Ofrecemos un amplio catálogo de software y hardware especializado en áreas tan diversas como cómputo paralelo, comunicaciones inalámbricas, generación y validación e códigos, matemáticas, modelado 3D, optimización de procesos, procesamiento de señales e imágenes, simulación y pruebas en tiempo real, sistemas de control, visión por computadora, entre otros.
Contamos con diversas herramientas para el manejo y análisis de bases de datos, análisis estadístico en sección cruzada, series de tiempo y datos panel. También ofrecemos soluciones para la investigación académica en áreas como econometría, medicina, psicología, etcétera, y para el sector comercial en áreas como minería de datos, gestión de riesgo, Business Inteligence, entre otros.
Asistimos a la Conferencia Stata en Stanford en donde tuvimos la oportunidad de conocer las mejoras y usos que investigadores de todo el mundo obtienen con Stata.
Algunas de las presentaciones que podemos destacar son:
Presentación del linter de Stata: Una herramienta para producir código stata claro y transparente.
Por: Luis Eduardo San Martín, Banco Mundial (Evaluación del impacto en el desarrollo)
Coautor: Rony Rodríguez-Ramírez, Banco Mundial-DECRG
El código de programación estadística desarrollado en colaboración es habitual en el trabajo moderno con datos. Sin embargo, también es habitual que las personas tengan diferentes convenciones de codificación, lo que dificulta que un lector entienda rápidamente el código de otro e impide la transparencia. Esto es especialmente cierto para los investigadores que utilizan Stata porque no tiene una guía de estilo ampliamente aceptada y a pocos estudiantes de posgrado en economía se les enseñan las mejores prácticas para escribir código. Para abordar el problema de las convenciones de codificación pobres e inconsistentes en Stata, DIME Analytics lanzó recientemente una nueva herramienta: el Stata linter. El Stata linter usa el nuevo comando lint Stata para ayudar a los usuarios a escribir buen código de Stata identificando prácticas de código problemáticas. Lee un archivo do de Stata y detecta automáticamente el estilo de codificación que hace que el código sea difícil de seguir o que puede conducir a errores involuntarios, siguiendo la guía de estilo de Stata de DIME Analytics. Esta presentación cubrirá las principales funcionalidades de lint, mostrando cómo puede ser usado para detectar y corregir malas prácticas de codificación y mejorar la legibilidad y transparencia de los archivos do de Stata.
Estimación de diferencias en diferencias heterogéneas
Por: Enrique Pinzón, StataCorp
Los efectos del tratamiento pueden diferir en el tiempo y para grupos que son tratados en diferentes momentos. Estos grupos se conocen como cohortes de tratamiento. En Stata 18, introdujimos dos comandos que estiman los efectos del tratamiento que varían con el tiempo y la cohorte. Para datos transversales repetidos, tenemos hdidregress. Para datos de panel, tenemos xthdidregress. Ambos comandos permiten representar gráficamente la evolución del tratamiento a lo largo del tiempo. También le permiten agregar el tratamiento dentro de la cohorte y el tiempo y visualizar estos efectos. Se mostró cómo funcionan ambos comandos y discutió brevemente la teoría en la que se basan.
Metaanálisis bayesiano del tiempo hasta el beneficio
Por: John Boscardin, Universidad de California San Francisco
Coautores: Irena Cenzer, Sei J. Lee, Matthew Growdon, W. James Deardorff (División de Geriatría de la UCSF)
Las decisiones clínicas de iniciar un tratamiento para cualquier afección requieren equilibrar los riesgos a corto plazo con los beneficios a largo plazo. Una métrica de análisis de supervivencia clínicamente interpretable en tales decisiones es el tiempo hasta el beneficio (TTB), el momento en el que se obtiene por primera vez una reducción específica del riesgo absoluto (ARR) entre dos brazos de tratamiento. Describimos un método para estimar el TTB utilizando métodos bayesianos para metaanálisis. Primero extraemos las curvas de supervivencia publicadas usando DigitizeIt y las usamos para reconstruir los datos de tiempo hasta el evento a nivel de persona con el módulo ipdfc de Stata. A continuación, utilizando el comando bayesmh, ajustamos un modelo bayesiano jerárquico que permite parámetros de curvas de supervivencia Weibull que son específicos de cada estudio y brazo. Utilizamos la distribución posterior conjunta resultante para estimar el TTB específico del estudio y global para una RRA dada (por ejemplo, estimaciones e intervalos creíbles para el tiempo hasta una RRA de 0,01, que es el tiempo hasta que 1 de cada 100 pacientes adicionales se beneficiaría del tratamiento). Como estudio de caso, la presentación muestra los resultados de un estudio de TTB de medicamentos para la presión arterial en la prevención de eventos cardiovasculares.
