18 Meta Analysis In Stata Forex

Metaprop: um comando Stata para realizar a meta-análise de dados binomiais. As metanálises de fundo tornaram-se uma ferramenta essencial para sintetizar evidências sobre questões clínicas e epidemiológicas derivadas de uma grande quantidade de estudos similares que avaliam a questão específica. É necessário um software estatístico apropriado e acessível para produzir a estatística resumida de interesse. Metaprop é um programa estatístico implementado para realizar meta-análises de proporções em Stata. Ele se baseia ainda mais no metano do procedimento Stata existente, que normalmente é usado para pool de efeitos (taxas de risco, odds ratios, diferenças de riscos ou meios), mas que também é usado para agrupar proporções. A Metaprop implementa procedimentos que são específicos para dados binomiais e permitem a computação de intervalos de confiança exatos binomiais e de teste de pontuação. Ele fornece métodos adequados para lidar com proporções próximas ou nas margens onde os procedimentos de aproximação normais geralmente se quebram, pelo uso da distribuição binomial para modelar a variabilidade dentro do estudo ou permitindo que a transformação de arcsina dupla de Freeman-Tukey estabilize as variâncias. Metaprop foi aplicado em duas meta-análises publicadas: 1) prevalência de infecção por HPV em mulheres com um esfregaço de Papanicolau mostrando ASC-US 2) taxa de cura após tratamento para precancer cervical usando coagulação a frio. A primeira meta-análise mostrou uma prevalência agregada de HPV de 43 (95 IC: 38-48). Na segunda meta-análise, a porcentagem acumulada de mulheres curadas foi de 94 (95 IC: 86-97). Conclusão Usando metaprop. Nenhum estudo com 0 ou 100 proporções foi excluído da meta-análise. Além disso, estudar intervalos de confiança específicos e combinados sempre estavam dentro de valores admissíveis, contrariamente à publicação original, onde metan foi usado. Meta-análise Stata Binomial Logística-normal Confiança intervalos Freeman-Tukey transformação de arco duplo Transformação de fundo Análises de fundo combinam informações de estudos múltiplos para obter uma estimativa média. Existem diferentes procedimentos de meta-análise, dependendo da estatística a ser relatada. Exemplos de estatísticas de interesse incluem medidas de associação, como diferença de risco, razão de risco, odds ratio, diferença de meios ou simplesmente medidas binomiais ou contínuas unidimensionais, como proporções ou meios. Existem três aspectos importantes na meta-análise: a) o quadro de análise, b) o modelo e c) a escolha do método para estimar o parâmetro de heterogeneidade. Esses aspectos interagem uns com os outros. Um meta-analista tem uma escolha entre o modelo de efeitos fixos e aleatórios. No modelo de efeitos fixos, assume-se que o parâmetro de interesse é idêntico entre os estudos e a diferença entre a proporção observada ea média é apenas devido ao erro de amostragem. No modelo de efeitos aleatórios, a diferença observada entre as proporções e a média não pode ser inteiramente atribuída ao erro de amostragem e outros fatores, como diferenças na população estudada, projetos de estudo, etc. também podem contribuir. Cada estudo estima um parâmetro diferente e a estimativa agregada descreve a média da distribuição dos parâmetros estimados. O parâmetro de variância descreve a heterogeneidade entre os estudos e, no caso em que a variância é zero, esse modelo simplesmente se reduz ao modelo de efeitos fixos. Existem três estruturas na modelagem de dados binomiais. A estrutura mais popular utiliza a aproximação à distribuição normal por meio de transformações e é conhecida como aproximação de verossimilhança aproximada 1. 2. Algumas das transformações comuns incluem o logit e o arcsine 3. Algumas das razões pelas quais essa abordagem é popular incluem menor nível de experiência estatística necessária, cálculos mais rápidos e disponibilidade de software para realizar a análise. A segunda abordagem reconhece a verdadeira natureza dos dados e é conhecida como a abordagem da veracidade exata. Neste quadro, a relação especial entre a média e a variância caracterizada por dados binomiais é capturada pela distribuição binomial 4. A distribuição binomial beta 5 pode ser usada para se ajustar a um modelo de efeitos aleatórios, de modo que a distribuição beta descreve a distribuição dos diferentes parâmetros binomiais. Embora seja possível realizar cálculos para estimar os parâmetros do modelo binomial, o software estatístico mais comum não possui função para se ajustar ao modelo binomial beta e, portanto, essa abordagem é a menos popular. O software WinBUGS, um pacote de software para estatísticas bayesianas, tem a capacidade de realizar tais análises. Outros softwares, por exemplo, R e SAS (PROC NLMIXED) também podem ser usados, mas é necessária uma ampla programação. A terceira abordagem é um compromisso entre a probabilidade aproximada e exata. Na primeira etapa, os dados são modelados usando a distribuição binomial. No segundo estágio, a distribuição normal é usada após a transformação logit para modelar a heterogeneidade entre os estudos. Esta é uma abordagem emergente e muitas vezes é recomendada por estatísticos 4. A maioria dos softwares estatísticos incluindo Stata (melogit), R, SAS (PROC NLMIXED) têm a capacidade de realizar tais análises. Existem três métodos populares para estimar os parâmetros. O método não-iterativo popularizado por Dersimonian e Laird 6. Os outros dois métodos são o método de máxima verossimilhança (ML) e de máxima máxima restrita (REML). Para o modelo de efeitos aleatórios, o método REML é preferido porque ML leva à subestimação do parâmetro de variância. Para os modelos misturados lineares generalizados 2. 7. 8 em que os modelos de dados binomiais cai, o método REML não é utilizado devido à computação intensiva de integrações de alta dimensão dos efeitos aleatórios e, como resultado, a maioria das estimativas de software o parâmetro de heterogeneidade usando ML métodos. O procedimento proposto por Dersimonian e Laird é eficiente para a média, mas não para o parâmetro de heterogeneidade 9. Vários procedimentos para realizar a meta-análise foram implementados no comando Stata metan 10. Em metan. Os intervalos de confiança são calculados usando a distribuição normal com base na variância assintótica. Para proporções tais intervalos podem conter valores inadmissíveis, especialmente quando a estatística está perto do limite. Além disso, o cálculo dos intervalos de confiança não é possível quando a estatística está no limite, uma vez que o erro padrão estimado é definido como zero e, como conseqüência, o comando metan exclui automaticamente estudos com proporção igual a 0 ou 1 do cálculo do agrupado estimativa. Testes de significância na proporção agregada geralmente dependem de probabilidades normais. Proporções (p r n) são binomiais e a distribuição normal é uma boa aproximação da distribuição binomial se n for grande o suficiente e p não está próximo das margens 11. Quando n é pequeno e ou p está perto das margens, a estatística do teste pode não ser aproximadamente normalmente distribuída devido à sua nezima e discreção. Para tornar os pressupostos de distribuição normais mais aplicáveis ​​ao teste de significância, várias transformações foram sugeridas. Freeman e Tukey 12 apresentaram uma transformação de arco duplo para estabilizar a variância. Desenvolvemos metaprop. Um novo programa no Stata para realizar meta-análises de dados binomiais para complementar o comando metan, que normalmente é usado para agrupar associações. A metaprop desenvolve mais o procedimento metan. Ele permite a computação de 95 intervalos de confiança usando a estatística de pontuação e o método binário exato e incorpora a transformação de proporções de proporções de arcsina de Freeman-Tukey. O programa também permite que a variabilidade dentro do estudo seja modelada usando a distribuição binomial. Este artigo apresenta uma visão geral geral do programa para servir como ponto de partida para usuários interessados ​​em realizar meta-análises de proporções no software Stata. Uma descrição detalhada de vários procedimentos estatísticos para realizar a meta-análise que pode ser realizada com metan pode ser encontrada em outro lugar 10. Neste artigo, apresentamos procedimentos específicos para o agrupamento de dados binomiais, incluindo métodos de computação dos intervalos de confiança, continuidade correta e a transformação de Freeman-Tukey. A Tabela 1 resume as características dos procedimentos apresentados. Resumo dos procedimentos disponíveis na metaprop Intervalos de confiança para os estudos individuais Foram implementados dois tipos de intervalos de confiança para as proporções específicas do estudo. Em todo o texto, para estudar i. R i denota o número de observações com uma determinada característica, n i é o número total de observações, p i r i n i é a proporção observada, k é o número total de estudos na meta-análise e 1 - refere-se ao nível de confiança selecionado. Intervalos de confiança exatos Os limites de confiança exactos ou Clopper-Pearson 13 para uma proporção binomial são construídos pela inversão do teste de cola igual com base na distribuição binomial. P X i r i 2 e P X i r i 2 para X i 0. 1. r i. . N i. O ponto final inferior é o 2 quantile de uma distribuição beta Beta (x i, n i - x i 1) eo ponto final superior é o quantile 1 - 2 de uma distribuição beta Beta (x i 1, n i - x i) 14. Uma vez que a distribuição binomial é discreta, a probabilidade de cobertura dos intervalos exatos não é exatamente (1-) mas pelo menos (1-) e conseqüentemente os intervalos de confiança exatos são considerados conservadores 15. Intervalos de confiança de pontuação O intervalo de confiança de pontuação 16 tem sua cobertura próxima do nível de confiança nominal mesmo com tamanhos de amostra pequenos. Verificou-se que apresentou melhor desempenho do que o Wald e os intervalos de confiança exatos 1. 15. Os limites de confiança para o eu estudo são calculados como p i z 2 n i z p i (1 - p i) z 4 n i n i 1 z n i. Onde z é o 2º percentil da distribuição normal padrão. Confiança Intervalos para a estimativa agrupada após a transformação Freeman-Tukey transformação de arco duplo A transformação estabilizadora de variância das proporções propostas por Freeman e Tukey 12 normalizando os resultados antes da associação, é definida como pecado - 1 rini 1 sen - 1 ri 1 ni 1. A variância assintótica da variável transformada é definida como, 1 ni 0,5. Estas transformações destinam-se a alcançar uma normalidade aproximada. A estimativa agrupada é então calculada usando o método Dersimônio e Laird 6 com base nos valores transformados e suas variâncias. Os intervalos de confiança para a estimativa agrupada são então calculados usando o método Wald. Inverse de Freeman-Tukey transformação de arco duplo Para converter os valores transformados nas unidades originais de proporções, Miller 3 propôs a seguinte fórmula p 1 2 1 - sign (cos t) 1 - sin t sin t - 1 sin tn 2. onde t É o valor transformado e n é o tamanho da amostra. Na configuração de meta-análise, t é a estimativa agrupada ou os intervalos de confiança com base em valores transformados. Na prática, o uso desta fórmula geralmente envolve a tradução dos meios de t s derivados de binômios com diferentes ns, como é o caso na meta-análise, onde a maioria dos estudos incluiu diferentes tamanhos de amostra. Neste caso, Miller 3 sugeriu que a média harmônica do n i s fosse usada na fórmula de conversão. Para um conjunto de números, a média harmônica é o inverso da média aritmética dos reciprocais dos números no conjunto. O modelo logístico-normal de efeitos aleatórios Os eventos observados r i são assumidos como tendo uma distribuição binomial com parâmetros p i e tamanho da amostra n i. Ou seja, i binomial (p i. N i). A distribuição normal é então usada para modelar o logit de efeitos aleatórios (p i) normal (.). Aqui, é a média de uma população de possíveis meios, e é a variância entre estudos, tanto na escala logit. O procedimento de máxima verossimilhança (ML) é aqui utilizado para estimar. O modelo acima pode ser reduzido para formar o modelo de efeitos fixos assumindo que 0. Neste caso, o modelo é escrito como r i binomial (p. N i). Os conjuntos de dados utilizados para a ilustração faziam parte das meta-análises conduzidas por Arbyn et al. 17 e Dolman et al. 18. Os conjuntos de dados estão disponíveis como exemplos clicáveis ​​no arquivo de ajuda para metaprop. Dataset one Arbyn et al. 17 avaliaram a taxa de positividade do teste de HPV em mulheres com anormalidades citológicas cervicais equívocas ou de baixo grau. O teste de HPV foi proposto como um método para triagem de mulheres com anormalidades citológicas menores identificadas através do rastreio de câncer cervical usando o esfregaço de Papanicolau 19. 20. A prevalência de infecção por HPV reflete o fardo do encaminhamento e diagnóstico de trabalho quando o teste é usado para triagem de mulheres com estas condições citológicas 17. Podem distinguir-se dois grupos de anormalidades citológicas menores: a) células escamosas atípicas de significância indeterminada (ASC-US) ou discariose limítrofe e b) lesão intra-epitelial escamosa de baixo grau (LSIL) ou discariteis leve. A meta-análise concluiu que a grande maioria das mulheres com LSIL estava infectada com HPV sugerindo utilidade limitada da triagem de HPV. No entanto, para as mulheres com ASC-US, mais do que reduzir a metade foi negativo e poderia ser liberado de um acompanhamento posterior. A Figura 1 reproduz a meta-análise, incluindo 32 estudos que fornecem dados de infecção por HPV em caso de citologia cervical equivocada (ASC-US). A prevalência combinada de infecção por HPV, avaliada com o teste Hybrid Capture 2, foi de 43 (95 IC: 39-46) (ver Figura 1 e Tabela 2). Meta-análise da proporção de mulheres com ASCUS ou um exame de Papanicolaou limítrofe que possui um teste positivo Hybrid Capture II. Saída gerada pela metaprop do procedimento Stata. Meta-análise da presença de DNA de HPV de alto risco em mulheres com citologia cervical equivocada, por grupo de terminologia (ASCUS, Disquialose Limite ou ASC-US) Saída gerada pela metaprop do procedimento Stata. O conjunto de dados contém autores e ano que identificam cada estudo, onde tgroup corresponde ao grupo de triagem (ASCUS, LSIL, discariose limítrofe). Num e denom indica o número de mulheres com um teste HPV positivo (teste de HC2) e número total de mulheres testadas, de modo que fraconde denom é a proporção com um teste de HC2 positivo. Se indica o erro padrão calculado como frac (1 - frac) denom. Os intervalos de confiança inferior e superior são calculados usando o método exato. Dataset two Dolman et al. 18 publicaram uma revisão sistemática sobre a eficácia da coagulação a frio para tratar a neoplasia intraepitelial cervical (CIN). Treze relatórios foram incluídos na meta-análise que mostrou um alto grau de heterogeneidade entre os estudos. Vários estudos tiveram taxas de cura em ou perto de 100. Conforme observado na Figura 2. os intervalos de confiança de Wald produzem valores além de 1 para alguns estudos individuais e para a proporção agregada para estudos realizados na Europa. Estimativas curadas por proporção associadas ao tratamento de coagulação fria para doença CIN1, por região mundial conforme analisado por metan. O conjunto de dados contém nbcured e nbtreated indica o número de mulheres curadas de CIN e número total de mulheres tratadas para CIN, de modo que nb tratado com nb tratado é a proporção de mulheres curadas de CIN e se é o erro padrão. Região indica continente em que o estudo foi conduzido. Para estudos com frac 1, se 0 e os autores substituíram se u p low 2 1.96. Onde os níveis de confiança binomiais exatos foram baixos e baixos para garantir que tais estudos não fossem excluídos da análise. Desenvolvimento de software O comando metaprop é uma adaptação do programa metan desenvolvido por Harris et al. 10 destinados a realizar metanálises de efeitos aleatórios e aleatórios em Stata em variáveis ​​contínuas ou associações entre variáveis ​​contínuas ou binomiais. O programa de metaprop e seu arquivo de ajuda estão disponíveis para download em ideas. repec. orgcbocbocodes457781.html. O comando requer as versões do Stata 10 ou posterior e pode ser instalado diretamente no Stata, digitando a metaprop de instalação do ssc quando está conectado à internet. Uma atualização para metaprop para incluir o modelo logístico-normal de efeitos aleatórios também está disponível para download. O comando atualizado metaPropone requer o Stata 13 e pode ser instalado diretamente no Stata digitando o ssc install metapropone quando um está conectado à internet. Exemplo 1 Reproduzimos a Figura 1 em Arbyn et al. 17. A metaprop agrupa as proporções e apresenta um subgrupo ponderado e estimativas agrupadas globais com pesos de variância inversa obtidos a partir de um modelo de efeitos aleatórios. Metaprop num denom, aleatório por (tgroup) cimethod (exato) rótulo (nome autor, ano ano) subti (citologia cervical atípica, tamanho (4)) A Tabela 2 e a Figura 1 apresentam as proporções específicas do estudo com 95 intervalos de confiança exatos para cada Estudo, subgrupo e estimativa agregada global com 95 intervalos de confiança de Wald e a estatística I 2 que descreve a porcentagem de variação total devido à heterogeneidade entre estudos. A tabela apresenta informações adicionais sobre as proporções agrupadas e inclui testes de heterogeneidade dentro dos subgrupos e em geral. Verificou-se uma heterogeneidade intragrupos significativa (p lt01, 00 com I 2 superior a 93 para todos os três grupos terminológicos). No entanto, não foi observada heterogeneidade entre grupos (p 0.925), apoiando a associação de todos os estudos em uma medida combinada: 43 (95 IC: 39-46). Embora os pesos tenham sido computados usando o modelo de efeitos aleatórios, as estatísticas de heterogeneidade foram calculadas recalculando a estimativa agregada global tratando as estimativas agrupadas do subgrupo como se fossem estimativas de efeitos fixos. Uma vez que todas as proporções específicas do estudo são próximas de 0,5, metan (ver Figura 1 em Arbyn et al., 17) e metaprop (ver Figura 1) produzem resultados semelhantes. Exemplo dois Extraímos os dados que geraram a Figura 2 em Dolman et al. 18 (veja a Figura 2). Uma vez que a proporção de mulheres curadas é próxima ou em 1 em alguns estudos, permitimos a transformação de arcsina de Freeman-Tukey. Caso contrário, estudos com proporção estimada em 1 seriam excluídos da análise que levaria a uma estimativa agrupada tendenciosa. Alternativamente, usar cc () garante que tais estudos não sejam excluídos. No entanto, a estimativa agrupada não está garantida dentro do intervalo 0,1 que é automático quando a opção Freeman-Tukey double arcsine (ftt) está habilitada. Utilizamos os intervalos de confiança de pontuação para os estudos individuais. Metaprop nbcured nbcessated, random by (region) ftt cimethod (score) label (namevar study) graphregion (cor (branco)) plotregion (cor (branco)) xlab (0,5,0,6, .7,0,8, 0,9, 1) xtick ( 0.5,0.6, .7,0.8, 0.9, 1) force xtitle (Proporção, tamanho (2)) nowt stats olineopt (lcolor (preto) lpattern (shortdash)) diamopt (lcolor (preto)) boxopt (msymbol (S)) O Figura 3 (exibindo o gráfico da floresta gerado por metaprop) apresenta as proporções específicas do estudo com 95 intervalos de confiança de pontuação, as estimativas regionais e globais combinadas com 95 intervalos de confiança de Wald, I 2 estatística e teste de significância das estimativas agregadas globais. Em contraste com a Figura 2 (exibindo a saída gráfica gerada com metan), todos os intervalos de confiança possuem valores admissíveis. Estimativas curadas por proporção associadas ao tratamento de coagulação a frio para doença de CIN1, por região mundial conforme analisado pela metaprop. Exemplo três Extraímos os dados que geraram a Figura 2 em Dolmanet al. 18 (veja a Figura 2). Nós ajustamos o modelo de efeitos aleatórios logísticos-normais aos dados. Com este modelo, não se preocupa com estudos com taxas de cura próximas ou em 1 em alguns estudos, pois utilizamos o método exato. Os intervalos de confiança para os estudos individuais também são calculados com o método exato. Usamos o metapropone de comando atualizado que requer o Stata 13 para se ajustar ao modelo mixto linear generalizado (GLMM). Metapropone nbcured nbtreated, random logit groupid (estudo) rótulo (namevar autor, yearvar year) classby (ano autor) xlab (.1, .2, .3, .4, .5, .6, .7, .8 ,. 9,1) xline (0, lcolor (preto)) ti (Positividade de imunocoloração p16, tamanho (4) cor (azul)) subti (Citologia HSIL, tamanho (4) cor (azul)) xtitle (Proporção, tamanho (3 )) Nowt nostats olineopt (lcolor (vermelho) lpattern (shortdash)) diamopt (lcolor (vermelho)) pointopt (msymbol (s) msize (2)) astext (70) textos (100) A Tabela 3 apresenta as proporções específicas do estudo com 95 intervalos de confiança exatos e estimativas agregadas globais com 95 intervalos de confiança de Wald com transformação de logit e transformação de retorno, estatística de C oi 2 do teste de Razão de Probabilidade (LR), comparando o modelo de efeitos aleatórios e fixos, variância entre estudo e teste de Teste de significância se a proporção estimada for igual a zero. O valor de P para o LR é 0,022 indicando presença de heterogeneidade significativa. Do comando anterior, a estatística Q é análoga à estatística LR. Em contraste com a Figura 2 (exibindo a saída gráfica gerada com metan), todos os intervalos de confiança possuem valores admissíveis. A média combinada estimada e os 95 intervalos correspondentes são semelhantes aos obtidos anteriormente (ver Figura 2) calculados como média ponderada após a transformação de arcsina. No entanto, a variância entre estudo estudada é maior (0,4907) do que a estimativa de variância Dersimoniana e Laird obtida a partir do comando anterior (0,0409) como esperado 9. Meta-análise da proporção de presença de mulheres curadas de doença de CIN1 com coagulação a frio) Teste LR: RE vs FE Modelo chi 2 4.04 (d. f. 1) p 0.022. Estimativa da variância entre estudo Tau 2 0.4907. Teste de ES 0. z 45.56 p 0.000. Saída gerada pelo método Stata metapropone. Discussão Apresentamos procedimentos para realizar meta-análise de proporções em Stata. Nós nos adaptamos e fizemos adições ao comando metan para fornecer procedimentos específicos para dados binomiais onde o usuário especifica n e N indicando o número de indivíduos com a característica de interesse e o número total de indivíduos. Com metaprop. É possível realizar um teste de heterogeneidade entre os grupos quando a análise do subgrupo é desejada e o modelo de efeitos aleatórios foi utilizado para calcular a estimativa agrupada. Em metan, um teste para a comparação entre grupos só é produzido quando o modelo de efeitos fixos é usado em uma meta-análise de subgrupos. Quando a proporção estimada é em 01, a estimativa para o erro padrão é zero e, portanto, os intervalos de confiança de Wald não podem ser computados. Estudos com zero erro padrão são frequentemente excluídos, uma vez que o peso atribuído a tais estudos é infinito. Excluir tais estudos pode levar a resultados tendenciosos e, muitas vezes, os usuários calculam o erro padrão de maneira ad hoc. A correção de continuidade habilitada pela opção cc () evita a exclusão de estudos com prevalência de 0. ou 100. Embora isso garanta que os estudos sejam mantidos, os intervalos de confiança para a estimativa agrupada podem produzir valores inadmissíveis. Além disso, o uso de intervalos de confiança de Wald para os estudos individuais quando a proporção estimada é próxima de zero geralmente produz valores inadmissíveis. Isso ocorre porque os intervalos de confiança Wald são sempre simétricos em torno de uma estimativa. Em contraste com o Wald, os intervalos de confiança exatos ou de pontuação podem ser assimétricos, especialmente perto dos valores extremos. Ao calcular os intervalos de confiança exatos ou de pontuação para os estudos individuais, estamos garantidos de valores admissíveis. Embora a confiança exata seja considerada o padrão-ouro, recomendamos o uso de intervalos de confiança de pontuação porque a cobertura é próxima do nível nominal, enquanto que a cobertura é sempre superior ao nível nominal para o método exato. Ao usar a transformação de Freeman-Tukey double arcsine, todos os estudos são mantidos, além disso, estamos garantidos para ter intervalos de confiança admissíveis para cada estudo individual, bem como para a proporção agregada. Embora a distribuição da estatística de duplo arcsine de Freeman-Tukey seja mais normal para dados escassos, o procedimento se desdobra com dados extremamente esparsos e, portanto, deve ser usado com cautela 21. Sempre que possível, o uso de métodos exatos é mais recomendado para dados binomiais. À medida que o tamanho da amostra aumenta e quando as proporções não são extremas, os métodos que dependem de dados transformados e métodos exatos proporcionam resultados semelhantes aos métodos aproximados. A metaprop de conclusão permite que os epidemiologistas agrupem proporções em Stata, evitando problemas encontrados com metan. A metaprop permite a inclusão de estudos com proporções iguais a zero ou 100 por cento e evita intervalos de confiança que excedem o intervalo de 0 a 1. O modelo logístico-normal de efeitos aleatórios desenha os usuários um passo mais perto do uso de métodos exatos recomendados para dados binomiais. Declarações Agradecimentos O apoio financeiro foi recebido de: (1) o 7º Programa-Quadro da DG Investigação da Comissão Europeia através da Rede COHEAHR (concessão n. º 603019, coordenada pela Vrije Universiteit Amsterdam, Países Baixos) e o projecto HPV-AHEAD (FP7 - SALDA-2011-282562, coordenada pelo IARC, Lyon, França) (3) Instituto Científico de Saúde Pública (Bruxelas, através do projeto OPSADAC). Autores de arquivos submetidos originais para imagens Abaixo estão os links para os arquivos enviados originais dos autores para imagens. Interesses concorrentes Os autores declaram que não têm interesses concorrentes. Contribuições de autores VN escreveu o programa de metaprop em Stata, analisou os dados e redigiu o manuscrito. MA conceituou e iniciou o projeto e editou o manuscrito. MA editou o manuscrito. Todos os autores revisaram e aprovaram o manuscrito final. Autores Afiliações Unidade de Epidemiologia do Câncer, Instituto Científico de Saúde Pública Centro de Estatística, Universidade de Hasselt Referências Agresti A, Coull BA: Aproximado é melhor do que exato para estimativa de intervalo de proporções binomiais. Am Stat. 1998, 52 (2): 119-126. Google Scholar Breslow NE, Clayton DG: inferência aproximada em modelos misturados lineares generalizados. J Am Stat Assoc. 1993, 88: 9-25. Google Scholar Miller JJ: O inverso da transformação do duplo arcsina Freeman-Tukey. Am Stat. 1978, 32 (4): 138- Google Scholar Hamza TH, van Houwelingen HC, Stijnen T: A distribuição binomial da meta-análise foi preferida para modelar a variabilidade dentro do estudo. J Clin Epidemiol. 2008, 61: 41-51. 10.1016j. jclinepi.2007.03.016. Ver artigo PubMed Google Scholar Molenberghs G, Verbeke G, Iddib S, Demtrio CGB: um modelo combinado de efeitos aleatórios beta e normal para dados binários e binomiais repetidos e sobre-dispersos. J Multivar Anal. 2012, 111: 94-109. Ver artigo Google Scholar DerSimonian R, Laird N: metanálise em ensaios clínicos. Controle Clin Trials. 1986, 7: 177-188. 10.10160197-2456 (86) 90046-2. Ver artigo PubMed Google Scholar Engel E, Keen A: Uma abordagem simples para a análise de modelos mistos lineares generalizados. Stat Neerl. 1994, 48: 1-22. 10.1111j.1467-9574.1994.tb01428.x. Ver artigo Google Scholar Molenberghs G, Verbeke G, Demtrio CGB, Vieira AMC: uma família de modelos lineares generalizados para medidas repetidas com efeitos aleatórios normais e conjugados. Stat Sci. 2010, 3: 325-347. Ver artigo Google Scholar Jackson D, Bowden J, Baker R: Como o procedimento Dersimonian e Laird para metálise de efeitos aleatórios se compara com suas contrapartes mais eficientes, mas difíceis de calcular. J Inferência do Plano Estatístico. 2010, 140: 961-970. 10.1016j. jspi.2009.09.017. Ver artigo Google Scholar Harris R, Bradburn M, Deeks J, Harbord R, Altman D, Sterne J: metan: meta-análise de efeitos fixos e aleatórios. Stata J. 2008, 8 (1): 3-28. Google Scholar Box GEP, Hunter JS, Hunter WG: estatísticas para experimentadores. 1978, Hoboken (NJ), EUA: J Wiley amp Sons Inc, Série Wiley em Probabilidade e Estatística Google Scholar Freeman MF, Tukey JW: transformações relacionadas à raiz angular e quadrada. Ann Math Stats. 1950, 21 (4): 607-611. 10.1214aoms1177729756. Ver artigo Google Scholar Clopper CJ, Pearson ES: O uso de limites de confiança ou fiducial ilustrados no caso do binômio. Biometrika. 1934, 26 (4): 404-413. 10.1093biomet26.4.404. Ver artigo Google Scholar Brown LD, Cai TT, DasGupta A: estimativa de intervalo para uma proporção binomial. Stat Sci. 2001, 16: 404-413. Google Scholar Newcombe RG: intervalos de confiança de dois lados para a proporção única: comparação de sete métodos. Stat Med. 1998, 17: 857-872. 10.1002 (SICI) 1097-0258 (19980430) 17: 8lt857 :: AID-SIM777gt3.0.CO2-E. Ver artigo PubMed Google Scholar Wilson EB: inferência provável, lei de sucessão e inferência estatística. J Am Stat Assoc. 1927, 22 (158): 209-212. 10.108001621459.1927.10502953. Ver artigo Google Scholar Arbyn M, Martin-Hirsch P, Buntinx F, Ranst MV, Paraskevaidis E, Dillner J: Triagem de mulheres com citologia cervical equívoca ou de baixo grau resulta em uma meta-análise da taxa de positividade do teste hpv. J Cell Mol Med. 2009, 13 (4): 648-659. 10.1111j.1582-4934.2008.00631.x. Ver artigo PubMed PubMed Central Google Scholar Dolman L, Sauvaget C, Muwonge R, Sankaranarayanan R: Meta-análise da eficácia da coagulação a frio como método de tratamento para neoplasias cervicais intra-epiteliais: uma revisão sistemática. BJOG. 2014, 121: 929-942. 10.11111471-0528.12655. Ver artigo PubMed Google Scholar Arbyn M, Ronco G, Anttila A, Meijer CJLM, Poljak M, Ogilvie G, Koliopoulos G, Naucler P, Sankaranarayanan R, Petok J: Evidências sobre o teste do papilomavírus humano na prevenção secundária do câncer cervical. Vacina. 2012, 30 (Suplemento 5): F88-F99. Ver artigo PubMed Google Scholar Arbyn M, Roelens J, Simoens C, Buntinx F, Paraskevaidis E, Martin-Hirsch PP, Prendiville WJ: Teste de papilomavírus humano versus citologia repetida para triagem de pequenas lesões cervicais citológicas. Cochrane Database Syst Rev. 2013, 3 (CD008054): 1-201. Google Scholar Westfall PH, Young SS: testes múltiplos baseados em análise de resampling: exemplos e métodos para ajuste de valor de P. 1993, Hoboken (NJ), EUA: John Wiley amp Sons Google Scholar Nyaga et al. Licenciado BioMed Central Ltd. 2014 Este artigo é publicado sob licença para a BioMed Central Ltd. Este é um artigo de Acesso aberto distribuído nos termos da Licença de Atribuição de Commons (creativecommons. orglicensesby4.0), que permite o uso, distribuição e reprodução sem restrições Em qualquer meio, desde que o trabalho original seja devidamente creditado. A Licença de Dedicação de Domínio Público da Creative Commons (creativecommons. orgpublicdomainzero1.0) aplica-se aos dados disponibilizados neste artigo, salvo indicação em contrário. Estatística: Análise de Dados e Software Estatístico Jonathan AC Sterne, Universidade de Bristol Ross J. Harris, Universidade de Bristol Roger M. Harbord, Universidade de Bristol Thomas J. Steichen, RJRT A Stata não possui um comando de meta-análise. Os usuários do Stata, no entanto, desenvolveram um excelente conjunto de comandos para realizar meta-análises. Em 2016, a Stata publicou a Meta-análise em Stata: uma coleção atualizada do Stata Journal, segunda edição. Que reuniu todos os artigos do Stata Journal sobre meta-análise. Este livro está disponível para compra na stata-pressbooksmeta-analysis-in-stata. Os seguintes comandos de meta-análise são descritos em Meta-Analysis no Stata: uma coleção atualizada do Stata Journal, Second Edition. metan is the main Stata meta-analysis command. Its latest version allows the user to input the cell frequencies from the 2 times 2 table for each study (for binary outcomes), the mean and standard deviation in each group (for numerical outcomes), or the effect estimate and standard error from each study. It provides a comprehensive range of methods for meta-analysis, including inverse-variancendashweighted meta-analysis, and creates new variables containing the treatment effect estimate and its standard error for each study. These variables can then be used as input to other Stata meta-analysis commands. Meta-analyses may be conducted in subgroups by using the by() option. All the meta-analysis calculations available in metan are based on standard methods, an overview of which may be found in chapter 15 of Deeks, Altman, and Bradburn (2001). The version of the metan command that used Stata 7 graphics has been renamed metan7 and is downloaded as part of the metan package currently available on the SSC archive. The most recent help file for metan provides several clickable examples of using the command. labbe draws a LrsquoAbbe plot for event data (proportions of successes in the two groups). metaan performs meta-analysis on effect estimates and standard errors. Included are profile likelihood and permutation estimation, two algorithms not available in metan . 4. metacum metacum performs cumulative meta-analyses and graphs the results. metap combines p - values by using Fisherrsquos method, Edgingtonrsquos additive method, or Edgingtonrsquos normal curve method. It was released in 1999 as a version 6 command (no graphics) and was last updated in 2000. It requires the user to input a p - value for each study. 6. metareg metareg does meta-regression. It was first released in 1998 and has been updated to take account of improvements in Stata estimation facilities and recent methodological developments. It requires the user to input the treatment effect estimate and its standard error for each study. 7. metafunnel metafunnel plots funnel plots. It was released in 2004 and uses Stata 8 graphics. It requires the user to input the treatment effect estimate and its standard error for each study. 8. confunnel confunnel plots contour-enhanced funnel plots. The command has been designed to be flexible, allowing the user to add extra features to the funnel plot. 9. metabias metabias provides statistical tests for funnel plot asymmetry. It was first released in 1997, but it has been updated to provide recently proposed tests that maintain better control of the false-positive rate than those available in the original command. 10. metatrim metatrim implements the ldquotrim and fillrdquo method to adjust for publication bias in funnel plots. It requires the user to input the treatment effect estimate and its standard error for each study. 11. extfunnel extfunnel implements a new range of overlay augmentations to the funnel plot to assess the impact of a new study on an existing meta-analysis. 12. metandi and metandiplot metandi facilitates the fitting of hierarchical logistic regression models for meta-analysis of diagnostic test accuracy studies. metandiplot produces a graph of the model fit by metandi . which must be the last estimation-class command executed. 13. mvmeta and mvmetamake mvmeta performs maximum likelihood, restricted maximum likelihood, or method-of-moments estimation of random-effects multivariate meta-analysis models. mvmetamake facilitates the preparation of summary datasets from more detailed data. 14. ipdforest ipdforest is a postestimation command that uses the stored estimates of an xtmixed or xtmelogit command for multilevel linear or logistic regression, respectively. 15. ipdmetan ipdmetan performs two-stage individual participant data meta-analysis using the inverse-variance method. 16. indirect indirect performs pairwise indirect treatment comparisons. 17. network setup network setup imports data from a set of studies reporting count data (events, total number) or quantitative data (mean, standard deviation, total number) for two or more treatments. 18. network import network import imports a dataset already formatted for network meta-analysis. 19. network table network table tabulates network meta-analysis data. 20. network pattern network pattern shows which treatments are used in which studies. 21. network map network map draws a map of a network that is, it shows which treatments are directly compared against which other treatments and roughly how much information is available for each treatment and for each treatment comparison. 22. network convert network convert converts between the three formats described in the help file for network . 23. network query network query displays the current network settings. 24. network unset network unset deletes the current network settings. 25. network meta network meta defines a model to be fit: either the consistency model or the design-by-treatment interaction inconsistency model. 26. network rank network rank ranks treatments after a network meta-analysis has been fit. 27. network sidesplit network sidesplit fits the node-splitting model of Dias et al. (2010). 28. network forest network forest draws a forest plot of network meta-analysis data. 29. networkplot networkplot plots a network of interventions using nodes and edges. 30. netweight netweight calculates all direct pairwise summary effect sizes with their variances, creates the design matrix, and estimates the percentage contribution of each direct comparison to the network summary estimates and in the entire network. 31. ifplot ifplot identifies all triangular and quadratic loops in a network of interventions and estimates the respective inconsistency factors and their uncertainties. 32. netfunnel netfunnel plots a comparison-adjusted funnel plot for assessing small-study effects within a network of interventions. 33. intervalplot intervalplot plots the estimated effect sizes and their uncertainties for all pairwise comparisons in a network meta-analysis. 34. netleague netleague creates a league table showing in the off-diagonal cells the relative treatment effects for all possible pairwise comparisons estimated in a network meta-analysis. sucra gives the surface under the cumulative ranking curves percentages and mean ranks, and produces rankograms (line plots of the probabilities versus ranks) and cumulative ranking plots (line plots of the cumulative probabilities versus ranks) for all treatments in a network of interventions. 36. mdsrank mdsrank creates the squared matrix containing the pairwise relative effect sizes and plots the resulting values of the unique dimension for each treatment. 37. clusterank clusterank performs hierarchical cluster analysis to group the competing treatments into meaningful groups. glst calculates a log-linear dosendashresponse regression model using generalized least squares for trend estimation of single or multiple summarized dosendashresponse epidemiological studies. Output from this command may be useful in deriving summary effects and their standard errors for inclusion in meta-analyses of such studies. 39. metamiss metamiss performs meta-analysis with binary outcomes when some or all studies have missing data. 40. sem and gsem Describes how to fit fixed - and random-effects meta-analysis models using the sem and gsem commands, introduced in Stata 12 and 13 respectively, for structural equation modeling. 41. metacumbounds metacumbounds provides z - values, p - values, and Lan-DeMets bounds obtained from fixed - or random-effects meta-analysis. It plots the boundaries and z - values through a process. 42. metasim metasim simulates a specified number of new studies based on the estimates obtained from a preexisting meta-analysis. 43. metapow metapow implements an approach to estimating the power of a newly simulated study generated by using the program metasim . 44. metapowplot metapowplot estimates the power of an updated meta-analysis including a new study and plots each value against a range of sample sizes. The following commands are documented in the Appendix: 45. metacurve metacurve models a response as a function of a continuous covariate, optionally adjusting for other variable(s) specified by adjust() . 46. metannt metannt is intended to aid interpretation of meta-analyses of binary data by presenting intervention effect sizes in absolute terms, as the number needed to treat (NNT) and the number of events avoided (or added) per 1,000. The user inputs design parameters, and metannt uses the metan command to calculate the required statistics. This command is available as part of the metan package. 47. metaninf metaninf is a port of the metainf command to use metan as its analysis engine rather than meta . It was released in 2001 as a version 6 command using version 6 graphics and was last updated in 2004. It requires the user to provide input in the form needed by metan . midas provides statistical and graphical routines for undertaking meta-analysis of diagnostic test performance in Stata. 49. metalr metalr graphs positive and negative likelihood ratios in diagnostic tests. It can do stratified meta-analysis of individual estimates. The user must provide the effect estimates (log positive likelihood ratio and log negative likelihood ratio) and their standard errors. Commands meta and metareg are used for internal calculations. This is a version 8 command released in 2004. 50. metaparm metaparm performs meta-analyses and calculates confidence intervals and p - values for differences or ratios between parameters for different subpopulations for data stored in the parmest format. 51. metaeff metaeff is a pre-processing command for meta-analysis and a companion to metaan which calculates effect sizes and their standard errors. Note: There may be commands that appeared in the Stata Journal after the publication of Meta-Analysis in Stata: An Updated Collection from the Stata Journal, Second Edition . For a complete list of meta-analysis commands, type search meta in Stata. Deeks, J. J. D. G. Altman, and M. J. Bradburn. 2001. Statistical methods for examining heterogeneity and combining results from several studies in meta-analysis. In Systematic Reviews in Health Care: Meta-Analysis in Context, 2nd Edition . ed. M. Egger, G. Davey Smith, and D. G. Altman. London: BMJ. Dias, S. N. J. Welton, D. M. Caldwell, and A. E. Ades. 2010. Checking consistency in mixed treatment comparison meta-analysis. Statistics in Medicine 29: 932ndash944.Stata: Data Analysis and Statistical Software Jonathan A. C. Sterne, University of Bristol Ross J. Harris, University of Bristol Roger M. Harbord, University of Bristol Thomas J. Steichen, RJRT Stata does not have a meta-analysis command. Stata users, however, have developed an excellent suite of commands for performing meta-analyses. In 2016, Stata published Meta-Analysis in Stata: An Updated Collection from the Stata Journal, Second Edition . which brought together all the Stata Journal articles about meta-analysis. This book is available for purchase at stata-pressbooksmeta-analysis-in-stata. The following meta-analysis commands are all described in Meta-Analysis in Stata: An Updated Collection from the Stata Journal, Second Edition . metan is the main Stata meta-analysis command. Its latest version allows the user to input the cell frequencies from the 2 times 2 table for each study (for binary outcomes), the mean and standard deviation in each group (for numerical outcomes), or the effect estimate and standard error from each study. It provides a comprehensive range of methods for meta-analysis, including inverse-variancendashweighted meta-analysis, and creates new variables containing the treatment effect estimate and its standard error for each study. These variables can then be used as input to other Stata meta-analysis commands. Meta-analyses may be conducted in subgroups by using the by() option. All the meta-analysis calculations available in metan are based on standard methods, an overview of which may be found in chapter 15 of Deeks, Altman, and Bradburn (2001). The version of the metan command that used Stata 7 graphics has been renamed metan7 and is downloaded as part of the metan package currently available on the SSC archive. The most recent help file for metan provides several clickable examples of using the command. labbe draws a LrsquoAbbe plot for event data (proportions of successes in the two groups). metaan performs meta-analysis on effect estimates and standard errors. Included are profile likelihood and permutation estimation, two algorithms not available in metan . 4. metacum metacum performs cumulative meta-analyses and graphs the results. metap combines p - values by using Fisherrsquos method, Edgingtonrsquos additive method, or Edgingtonrsquos normal curve method. It was released in 1999 as a version 6 command (no graphics) and was last updated in 2000. It requires the user to input a p - value for each study. 6. metareg metareg does meta-regression. It was first released in 1998 and has been updated to take account of improvements in Stata estimation facilities and recent methodological developments. It requires the user to input the treatment effect estimate and its standard error for each study. 7. metafunnel metafunnel plots funnel plots. It was released in 2004 and uses Stata 8 graphics. It requires the user to input the treatment effect estimate and its standard error for each study. 8. confunnel confunnel plots contour-enhanced funnel plots. The command has been designed to be flexible, allowing the user to add extra features to the funnel plot. 9. metabias metabias provides statistical tests for funnel plot asymmetry. It was first released in 1997, but it has been updated to provide recently proposed tests that maintain better control of the false-positive rate than those available in the original command. 10. metatrim metatrim implements the ldquotrim and fillrdquo method to adjust for publication bias in funnel plots. It requires the user to input the treatment effect estimate and its standard error for each study. 11. extfunnel extfunnel implements a new range of overlay augmentations to the funnel plot to assess the impact of a new study on an existing meta-analysis. 12. metandi and metandiplot metandi facilitates the fitting of hierarchical logistic regression models for meta-analysis of diagnostic test accuracy studies. metandiplot produces a graph of the model fit by metandi . which must be the last estimation-class command executed. 13. mvmeta and mvmetamake mvmeta performs maximum likelihood, restricted maximum likelihood, or method-of-moments estimation of random-effects multivariate meta-analysis models. mvmetamake facilitates the preparation of summary datasets from more detailed data. 14. ipdforest ipdforest is a postestimation command that uses the stored estimates of an xtmixed or xtmelogit command for multilevel linear or logistic regression, respectively. 15. ipdmetan ipdmetan performs two-stage individual participant data meta-analysis using the inverse-variance method. 16. indirect indirect performs pairwise indirect treatment comparisons. 17. network setup network setup imports data from a set of studies reporting count data (events, total number) or quantitative data (mean, standard deviation, total number) for two or more treatments. 18. network import network import imports a dataset already formatted for network meta-analysis. 19. network table network table tabulates network meta-analysis data. 20. network pattern network pattern shows which treatments are used in which studies. 21. network map network map draws a map of a network that is, it shows which treatments are directly compared against which other treatments and roughly how much information is available for each treatment and for each treatment comparison. 22. network convert network convert converts between the three formats described in the help file for network . 23. network query network query displays the current network settings. 24. network unset network unset deletes the current network settings. 25. network meta network meta defines a model to be fit: either the consistency model or the design-by-treatment interaction inconsistency model. 26. network rank network rank ranks treatments after a network meta-analysis has been fit. 27. network sidesplit network sidesplit fits the node-splitting model of Dias et al. (2010). 28. network forest network forest draws a forest plot of network meta-analysis data. 29. networkplot networkplot plots a network of interventions using nodes and edges. 30. netweight netweight calculates all direct pairwise summary effect sizes with their variances, creates the design matrix, and estimates the percentage contribution of each direct comparison to the network summary estimates and in the entire network. 31. ifplot ifplot identifies all triangular and quadratic loops in a network of interventions and estimates the respective inconsistency factors and their uncertainties. 32. netfunnel netfunnel plots a comparison-adjusted funnel plot for assessing small-study effects within a network of interventions. 33. intervalplot intervalplot plots the estimated effect sizes and their uncertainties for all pairwise comparisons in a network meta-analysis. 34. netleague netleague creates a league table showing in the off-diagonal cells the relative treatment effects for all possible pairwise comparisons estimated in a network meta-analysis. sucra gives the surface under the cumulative ranking curves percentages and mean ranks, and produces rankograms (line plots of the probabilities versus ranks) and cumulative ranking plots (line plots of the cumulative probabilities versus ranks) for all treatments in a network of interventions. 36. mdsrank mdsrank creates the squared matrix containing the pairwise relative effect sizes and plots the resulting values of the unique dimension for each treatment. 37. clusterank clusterank performs hierarchical cluster analysis to group the competing treatments into meaningful groups. glst calculates a log-linear dosendashresponse regression model using generalized least squares for trend estimation of single or multiple summarized dosendashresponse epidemiological studies. Output from this command may be useful in deriving summary effects and their standard errors for inclusion in meta-analyses of such studies. 39. metamiss metamiss performs meta-analysis with binary outcomes when some or all studies have missing data. 40. sem and gsem Describes how to fit fixed - and random-effects meta-analysis models using the sem and gsem commands, introduced in Stata 12 and 13 respectively, for structural equation modeling. 41. metacumbounds metacumbounds provides z - values, p - values, and Lan-DeMets bounds obtained from fixed - or random-effects meta-analysis. It plots the boundaries and z - values through a process. 42. metasim metasim simulates a specified number of new studies based on the estimates obtained from a preexisting meta-analysis. 43. metapow metapow implements an approach to estimating the power of a newly simulated study generated by using the program metasim . 44. metapowplot metapowplot estimates the power of an updated meta-analysis including a new study and plots each value against a range of sample sizes. The following commands are documented in the Appendix: 45. metacurve metacurve models a response as a function of a continuous covariate, optionally adjusting for other variable(s) specified by adjust() . 46. metannt metannt is intended to aid interpretation of meta-analyses of binary data by presenting intervention effect sizes in absolute terms, as the number needed to treat (NNT) and the number of events avoided (or added) per 1,000. The user inputs design parameters, and metannt uses the metan command to calculate the required statistics. This command is available as part of the metan package. 47. metaninf metaninf is a port of the metainf command to use metan as its analysis engine rather than meta . It was released in 2001 as a version 6 command using version 6 graphics and was last updated in 2004. It requires the user to provide input in the form needed by metan . midas provides statistical and graphical routines for undertaking meta-analysis of diagnostic test performance in Stata. 49. metalr metalr graphs positive and negative likelihood ratios in diagnostic tests. It can do stratified meta-analysis of individual estimates. The user must provide the effect estimates (log positive likelihood ratio and log negative likelihood ratio) and their standard errors. Commands meta and metareg are used for internal calculations. This is a version 8 command released in 2004. 50. metaparm metaparm performs meta-analyses and calculates confidence intervals and p - values for differences or ratios between parameters for different subpopulations for data stored in the parmest format. 51. metaeff metaeff is a pre-processing command for meta-analysis and a companion to metaan which calculates effect sizes and their standard errors. Note: There may be commands that appeared in the Stata Journal after the publication of Meta-Analysis in Stata: An Updated Collection from the Stata Journal, Second Edition . For a complete list of meta-analysis commands, type search meta in Stata. Deeks, J. J. D. G. Altman, and M. J. Bradburn. 2001. Statistical methods for examining heterogeneity and combining results from several studies in meta-analysis. In Systematic Reviews in Health Care: Meta-Analysis in Context, 2nd Edition . ed. M. Egger, G. Davey Smith, and D. G. Altman. London: BMJ. Dias, S. N. J. Welton, D. M. Caldwell, and A. E. Ades. 2010. Checking consistency in mixed treatment comparison meta-analysis. Statistics in Medicine 29: 932ndash944.Stata Features Financial Econometrics Using Stata by Simona Boffelli and Giovanni Urga provides an excellent introduction to time-series analysis and how to do it in Stata for financial. The Middle East and North Africa (MENA) region suffers from both, data availability and data quality. Any effort to collect, clean and present data on the region is a wel. The 4th Poland Stata Users Group Meeting takes place on Monday, 17 October 2016 at SGH Warsaw School of Economics, Warsaw, Poland. The goal of the Stata Users Group Meeti. Rain Data: Using Stata to automate the creation and labelling of each variable through looping Often in data work one finds that the same work needs to be done again and. The 22nd London Stata Users Group Meeting takes place on Thursday, 8 and Friday, 9 September 2016 at Cass Business School, London. The London Stata Users Group meeting. Latest Stata Courses This 2-day course provides a review of and a practical guide to several major econometric methodologies frequently used to model the stylised facts of the financial time series via ARMA models, univariate and multivariate GARCH models, risk management analysis and contagion. Demonstration of the alternative techniques will be illustrated using Stata. Practical sessions within the course involve interest rate data, asset prices and forex time series. The course is delivered by Prof. Giovanni Urga, an author of Financial Econometrics using Stata - Boffelli, S and Urga, G (2016), Stata Press: TX. Linear models define an outcome from a set of predictors of interest using linear assumptions. Regression models being a subset of linear models, are one of, if not the most fundamental tools a statistician can have. This course covers regression analysis, least squares, inference using regression models and robust estimation methods. This course will provide you with advanced tools for data management and full automation of your workflow using Stata. This 2-day course starts by reviewing the main data management commands available in Stata and goes on by illustrating how to combine them with Stata programming constructs and you will learn how to code using simple Stata programs. This course will provide participants with the essential tools, both theoretical and applied, for a proper use of modern micro-econometric methods for policy evaluation and causal counterfactual modelling under the assumption of selection on observables. The second of two courses designed as an introduction to Bayesian methods for empirical analysis. We will start with a number of theoretical issues including exchangeability, prior-posterior analysis, model comparison and hypothesis testing, and models for missing data. We will also examine the fundamental problem of prior elicitation. Need a quote