2022连享会：Stata高级班

全新内容，等你解锁

目录

⭕ 本次课程相对于往期课程的变化

高级班的内容是 全新 的，包括：广义线性模型、非参数估计、Lasso、回归控制法等。

⭖ 1. Stata 高级班

• 时间： 2022 年 1 月 20-22 日 (三天)
• 方式： 网络直播 + 5 天回放
• 授课嘉宾： 连玉君 (中山大学)
• 授课安排
  (1) 授课方式： 幻灯片+Stata16 实操演示，全程电子板书+Stata 演示截图，课后以 PDF 形式分享给学员
  (2) 授课时间： 上午 9:00-12:00，下午 14:30-17:30 (17:30-18:00 答疑)。
  (3) 全程答疑： 由 10 位经验丰富的同学组成的助教团队会在课程群中全程答疑，并对答疑接龙文档进行详细的记录和分类，公布于 课程主页。
• 课程主页： https://gitee.com/arlionn/PX  微信版
• 报名链接： http://junquan18903405450.mikecrm.com/kILLnGa

⭖ 2. 授课嘉宾

连玉君，西安交通大学经济学博士，中山大学岭南学院副教授，博士生导师。已在《China Economic Review》、《经济研究》、《管理世界》、《经济学(季刊)》、《金融研究》、《统计研究》等期刊发表论文 60 余篇。目前已完成 Panel VAR、Panel Threshold、Two-tier Stochastic Frontier 等计量模型的 Stata 实现程序，并编写过几十个小程序，如 lianxh, ihelp, sftt, winsor2, xtbalance, bdiff, ua 等。连玉君老师团队一直积极分享 Stata 应用中的经验，开设了 连享会-主页，连享会-直播间，连享会-知乎 等专栏，已在微信公众号 (连享会（ID: lianxh_cn）) 分享推文 700 余篇，各平台阅读量逾 1700 万人次。

⭖ 3. 课程导引

改版高级班的想法已经酝酿并准备了一年多，有很多思考，因此，虽然我反复删减，但这个课程介绍似乎仍然有点长。

我想通过梳理实证研究方法的发展趋势，对日后的学习方向和高级班的定位做些解读。

在过去的十年中，实证研究的方法发生了很大的变化。一方面，以「因果推断」为导向，涌现了多种估计方法，如 DID，RDD，匹配，合成控制法，回归控制法，聚束分析法 (bunching) 等；另一方面，得益于大数据和机器学习/统计学习的快速发展，各个领域之间的交叉和融合不断加速。面对此情此景，有些人可以快速适应，而有些人则颇感茫然，甚至担忧自己是否正在被时代抛弃。然而，稍加分析和比对就会发现，上述两个趋势背后并未新增太多令人望尘莫及的高深理论：OLS 仍旧是核心技术，「反事实」则是灵魂，新闯入的好像只有「稀疏性」和「降维」而已。大家会发现，有一些核心的概念和方法频繁地交错出现在各个领域。只要掌握了这些公共的、基础性的方法和理论就能做到「以不变应万变」。

举几个例子：读文献时大家会频繁地见到「交叉验证 (CV)」、「自抽样 (Bootstrap)」、「去一法 (Leave one out, LOO)」这些名词，但论文中往往不会深入解释这些名词的含义和具体的操作方法。因为，作者通常会把这些方法作为「常识」。然而，对于此前未曾接触过这些方法的读者而言，自我怀疑和困惑的心情会始终如影随形，导致对整篇论文的理解大打折扣，甚至不少人会选择中途放弃。事实上，这些方法的原理都很简单，核心思想都是通过「再抽样 (resampling)」来构造经验样本或经验分布，从而完成统计推断。

再比如，在 DID、RDD、SCM、PSM、bunching 等模型中，基本上都会同时采用参数估计和非参数估计，经常会提及「核匹配」、「局部核估计」等名词，其背后其实都对应着「核函数」这个概念，本质也很简单：核函数其实就是一个权重分配机制，离我们的分析对象越近的观察值得到的权重越大，否则越小，文献中使用的数十种核函数虽然形式上很复杂，但其实都近似为 $w=1/D$ ($D$ 表示距离或其函数变换)。考虑的再细致一些就是限制一个范围 $h$，即所谓的「窗宽 (band width)」，以免纳入那些明显无关的观察值，以提高估计的精度。非参估计有其独特优势：不存在模型误设问题；能更好地捕捉非线性特征，等等。因此，了解非参数估计的核心思想和基本模型设定尤为必要。最近在政策评价中的新秀方法「聚束效应分析 (bunching)」中由于涉及局部概率密度的估计，也主要依赖于非参和半参估计。简言之，不了解半参和非参的基本概念，会导致我们为自己关上了一扇门。

在实证分析尤其是基于微观数据的实证分析中，被解释变量经常是离散变量，此时我们研究的目标将从「条件期望」转变为「条件概率」，换言之，我们此时关注：给定 $X$ 后，$Y=1$ (如，读博士) 的概率。由于概率的取值范围介于 0 和 1 之间，传统的线性回归模型无法直接使用，但我们可以对线性部分 $X\beta$ 进行转换，以便让转换后的 $g(X\beta )$ 介于 $0$ 和 $1$ 之间。这就衍生出「广义线性回归模型 (GLM)」。大家平时经常听到的 Logit, Probit, Poisson 模型，甚至 Tobit 模型、生存分析模型等都可以在此框架下进行分析。在机器学习/统计学习的主流教科书中，也都会单列一章介绍 GLM，例如 Hastie et al. (2015, PDF, Chapter 2)。虽然其模型形式稍显复杂，边际效应也不再是常数，但却为系数的经济含义提供了更丰富的信息。在 GLM 架构下，各类离散选择模型都很容易理解，进一步扩展到 Lasso 等惩罚回归以便适应高维数据也很顺畅。简言之，GLM 是因果推断和机器学习中的一个重要组件。

至于机器学习，虽然市面上流行的教科书都会依序讲解十几种常用的方法，诸如判别分析、随机森林、神经网络、支持向量机等，但对于经济、金融领域而言，最为常用的是以 Lasso 为核心的惩罚回归，因为它具有变量筛选的功能，在应对高维数据 ($p>n$) 时非常有用。很多因果推断方法都会纳入 Lasso，如 Lasso-SCM (合成控制法)，Lasso-IV，double maching learning (DML) 等。虽然 Lasso 在技术上有一定的复杂度，但其基本思想却容易接受，Stata 中的实操也非常方便。

3.1 专题介绍（Stata 高级班）

此次高级班共包括六讲：B1 将在广义线性模型架构下介绍 Logit, Probit, Count Data 等离散选择模型，这些模型是随后各讲的基础；B2 从选择性偏差问题入手介绍自选择模型和处理效应模型，它们常用于应对内生性问题；B3 介绍非参数估计的基本思想和估计方法；B4 介绍 Bootstrap, 交叉验证等统计推断he模型筛选方法，是 B5 和 B6 的基础。最后两讲介绍惩罚回归两个非常相似的反事实估计方法。

B1. 广义线性模型 (GLM)

• 从条件期望到条件概率
• 估计方法：MLE
• Logit, Probit 和计数模型 (Count Data models)
• 广义线性回归模型 (GLM)
• 边际效应分析和解读
• Stata 应用：范文 2 篇

B2. 样本选择与自选择 (selection-treatment)

• 截断、截堵与选择性偏差
• Tobit 模型
• Heckman 选择模型
• 处理效应模型
• 两部模型和双栏模型
• Stata 实操：范文 2 篇

B3. 非参数和半参数估计 (NP-SNP)

• 分布函数和密度函数
• 核函数
• 局部线性回归
• 局部多项式回归
• partial linear regression (PLS)
• 应用：

  • AP1：收入分配的时序变化
  • AP2：断点回归分析 (RDD)
  • AP3：核匹配 (Kernel matching)

B4. 基于再抽样的统计推断方法

• Bootstrap (自抽样)
• Jackknife (去一法, LOO)
• 交叉验证 (CV)
• 变量筛选规则：AIC, BIC, MBIC
• 应用：

  • AP1：组间系数差异检验、面板门槛效应检验
  • AP2：回归控制法
  • AP3：Lasso-合成控制法

B5. 惩罚回归 (PR-Lasso)

• Lasso 已经成为变量筛选的一个重要手段。
• 高维数据/大数据的挑战；
• 偏差-方差权衡
• 岭回归、Lasso、弹性网、自适应 Lasso
• 扩展 Lasso 模型

  • adaptive Lasso
  • IV - Lasso
  • Post - Lasso
  • Double robust regression (DR)
  • Double Machine Learning (DML)
• Stata 实操

B6. 回归控制法 (RCM) 与合成控制法 (SCM)

• 回归控制法和合成控制法简介
• Lasso-RCM：基于 Lasso 等惩罚回归的 RCM
• Lasso-SCM：基于 Lasso 等惩罚回归的 SCM
• RCM 与 SCM 的对比
• Stata 范例：

  • Abadie et al. (2010)
  • Hisao (2012)
  • Hsiao and Zhou (2019)
  • Chen and Yan (2021)

⏳ 4. 报名和缴费信息

• 主办方： 太原君泉教育咨询有限公司
• 标准费用：初级班/高级班/论文班单班报名 3700 元/人
• 优惠方案：

  • 现场班老学员单班报名： 9折，3330元/人
  • 会员单班报名： 85折，3145元/人
  • 三班任意两班组合报名： 6100 元/人
  • 全程班报名： 9000 元/人

赠送课程:
A. 我的特斯拉-实证研究设计
B. 动态面板数据模型
C. 我的甲壳虫-论文精讲与重现

赠送方式： 单班报名可在上述课程中选其一，任意两班组合报名可选其二，全程报名全赠。

• 温馨提示： 以上各项优惠不能叠加使用。
• 联系方式：

  • 邮箱：wjx004@sina.com
  • 王老师：18903405450 (微信同号)
  • 李老师：18636102467 (微信同号)

特别提示：

为保护讲师的知识产权和您的账户安全，系统会自动在您观看的视频中嵌入您的「用户名」信息，每个账号只能锁定一台设备进行观看，以切实保护您的权益。

报名链接： http://junquan18903405450.mikecrm.com/kILLnGa

⏩ 长按/扫描二维码报名：

缴费方式

方式 1：对公转账

• 户名：太原君泉教育咨询有限公司
• 账号：35117530000023891 (山西省太原市晋商银行南中环支行)
• 温馨提示： 对公转账时，请务必提供「汇款人姓名-单位」信息，以便确认。

方式 2：扫码支付

温馨提示： 扫码支付后，请将「付款记录」截屏发给王老师-18903405450（微信同号）

⚽ 5. 助教招聘

说明和要求

• 名额： 15 名 (初级、高级和论文班各 5 名)
• 任务：

  • A. 课前准备：协助完成 3 篇介绍 Stata 和计量经济学基础知识的文档；
  • B. 开课前答疑：协助学员安装课件和软件，在微信群中回答一些常见问题；
  • C. 上课期间答疑：针对前一天学习的内容，在微信群中答疑 (8:00-9:00，19:00-22:00)；
  • Note: 下午 5:30-6:00 的课后答疑由主讲教师负责。
• 要求： 热心、尽职，熟悉 Stata 的基本语法和常用命令，能对常见问题进行解答和记录
• 特别说明： 往期按期完成任务的助教可以直接联系连老师直录。
• 截止时间： 2021 年 12 月 31 日 (将于 1 月 3 日公布遴选结果于 课程主页，及 连享会主页 lianxh.cn)

申请链接： https://www.wjx.top/vj/OT8gdao.aspx

扫码填写助教申请资料：

课程主页： https://gitee.com/arlionn/PX