome, wie z. B. der Algebra-Note im Studium, und ihren Determinanten, wie Mathematik- und Durchschnittsnote im Abitur. Wenn Ihre abhängige Größen binär (z. B. erfolgreicher Studienabschluss), ordinal (höchster Bildungsabschluss), Zähldaten (Anzahl der Schüler) oder kategorial (BWL, Technik, oder Geisteswissenschaften) sind, machen Sie sich keine Sorgen. Stata hat vielfältige Maximum Likelihood-Verfahren: Logistisch, geordnet logistisch, Poisson, multinomiale Logits und viele andere, die die Beziehung auch zwischen solchen Outcomes und ihren Determinanten schätzen. Und nach dem Schätzen dieser Modelle steht Ihnen eine Vielzahl weiterer Werkzeuge zur Verfügung; Schätzen Sie vorhergesagte Werte und ihre Konfidenzintervalle. Testen Sie Parameter auf Gleichheit. Oder berechnen Sie lineare und nichtlineare Kombinationen von Parametern.
• Multilevel Mixed-Effekt-Modelle
  Unabhängig davon, ob Gruppierungen in Ihren Daten auf genestete (Studenten, die an Fakultäten in Universitäten eingeschrieben sind) oder auf gekreuzte Weise (Hochschulen, die mit den Bundesländer der Studierenden gekreuzt sind) entstehen, können Sie ein Mehrebenen-Modell schätzen, um die Verletzung der Unabhängigkeit zwischen den Beobachtungen adäquat zu berücksichtigen. Schätzen Sie Modelle für metrische, binäre, Zähldaten-, ordinale und Überlebensoutcomes. Schätzen Sie die Varianzen von Random-Intercepts und Random-Slopes. Berechnen Sie Intraklassen-Korrelationen. Erstellen Sie Vorhersagen von Random-Effekten. Schätzen Sie für Random-Effekte populations-gemittelte Zusammenhänge.
• Panel-Daten
  Schöpfen Sie den Vorteil der zusätzlichen Informationen von Paneldaten voll aus während Sie gleichzeitig Ihre Besonderheiten im Griff behalten. Untersuchen Sie die zeitinvarianten Merkmale innerhalb jedes Panels, die Beziehungen zwischen den Panels, sowie wie sich die interessierenden Outcomes über die Zeit verändern. Schätzen Sie lineare Modelle oder nicht-lineare Modelle für binäre-, Zähldaten-, ordinale-, zensierte und Survival-Outcomes mit Fixed-Effekten, Random-Effekten oder populations-gemittelten Schätzern. Schätzen Sie dynamische Modelle oder Modelle mit Endogenität.
• Strukturgleichungsmodellierung (SEM)
  Schätzen Sie mediierende Effekte, analysieren Sie die Beziehung zwischen einem unbeobachteten latenten Konzept wie Sprachbegabung und den beobachteten Variablen, die Sprachbegabung messen, oder schätzen Sie ein Modell mit komplexen Beziehungen zwischen latenten und beobachteten Variablen. Schätzen Sie Modelle mit metrischen, binären, Zähldaten- oder ordinalen Outcomes. Schätzen Sie selbst hierarchische Modelle mit Gruppen von korrelierten Beobachtungen, wie z. B. Studenten innerhalb derselben Hochschule. Bewerten Sie die Modell-Güte. Berechnen Sie indirekte und totale Effekte. Schätzen Sie Modelle indem Sie Pfaddiagramme zeichnen oder verwenden Sie die unkomplizierte Befehlssyntax.
• Kausale Inferenz
  Schätzen Sie kausale Effekte im experimentellen Stil anhand von Beobachtungsdaten. Mit Statas Treatment-Effects-Schätzern können Sie ein kontrafaktisches Potential-Outcomes-Framework anwenden, beispielsweise auf die Frage welchen Einfluss es auf die Erreichung eines Hochschulabschlusses hat ein Student aus einer Familie ohne Akademiker zu sein. Schätzen Sie Modelle für metrische, binäre, Zähl-, Raten- oder Überlebensdaten mit binären oder multinomialen Treatments mit Propensity-Score-Matching, Inverser-Wahrscheinlichkeits-Gewichtung (IPW), Nearest-Neighbor-Matching, Regressionsanpassung oder doppelt-robusten Schätzern. Und sollte die Zuordnung zu einem Treatment nicht unabhängig vom Ergebnis sein, können Sie einen endogenen Treatment-Effects-Schätzer verwenden.
• Analyse von Überlebensdaten
  Analysieren Sie Dauern als Outcomes, die die Zeit bis zu einem Ereignis, wie zum Beispiel einen Abschluss, messen und nutzen Sie dazu die spezifischen Tools mit denen Stata Ihnen die Arbeit erleichtert. Berücksichtigen Sie die Komplikationen, die typischerweise mit Überlebensdaten einhergehen, wie z. B. Nichtbeobachtung des Ereignisses (Zensierung), Personen, die zu unterschiedlichen Zeitpunkten in die Studie eintreten (verspäteter Eintritt) sowie Personen, die nicht kontinuierlich beobachtet werden konnten (Lücken). Sie können die Überlebenswahrscheinlichkeit über die Zeit abschätzen und visuell darstellen. Oder Überleben als Funktion von Kovariaten mit Cox-, Weibull-, Lognormal- und anderen Regressionsmodellen modellieren. Treffen Sie Aussagen über Hazard-Ratios, mittlere Überlebenszeiten und Überlebenswahrscheinlichkeiten. Haben Sie unterschiedliche Personengruppen in Ihrer Studie? Kontrollieren Sie für Intra-Gruppen-Korrelationen mit Random-Effects- oder Shared-Frailty-Modellen.
• Multivariate Methoden
  Setzen Sie multivariate Analysenverfahren ein um Zusammenhänge zwischen Variablen aus vielen unterschiedlichen Bereichen zu bewerten. Führen Sie multivariate Mittelwerttests durch oder schätzen Sie multivariate Regressions- und MANOVA-Modelle. Betrachten Sie Zusammenhänge zwischen zwei Variablensätzen, wie beispielsweise Eignungs- und Leistungsmessungen, indem Sie kanonische Korrelationen berechnen. Untersuchen Sie die Anzahl und Struktur latenter Konstrukte, die einem Variablensatz zugrunde liegen, mithilfe der explorativen Faktorenanalyse. Oder verwenden Sie die Hauptkomponentenanalyse, um die zugrunde liegende Struktur zu finden oder die Anzahl der Items in einer nachfolgenden Analyse zu reduzieren. Entdecken Sie Gruppierungen von Beobachtungen in Ihren Daten mithilfe von Clusteranalysen. Beschreiben Sie die Unterschiede zwischen bekannten Gruppen in Ihren Daten mithilfe der Diskriminanzanalyse.
• Bayes’sche Analyse
  Schätzen Sie Bayes’sche Regressionsmodelle auf Grundlage von Markov-Ketten-Monte-Carlo-Methoden (MCMC). Sie können aus einer Vielzahl unterstützter Schätzverfahren wählen oder sogar Ihre eigenen programmieren. Umfangreiche grafische Funktionen lassen Sie die Konvergenz auch visuell überprüfen. Berechnen Sie posteriore Mittelwerte sowie glaubwürdige Intervalle für Modellparameter und deren Funktionen. Sie können sowohl intervall- als auch modellbasierte Hypothesentests durchführen. Vergleichen Sie Modelle mittels Bayes-Faktoren.