全新内容,等你解锁
目录
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。
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。
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
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
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 (
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)
B2. 样本选择与自选择 (selection-treatment)
B3. 非参数和半参数估计 (NP-SNP)
B4. 基于再抽样的统计推断方法
B5. 惩罚回归 (PR-Lasso)
B6. 回归控制法 (RCM) 与合成控制法 (SCM)
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。
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。
⏩ 长按/扫描二维码报名:
方式 1:对公转账
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)
说明和要求
扫码填写助教申请资料: