Maximum Likelihood Estimation with Stata, Third Edition

Authors:  William Gould, Jeffrey Pitblado, William Sribney
Publisher:  Stata Press
Copyright: 2006
ISBN-10: 1-59718-012-2
ISBN-13: 978-1-59718-012-2
Pages: 290; paperback
Price: $43.00

Maximum Likelihood Estimation with Stata, 3rd Edition, is written for researchers in all disciplines who need to fit models using maximum likelihood estimation. This edition offers a wealth of material about the ml command, updated to include new features introduced in Stata 9.

Noteworthy features in ml include

constraints() — linear constraints
technique() — four optimization algorithms (Newton–Raphson, DFP, BFGS, and BHHH)
vce(oim) — observed information matrix variance estimator
vce(opg) — outer product of gradients variance estimator
vce(robust) — Huber/White/sandwich/robust variance estimator
svy — complete and automatic support for survey data analysis
In addition, the authors give advice for developing your own estimation command and illustrate how to write your estimation command so that it supports the new svy prefix introduced in Stata 9.

In the final chapter, the authors illustrate the major steps required to get from log-likelihood function to fully operational estimation command. This is done using several different models: logit and probit, linear regression, Weibull regression, the Cox proportional hazards model, random-effects regression, and seemingly unrelated regression.


Preface (pdf)
Versions of Stata
Notation and Typography
1 Theory and practice
1.1 The likelihood-maximization problem 
1.2 Likelihood theory 
1.2.1 All results are asymptotic 
1.2.2 Variance estimates and hypothesis tests 
1.2.3 Likelihood-ratio tests and Wald tests 
1.2.4 The outer product of gradients variance estimator 
1.2.5 Robust variance estimates 
1.3 The maximization problem 
1.3.1 Numerical root finding 
      Newton's method 
      The Newton–Raphson algorithm 
1.3.2 Quasi-Newton methods 
      The BHHH algorithm 
      The DFP and BFGS algorithms 
1.3.3 Numerical maximization 
1.3.4 Numerical derivatives 
1.3.5 Numerical second derivatives 
1.4 Monitoring convergence 
2 Overview of ml
2.1 The jargon of ml 
2.2 Equations in ml 
2.3 Likelihood-evaluator methods 
2.4 Tools for the ml programmer 
2.5 Common ml options 
2.5.1 Subsamples 
2.5.2 Weights 
2.5.3 OPG estimates of variance 
2.5.4 Robust estimates of variance 
2.5.5 Survey data 
2.5.6 Constraints 
2.5.7 Choosing among the optimization algorithms 
2.6 Maximizing your own likelihood functions 
3 Method lf
3.1 The linear-form restrictions 
3.2 Examples 
3.2.1 The probit model 
3.2.2 The normal model: linear regression 
3.2.3 The Weibull model 
3.3 The importance of generating temporary variables as doubles 
3.4 Problems you can safely ignore 
3.5 Nonlinear specifications 
3.6 The advantages of lf in terms of execution speed 
3.7 The advantages of lf in terms of accuracy 
4 Methods d0, d1, and d2
4.1 Comparing these methods 
4.2 Outline of method d0, d1, and d2 evaluators 
4.2.1 The todo argument 
4.2.2 The b argument 
Using mleval to obtain values from each equation 
4.2.3 The lnf argument 
Using lnf to indicate that the likelihood cannot be calculated 
Using mlsum to define lnf 
4.2.4 The g argument 
Using mlvecsum to define g 
Scores for robust and OPG variance estimates (optional) 
4.2.5 The negH argument 
Using mlmatsum to define negH 
4.2.6 Aside: Stata's scalars 
4.3 Summary of methods d0, d1, and d2 
4.3.1 Method d0 
4.3.2 Method d1 
4.3.3 Method d2 
4.4 Linear-form examples 
4.4.1 The probit model 
4.4.2 The normal model: linear regression 
4.4.3 The Weibull model 
4.5 Panel-data likelihoods 
4.5.1 Calculating lnf 
4.5.2 Calculating g 
4.5.3 Calculating negH 
       Using mlmatbysum to help define negH 
4.6 Likelihoods other than linear form 
5 Debugging likelihood evaluators
5.1 ml check 
5.2 Using methods d1debug and d2debug 
5.2.1 Method d1debug 
5.2.2 Method d2debug 
5.3 ml trace 
6 Setting initial values
6.1 ml search 
6.2 ml plot 
6.3 ml init 
7 Interactive maximization
7.1 The iteration log 
7.2 Pressing the Break key 
7.3 Maximizing difficult likelihood functions 
8 Final results
8.1 Graphing convergence 
8.2 Redisplaying output 
9 Writing do-files to maximize likelihoods
9.1 The structure of a do-file
9.2 Putting the do-file into production 
10 Writing ado-files to maximize likelihoods
10.1 Writing estimation commands 
10.2 The standard estimation-command outline 
10.3 Outline for estimation commands using ml 
10.4 Using ml in noninteractive mode 
10.5 Advice 
10.5.1 Syntax 
10.5.2 Estimation subsample 
10.5.3 Parsing with help from mlopts 
10.5.4 Weights 
10.5.5 Constant-only model 
10.5.6 Initial values 
10.5.7 Saving results in e()
10.5.8 Displaying ancillary parameters 
10.5.9 Exponentiated coefficients 
10.5.10 Offsetting linear equations 
10.5.11 Program properties
11 Writing ado-files for survey data analysis
11.1 Program properties
11.2 Writing your own predict command
12 Other examples
12.1 The logit model 
12.2 The probit model 
12.3 The normal model: linear regression 
12.4 The Weibull model 
12.5 The Cox proportional hazards model 
12.6 The random-effects regression model 
12.7 The seemingly unrelated regression model 
A Syntax of ml
B Likelihood evaluator checklists
B.1 Method lf 
B.2 Method d0 
B.3 Method d1 
B.4 Method d2 
C Listing of estimation commands
C.1 The logit model 
C.2 The probit model 
C.3 The normal model 
C.4 The Weibull model 
C.5 The Cox proportional hazards model 
C.6 The random-effects regression model 
C.7 The seemingly unrelated regression model 
References

http://ishare.iask.sina.com.cn/f/7025893.html