Stata 11 Gleitender Durchschnitt

Stats: Datenanalyse und statistische Software Nicholas J. Cox, Durham University, Großbritannien Christopher Baum, Boston College egen, ma () und seine Einschränkungen Statarsquos offensichtlichste Befehl für die Berechnung der gleitenden Durchschnitte ist die ma () - Funktion von egen. Bei einem Ausdruck wird ein gleitender Durchschnitt für diesen Ausdruck erstellt. Standardmäßig wird als 3. genommen, muss ungerade sein. Allerdings kann, wie der manuelle Eintrag angibt, egen, ma () nicht mit varlist kombiniert werden:. Und aus diesem Grund ist es nicht auf Paneldaten anwendbar. In jedem Fall steht er außerhalb des Satzes von Befehlen, die speziell für Zeitreihen geschrieben werden, siehe Zeitreihen für Details. Alternative Ansätze Zur Berechnung von Bewegungsdurchschnitten für Paneldaten gibt es mindestens zwei Möglichkeiten. Beide hängen davon ab, dass der Dataset zuvor tsset wurde. Das ist sehr viel wert: nicht nur können Sie sich immer wieder spezifizieren Panel variabel und Zeit variabel, aber Stata verhält sich intelligent jede Lücken in den Daten. 1. Schreiben Sie Ihre eigene Definition unter Verwendung von Zeitreihenoperatoren wie L. und F. Geben Sie die Definition des gleitenden Durchschnitts als Argument für eine generierte Anweisung an. Wenn Sie dies tun, sind Sie natürlich nicht auf die gleich gewichteten (ungewichteten) zentrierten Bewegungsdurchschnitte beschränkt, die von egen, ma () berechnet wurden. Zum Beispiel würden gleich gewichtete Dreiphasenbewegungsdurchschnitte gegeben und einige Gewichte können leicht angegeben werden: Sie können natürlich einen Ausdruck wie log (myvar) anstelle eines Variablennamens wie myvar angeben. Ein großer Vorteil dieses Ansatzes ist, dass Stata automatisch das Richtige für Paneldaten macht: führende und nacheilende Werte werden in Panels ausgearbeitet, genauso wie Logik diktiert. Der bemerkenswerteste Nachteil ist, dass die Befehlszeile ziemlich lang werden kann, wenn der gleitende Durchschnitt mehrere Begriffe beinhaltet. Ein anderes Beispiel ist ein einseitiger gleitender Durchschnitt, der nur auf vorherigen Werten basiert. Dies könnte nützlich sein für die Erzeugung einer adaptiven Erwartung dessen, was eine Variable nur auf Informationen basieren wird: was könnte jemand prognostizieren für den aktuellen Zeitraum auf der Grundlage der letzten vier Werte, mit einem festen Gewichtungsschema (A 4-Periode Verzögerung sein könnte Besonders gebräuchlich mit vierteljährlichen Zeitreihen.) 2. Verwenden Sie egen, filter () von SSC Verwenden Sie den benutzerdefinierten egen function filter () aus dem egenmore package auf SSC. In Stata 7 (aktualisiert nach dem 14. November 2001) können Sie dieses Paket installieren, nachdem egenmore auf die Details zu filter () hingewiesen hat. Die beiden obigen Beispiele würden gerendert (In diesem Vergleich ist der generierte Ansatz vielleicht transparenter, aber wir sehen ein Beispiel des Gegenteils in einem Moment.) Die Lags sind eine Numliste. Führt zu negativen Verzögerungen: In diesem Fall verlängert sich -11 auf -1 0 1 oder Blei 1, verzögert 0, Verzögerung 1. Die Koeffizienten, eine weitere Numliste, multiplizieren die entsprechenden nacheilenden oder führenden Elemente: In diesem Fall sind diese Elemente F1.myvar . Myvar und L1.myvar. Der Effekt der Normalisierungsoption besteht darin, jeden Koeffizienten durch die Summe der Koeffizienten zu skalieren, so daß die Koeffizienten von 13 13 13 und coef (1 2 1) normalisiert sind, äquivalent zu Koeffizienten von 14 12 14 ist Sie müssen nicht nur die Verzögerungen, sondern auch die Koeffizienten angeben. Da egen, ma () den gleich gewichteten Fall liefert, ist der Hauptgrund für egen, filter (), den ungleich gewichteten Fall zu unterstützen, für den Sie Koeffizienten angeben müssen. Es könnte auch gesagt werden, dass verpflichtende Benutzer Koeffizienten angeben ist ein wenig mehr Druck auf sie zu denken, welche Koeffizienten sie wollen. Die wichtigste Rechtfertigung für gleiche Gewichte ist, wir schätzen, Einfachheit, aber gleiche Gewichte haben miese Frequenzbereich Eigenschaften, um nur eine Erwägung zu erwähnen. Das dritte Beispiel oben könnte entweder von denen ist nur so kompliziert wie die Generierung Ansatz. Es gibt Fälle, in denen egen, filter () eine einfachere Formulierung ergibt als erzeugen. Wenn Sie einen neun-term-Binomialfilter suchen, der von den Klimatologen als nützlich empfunden wird, dann sieht es vielleicht weniger schrecklich aus und ist leichter zurecht zu kommen. Genau wie beim generierten Ansatz funktioniert egen, filter () ordnungsgemäß mit Panel-Daten. Tatsächlich hängt es, wie oben erwähnt, davon ab, daß der Dataset vorher tsset wurde. Eine grafische Spitze Nach der Berechnung Ihrer gleitenden Durchschnitte werden Sie wahrscheinlich einen Graphen betrachten wollen. Der benutzerdefinierte Befehl tsgraph ist schlau um Tsset-Datasets. Installieren Sie es in einem up-to-date Stata 7 von ssc inst tsgraph. Was ist mit der Teilmenge mit if Keine der obigen Beispiele verwenden, wenn Einschränkungen. In der Tat egen, ma () wird nicht zulassen, wenn angegeben werden. Gelegentlich Menschen wollen verwenden, wenn bei der Berechnung der gleitenden Durchschnitte, aber seine Verwendung ist ein wenig komplizierter als es normalerweise ist. Was würden Sie von einem gleitenden Durchschnitt erwarten? Lassen Sie uns zwei Möglichkeiten identifizieren: Schwache Interpretation: Ich möchte keine Ergebnisse für die ausgeschlossenen Beobachtungen sehen. Starke Interpretation: Ich möchte nicht, dass Sie die Werte für die ausgeschlossenen Beobachtungen verwenden. Hier ist ein konkretes Beispiel. Angenommen, infolge einer Bedingung sind die Beobachtungen 1-42 eingeschlossen, aber nicht die Beobachtungen 43 an. Aber der gleitende Durchschnitt für 42 wird unter anderem von dem Wert für die Beobachtung 43 abhängen, wenn der Mittelwert sich nach hinten und vorne erstreckt und eine Länge von mindestens 3 hat, und er wird in einigen Fällen von einigen der Beobachtungen 44 abhängen. Unsere Vermutung ist, dass die meisten Menschen für die schwache Interpretation gehen würde, aber ob das korrekt ist, egen, filter () nicht unterstützt, wenn entweder. Sie können immer ignorieren, was Sie donrsquot wollen oder sogar unerwünschte Werte auf fehlende danach mit replace setzen. Eine Notiz über fehlende Ergebnisse an den Enden der Serie Da gleitende Mittelwerte Funktionen von Lags und Leads sind, erzeugt eMe () fehlende Stellen, wo die Lags und Leads nicht existieren, am Anfang und Ende der Reihe. Eine Option nomiss zwingt die Berechnung der kürzeren, nicht beanspruchten gleitenden Mittelwerte für die Schwänze. Im Gegensatz dazu weder erzeugen noch egen, filter () macht oder erlaubt, etwas Besonderes, um fehlende Ergebnisse zu vermeiden. Wenn einer der für die Berechnung benötigten Werte fehlt, fehlt dieses Ergebnis. Es ist bis zu den Benutzern zu entscheiden, ob und welche korrigierende Chirurgie für solche Beobachtungen erforderlich ist, vermutlich nach dem Betrachten des Datensatzes und unter Berücksichtigung aller zugrunde liegenden Wissenschaft, die gebracht werden können, zu ertragen. Smoothing: Lowess Wir arbeiten mit Daten aus der Kolumbien WFS Household Survey , Durchgeführt 1975-76. Ich tabellierte die Altersverteilung aller Haushaltsmitglieder und speicherte sie in einer ascci-Datei, die wir jetzt lesen und plotten: Wie Sie sehen können, sieht die Verteilung etwas weniger glatt aus als die Daten von den Philippinen, die wir früher studiert haben. Können Sie den Myers-Index für diese Verteilung berechnen Running-Mittel und Linien Der einfachste Weg, um ein Scatterplot zu glätten, besteht darin, einen gleitenden Durchschnitt zu verwenden. Auch als laufender Mittelwert bekannt. Der gebräuchlichste Ansatz besteht darin, ein Fenster von 2k 1 Beobachtungen, k links und k rechts von jeder Beobachtung zu verwenden. Der Wert von k ist ein Trade-off zwischen Glätte der Güte der Passform. Besondere Vorsicht ist bei den Extremen des Sortiments zu beachten. Stata kann Laufmittel über lowess mit den Optionen mean und noweight berechnen. Ein häufiges Problem mit Laufmitteln ist Bias. Eine Lösung besteht darin, Gewichte zu verwenden, die den nächsten Nachbarn mehr Gewicht verleihen und weniger weit entfernten. Eine beliebte Gewichtungsfunktion ist Tukeys tri-cube, definiert als w (d) (1-d 3) 3 für d lt 1 und 0 ansonsten, wobei d der Abstand zu dem Zielpunkt ist, der als Bruchteil der Bandbreite ausgedrückt wird. Stata kann diese Berechnung über lowess mit der Option mean tun, wenn Sie noweight weglassen. Eine noch bessere Lösung ist die Verwendung von laufenden Linien. Wir definieren wieder eine Nachbarschaft für jeden Punkt, typischerweise die k nächsten Nachbarn auf jeder Seite, passen eine Regressionslinie zu den Punkten in der Nachbarschaft und verwenden sie dann, um einen glatteren Wert für die Indexbeobachtung vorherzusagen. Das klingt wie eine Menge Arbeit, aber die Berechnungen können effizient mit Regression Updating Formeln durchgeführt werden. Stata kann eine laufende Linie über lowess berechnen, wenn Sie Mittel weglassen, aber noweight einschließen. Besser noch ist die Verwendung gewichteter Linien. Was den engsten Beobachtungen mehr Gewicht verleiht, was die Lowess glatter macht. Eine Variante folgt dieser Schätzung mit wenigen Iterationen, um eine robustere Linie zu erhalten. Dies ist eindeutig die beste Technik in der Familie. Statas lowess verwendet eine gewichtete laufende Linie, wenn Sie Mittelwert und noweight R ausführen, implementiert die lowess glatter durch die Funktionen lowess () und die neuere loess (), die eine Formelschnittstelle mit einem oder mehreren Prädiktoren und etwas anderen Vorgaben verwendet. Der Parametergrad steuert den Grad des lokalen Polynoms, der Standardwert ist 2 für quadratisch, Alternativen sind 1 für lineare und 0 für laufende Mittel. Beide Implementierungen können einen robusten Schätzer verwenden, wobei die Anzahl der Iterationen von einem Parameter iter oder Iterationen gesteuert wird. Geben Sie loess und lowess in der R-Konsole ein, um weitere Informationen zu erhalten. In ggplot () können Sie eine lowess glatter durch Aufrufen geomsmooth () Die Abbildung unten zeigt die kolumbianischen Daten und eine lowess glatter mit einer Spanne oder Bandbreite gleich 25 der Daten. Vielleicht möchten Sie versuchen, verschiedene badwidths zu sehen, wie die Ergebnisse variieren. Digit Preference Revisited Glättung der Altersverteilung bietet eine bessere Möglichkeit, die Ziffernpräferenz als das Myers-Blending zu bewerten. Lassen Sie uns die letzte Ziffer des Alters berechnen und sie über den gesamten Bereich der Daten unter Verwendung der beobachteten Frequenzen und einer niedrigeren Glättung tabellieren. Die rohen Frequenzen zeigen Beweise der Präferenz für Altersgruppen, die in 0 und 5 enden, was sehr häufig ist, und wahrscheinlich auch 2. Wir verwenden jetzt das glatte wie das Gewicht. Die geglätteten Frequenzen zeigen, dass wir weniger Menschen in höheren Ziffern erwarten, sogar in einer glatten Verteilung, mit mehr Endung in 0 als 9. Wir sind nun bereit, einen Index der Ziffernpräferenz, definiert als die Hälfte, zu berechnen Summe der absoluten Differenzen zwischen beobachteten und glatten Frequenzen: Wir sehen, dass wir 5,5 der Beobachtungen umschreiben müssten, um die Ziffernpräferenz zu beseitigen. Sie können dieses Ergebnis mit dem Myers-Index vergleichen. Kopie 2017 Germaacuten Rodriacuteguez, Princeton University Stellen Sie sich vor, Sie haben Daten über die Preise für viele Produkte. Für jedes der Produkte, die Sie wöchentlich Preisinformationen aufzeichnen. Clear set obs 200 gen prodid n Jedes Produkt hat einen einzigartigen Durchschnittspreis gen prodprice rpoisson (5) 7 Sie haben Daten zu Wochenpreisen für 200 Wochen. Erweitern 200 bysort prodid: gen tn label var t Woche Es gibt auch einige saisonale Variation gen saisonale .2sin (pit50) Sowie eine allgemeine Zeit Trend Gen Trend t.005 Die erste Beobachtung ist nicht mit etwas genauer Preis prodprice2.5 Trend korreliert (10) 10 wenn t1 ersetzen Preis prodprice2 Trend saisonale .7pricen-1 .3rpoisson (10) 10 wenn t2 ersetzen Preis prodprice Trend saisonale .5pricen-1 .2pricen-2 .3rpoisson (10) 10 wenn t3 ersetzen Preis prodprice Trend saisonale .3pricen-1 .2pricen-2 .2pricen-3 .3rpoisson (10) 10 wenn t4 ersetzen Preis prodprice Trend saisonale .3pricen-1 .175pricen-2 .125pricen-3 .1pricen-4 .3rpoisson (10) 10 if tgt4 Create Ein globaler globaler Index für den globalen Twograph (line price t, wenn prodid i) twoway twograph, Legende (off) title (wahre Preisentwicklung für erste sechs Produkte) Nun können wir uns vorstellen, dass die oben erzeugten Daten die wahre Preisinformation sind Ist grundsätzlich nicht zu beurteilen. Stattdessen haben Sie mehrere Sammlungen von Daten pro Woche zu Preisen, die jeweils von einigen zufälligen addative Fehler variieren. Erweitern Sie 3 bysort prodid t: gen prodobs n gen pricecollect Preis rnormal () 25 Allerdings haben die Preisinformationen, die Sie haben einige Einträge, die 10 falsch falsch eingegeben wurden. (1, .1) gen scalarerror rnormal () 1 gen Priceobs pricecols (1entryerrorscalarerror) Label var priceobs Aufgezeichneter Preis Darüber hinaus wurden 35 Ihrer Preisdaten nie gesammelt Gen fehlende rbinomial (1, .35) drop, wenn missing1 Erstellen Eine globale zu speichern globalen twograph forv i 16 globalen twograph (line priceobs t, wenn prodid i amp prodobs1) twoway twograph, legend (off) titel (Beobachtete Preisentwicklung für die ersten sechs Produkte) halten t priceobs prodid entryerror Ich halte Eintrag Fehler in der Datensatz als Vergleichsmittel, obwohl es nicht direkt beobachtet werden würde. Die Frage ist: Können Sie jetzt mit diesem chaotisch Daten erholen Preis Daten, die ähnlich wie die ursprüngliche Die erste Sache, die wir ausnutzen sollten, ist die doppelten aufgezeichneten Daten. Scatter priceobs t, wenn prodid 1, title (es ist einfach, einzelne Abweichungen zu sehen) Es ist einfach, einzelne Abweichungen zu sehen, aber wir wollen nicht durch alle 200 Produkte gehen, um einzeln Preisausreißer zu identifizieren. Wir wollen ein System zur Identifizierung von Ausreißern entwickeln. Lets Erzeugung eines Mittels durch Produkt und Zeit bysort Prodid t: egen pricemean mean (priceobs) Lässt Flagge jede Beobachtung, die 120 größer als der Mittelwert oder 80 weniger als der Mittelwert ist. Gen flag (pricemean gt priceobs1.2 pricemean lt priceobs.8) Lets sehen, wie es funktioniert: zwei (scatter priceobs t, wenn prodid 1) (scatter priceobs t, wenn prodid 1 amp flag1.msymbol (lgx)). Title (Einige Ausreißer können nur mit dem Mittelwert identifiziert werden) Legende (aus) corr flag entryerror Unsere Flagge ist etwa 45 mit den Eintragsfehlern korreliert. Das ist gut, aber wir können es besser machen. Ich schlage vor, dass anstatt nur die Mittel, dass wir einen gleitenden Durchschnitt der Preise zu konstruieren und sehen, wie jeder Eintrag abweicht aus dem Durchschnitt. Das einzige Problem ist, dass der Moving Average-Befehl xtset benötigt und das nur einen Eintrag pro Zeitabschnitt erfordert. So, sage ich, dass wir die Zeitvariable neu skalieren und addieren, als ob aufgezeichnet zu einer anderen Zeit der Woche die Beobachtungszahl. Wir müssen Prodobs neu generieren, da wir nicht wissen, welche Beobachtung bei jedem Produkt fehlt. Bysort prodid t: gen prodobs n gen t2 t4 prodobs xtset setzt die Panel-Datenfeld-ID und Zeitreihenebene. Xtset prodid t2 Der Befehl, den wir verwenden wird, ist tssmooth. Es ist so kodiert, dass durch die Angabe von ma bedeutet, dass gleitender Durchschnitt und Fenster sagt Stata, wie viele Zeiträume zu zählen und wie viele hinter in der bewegten Luftfahrt. Dieser Befehl kann etwas dauern. Tssmooth ma mapriceobspriceobs, Fenster (23 0 23) 23 ist in der Tat 5 Wochen vor und 5 Wochen dahinter Die 0 sagt Stata nicht inself in diesem Durchschnitt einschließen Der gleitende Durchschnitt zwei (scatter priceobs t, wenn prodid 1) (line mapriceobs t, wenn prodid 1) (Zeile pricemean t, wenn prodid 1). Titel (Der bewegliche Durchschnitt ist weniger anfällig für Ausreißer) Der gleitende Durchschnitt ist stabiler als nur der Zeitmittelwert. Lets try markieren mit dem gleitenden Durchschnitt cap drop flag2 gen flag2 (mapriceobs gt priceobs1.2 mapriceobs lt priceobs.8) zwei (scatter priceobs t, wenn prodid 1) (scatter priceobs t, wenn prodid 1 amp flag21.msymbol (lgx)). Title (Der Moving Average kann auch nützlich sein) Legende (aus) corr flag2 entryerror Drop unsere markierten Daten fallen, wenn flag21 Collapse auf die wöchentliche Ebene collapse priceobs, durch (prodid t) Label var priceobs Durchschnittlicher Preis beobachtet forv i 16 globalen Twograph (Scatter Priceobs t, wenn prodid i) twoway twograph, Legende (off) title (Beobachtete Preisentwicklung für die ersten sechs Produkte) Die Daten sehen viel besser aus, aber wir haben immer noch eindeutig einige unerwünschte Ausreißer. Wir konnten die Cross-Produkt-Trends nutzen, um Ausreißer bei Produktpreisen zu identifizieren. Bysort t: egen aveprice Mittelwert (Priceobs) reg priceobs aveprice wenn prodid 1 vorhergesagt resid1, residual reg priceobs aveprice wenn prodid 2 prognostizieren resid2, residual reg priceobs aveprice, wenn prodid 3 prognose resid3, residual twoway (line resid1 t, wenn prodid 1) (line Priceobs t, wenn prodid 2) (line resid2 t, wenn prodid 2) (Zeile residu t, wenn prodid 2) Title (Die Residuen sind eindeutige Indikatoren für Ausreißer) Legende (off) Schließlich lassen wir Beobachtungen mit Residuen fallen, die größer als 1,5 Standardabweichungen vom Mittelwert sind. Qui forv i1200 reg priceobs aveprice if prodid ich prognostiziere residtemp, residual sum residtemp ersetzen flag ((residtemp-r (mean) gtr (sd) 1.5 residtemp-r (mittel) drop residtempLets sehen, wie es funktioniert: two (scatter priceobs t if Prodid 2) (scatter priceobs t, wenn prodid 2 amp flag1.msymbol (lgx)) title (Jetzt nur versuchen, einige endgültige Ausreißer entfernen) Legende (aus) Plotten Produkt 1 Preise relativ zu Ausreißern Priceobs t, wenn prodid i) Endlich fallen die Ausreißer fallen, wenn Flag Ein endgültiger Graph globalen Twograph forv i 16 globalen Twog (Scatter Priceobs t, wenn prodid i) twoway twograph, Legende (off) Titel (Observed Preisentwicklung für die ersten sechs Produkte) Nicht als Ich habe eine scheinbar einfache Frage, die mir einige Mühe gibt. Die folgende Tabelle ist ein Stück meines Datensatzes, die auf feste Akquisitionen ist. Wert-Transaktion Ist der Preis gezahlt, um eine bestimmte Firma erwerben, ist acquiror id eine eindeutige ID für einen Acquirer, und Datum ist das Datum einer Akquisition. Ich möchte den gleitenden Durchschnitt des Transaktionswertes von Akquisitionen eines Unternehmens in den letzten 4 Jahren zu berechnen. Es scheint hier zwei Probleme zu geben. Das erste ist, dass Datum in Tagen aufgezeichnet wird, und ich möchte den gleitenden Durchschnitt in Bezug auf Jahre haben. Zweitens, wie Sie sehen können, nicht jedes Unternehmen mehrere Angebote. Zum Beispiel hat acquirorid919 keine Akquisition in der Vergangenheit. Für diese Fälle möchte ich den gleitenden Durchschnitt, um einen Wert von 0 zu melden. Nach dem Zeitreihen-Handbuch und anderen Threads, habe ich die folgende Anmerkung, dass 1460 entspricht der Anzahl der Tage von vier Jahren 3654. Dieser Code erzeugte jedoch einen Fehler Dass 1460 außerhalb des zulässigen Bereichs liegt. Sie wissen, durch eine Chance, wie es zu lösen Es scheint, dass tssmooth ma eine Grenze von knapp 1000 für seine Fenster () - Option auferlegt. Dies ist nur ein rollender Durchschnitt, aber seine hübsche Besetzung über solch ein langes Fenster. Ich war im Begriff zu verkünden, dass tsegen (von SSC) wurde gerade aktualisiert, um Statas Grenze von 100 einzigartige Zeitreihen-Operatoren in einem Befehl zu überwinden. Heres ein Beispiel, wie man es verwenden, um Ihre rollenden Durchschnitt zu generieren Ich weiß nicht, was Sie wollen, indem Sie den gleitenden Durchschnitt in Bezug auf Jahre. Vielleicht ist es genug, um einfach kollabieren die Daten pro Jahr Vielen Dank Robert Das war ein großartiges Beispiel. Der Befehl: wirklich, was ich erwartet hatte. Ich wusste nicht, dass tsegen existierte. Von nun an werde ich es in enge Berücksichtigung jedes Mal, wenn ich mit Zeitreihen-Daten arbeiten Das letzte Stück Code, die Sie vorgeschlagen didnt genau auf meine Sache anwenden, weil der Durchschnitt, den ich suchte war nicht auf das Kalenderjahr, sondern auf der Grundlage basiert 365 vor einem bestimmten Datum. Danke wieder Zuletzt bearbeitet von Riccardo Valboni 30 Mai 2015, 04:53. Hallo Robert, erkannte ich plötzlich, dass es ein Problem gibt, wenn ich versuche, den rollenden Durchschnitt für 5 Jahre zu berechnen. Stata gibt einen Fehler, der besagt, dass es zu viele Elemente in der Numliste gibt. Aber ich las Hilfe Grenzen und es sagt, dass die maximale Anzahl von Elementen in einer Numliste 2500 sein sollte. Während für 5 Jahre sind sie 1825. Denken Sie, dass ich etwas falsch gemacht, oder könnte, dass ein Fehler 30 Mai 2015, 07:27 Nun youve stolperte über eine andere obscur Begrenzung mit Numlisten assoziiert. Ein Update ist auf dem Weg zu Kit Baum. In der Zwischenzeit können Sie um die Einschränkung Kreis um 30 May 2015, 10:52 Genius Lösung Es funktionierte perfekt. 05 Jun 2015, 08:08 Eine neue Version von tsegen, die das in 4 erwähnte Problem behebt, ist jetzt bei SSC erhältlich. Um zu aktualisieren, geben Sie das Statas-Befehlsfenster ein: Um tsegen von scratch zu installieren, geben Sie 05 Jun 2015, 08:58 Robert, dank Ihnen und Nick für die Erstellung und Pflege - tsegen-. Es ist eine große Lösung für so viele der Probleme, die zu diesem Forum gebracht werden. Meine einzige Sorge ist, dass seine so nützlich, wenn es fängt an, ich fürchte, es wird dieses Forum aus dem Geschäft 05 Jun 2015, 09:47 Vielen Dank für die freundlichen Worte, gibt mir warme Fuzzys, wie meine Tochter sagen würde.