模型估计和分析

用于连续，离散，受限和删失因变量的超过100个模型公式，包括：

• 线性回归
• Robust估计
• 非线性和loglinear回归
• 用于二元选择的probit和logit模型
• 序数选择模型(Ordered choice models)
• 多项式选择
• 删失和截断
• 样本选择模型
• 用于计数数据的泊松和负二项式回归
• 随机前沿(Stochastic frontie)和DEA
• 分位数回归(线性和计数)
• 时间序列模型
• 面板数据模型

统计分析

可编程语言支持对估计器的扩展：

• 模型估计
• 检验和限制
• Post估计分析
• 仿真
• 偏效应
• Oaxaca decomposition
• Delta and Krinsky/Robb方法

面板数据(Panel Data)模型

所有的线性和非线性模型可以使用面板数据的特定形式被分析，包括：

• 固定和随机效应线性模型
• 非线性固定效应模型
• 随机效应模型
• 随机参数-混合模型
• 潜在类别(Latent class)模型

数据描述和图形

描述性统计和图形分析工具，包括：

• 横截面(cross sections)和面板(panel)的描述性统计
• 均值和分位数表格
• 时间序列
• 谱线密度(Spectral density)
• 图形工具
• 核密度(Kernel density)
• 判别分析(Discriminant analysis)
• 等高线图(Contour plots)

计数数据

对于计数数据有比其他程序包更广的规格范围，包括几个新开发的模型：

• 泊松和负二项模型
• NB模型的新规格
• Gamma, 广义泊松(generalized Poisson), Polya
• Aeppli
• Zero inflation and hurdle
• 固定和随机效应
• 潜在类别(Latent class)
• 分位数泊松回归

编程和数值分析

编程语言，包括矩阵和数据处理命令，被用于构建新的估计器:

• 使用LIMDEP和NLOGIT编程
• 用户自定义最优化
• 矩阵代数学
• 科学计算器
• 用户编写的程序和估计器

前沿和效率分析

随机前沿模型的所有形式都提供：

• 固定和随机效应
• 真正固定和随机效应
• 潜在类别随机效应
• Battese 和 Coelli
• 异方差性(Heteroscedasticity)
• Technical inefficiency estimation
• 数据包络分析(这是唯一一个有SFA和DEA的软件包)

LIMDEP中的离散选择模型

二元，多项式，排序，计数和多变量离散数据的离散选择(Discrete choice)估计量：

• 用于二项选择的probit和logit回归
• 序数选择(Ordered choice)，包括单变量，双变量，分层和样本选择
• 分层排序选择(Hierarchical ordered choice)
• 面板数据
• 多项式logit
• 计数数据模型

使用NLOGIT的多项式logistic回归

NLOGIT包含了LIMDEP的所有特征，加上许多不包含在LIMDEP中的多项式选择模型的扩展，包括：

• 数据分析
• 模型估计
• 混合(随机参数)logit模型
• 广义嵌套logit模型
• Estimation in WTP space
• 多项式概率模型(Multinomial probit model)
• 潜在类别(Latent class)模型
• 误差构成(Error components,RE)logit模型
• 随机regret MNL
• 动态随机效应MNL模型
• 广义嵌套logit模型
• 模型指定
• 模型仿真

(这些特征不含在LIMDEP中）

时间序列分析

一系列用于时间序列的估计器，包括：

• ARMAX模型
• GARCH和GARCH-in-mean模型
• 谱密度估计(Spectral density estimation)
• ACF和PACF
• Phillips-Perron检验
• Newey-West估计器

准确性

采用非常准确的计算方法。在所有的国家标准和技术研究院的检验问题上都获得高分，包括：

• 描述性统计
• 方差分析
• 线性回归
• 非线性最小二乘
  

数据管理

数据管理工具包括：

• 数据输入和输出
• 数据转换
• 抽样和bootstrapping
• Monte Carlo分析
• 加权数据
• 随机数生成