对于计量，我们是认真的~

陈强 亲授

直指人心，登堂入室。

运用之妙，存乎一心。

士别四日，刮目相看。

Now or Never!

特色 #1 通过四天心无旁骛的学习，全面而深入地了解高级计量学在因果推断方面的最新方法及Stata案例实操。这是其他短期培训所无法比拟的。
特色 #2  在夯实计量理论基础的同时，迅速将学员们拉到当代计量实证研究的最前沿，使学员们可以先知先觉、决胜未来。
特色 #3 现场班全程由经典教材《高级计量经济学及Stata应用》的作者陈强教授主讲。你或许知道该书因条理清晰、通俗易懂、深入浅出而好评如潮，但只有上过陈强老师课的学生才能体会到，陈老师的现场授课所具有的直指人心之独特魅力，帮助学员立刻进入高级计量的境界，融会贯通，恍然大悟。

如果想知道陈强老师的高级计量现场班究竟是怎么回事，不妨让我们来回顾上上期现场班的精彩细节吧……

那些天我们一起追的计量：陈强老师的2020国庆高级计量及Stata现场班侧写

2020年注定是不平凡的一年。尽管如此，2020年10月1日，依然有110多名学子齐聚北京，慕名参加山东大学陈强教授的高级计量经济学及Stata应用现场班。这些学员来自全国不同高校与科研机构，专业分布则遍及经管与社会科学的各学科。连续数天，学员们如饥似渴地聆听陈强教授分享高级计量经济学的精髓与前沿，然后满载而归。

图1. 110多位参班学员认真听课

10月1日上午，陈强教授开场即感慨，“去年国庆节我也在北京讲课，当时正值祖国七十周年华诞，大家都很开心。一年以来，发生了很多事情，但无疑再次证明了祖国的伟大！”。陈老师随后将计量经济学的精髓知识，由浅入深，如数家珍，娓娓道来，丝丝入扣，环环相连，再结合Stata实战与经典案例，不时让学员们豁然开朗，感受顿悟的喜悦。

图2. 授课ing

课程简介：

      自从2010年我的研究生教材《高级计量经济学及Stata》出版以来，受到了广大读者的热烈欢迎。天南海北的读者来信，既有大学的青年教师，也有普通院校的硕博、甚至本科生，在庆幸有此集理论与操作一体、便于自学的计量教材之余，也十分渴望有面授的机会，能够迅速掌握高级计量与Stata的真谛、游刃有余地进行实证分析。为此，经管之家论坛的同仁力邀我于2013年10月在北京首次开设高级计量及Stata现场班。在四天的现场班期间，学员们上课无不聚精会神，课下则积极提问。看到大家豁然开悟的表情，透着如获至宝的喜悦，四天密集教学的辛劳早已如浮云飘散。

       本次高级计量经济学及Stata现场班，将根据多次现场班的反馈进一步完善。在课程内容的设计上，主要指导思想是在较短时间内，将高级计量及Stata的精髓及核心内容，以最通俗生动的语言以及大量的案例交给学员。在夯实计量理论基础的同时，特别注重因果推断的具体应用，迅速将学员们拉到当代计量实证研究的最前沿。由于学员的基础不同，本课程仅对学员背景做最低要求，即假设学员知道概率统计及少量线性代数，但不要求学过计量经济学或Stata操作。因为“大道至简至易”，初级计量与高级计量的本质是一样的，学子们最需要的是能够直指人心地洞明计量原理与操作工具，然后得心应手地用于实战（而非完成习作）。正如许多学员所说，士别四日，或刮目相看！Now or Never！

课程大纲：

第1讲，随机实验与自然实验。

随机实验是实证研究的黄金标准。

内容：随机实验，自然实验，内部有效性，外部有效性，最小二乘法（OLS），二值选择模型（Probit，Logit）。

案例：班级规模与学习成绩（Hanushek,1999），种族与就业歧视（Bertrand and Mullainathan, 2004），就业经历与未来就业（Pallais, 2014），最低工资与劳动力需求（Card and Krueger, 1994），参军与长期收入（Angrist, 1990）。

第2讲，工具变量法。
工具变量法是解决内生性的通用方法。
内容：2SLS，LIML，GMM，弱工具变量，过度识别检验，排他性约束，内生性检验，移动份额工具变量法(shift-share IV，即Bartik IV），异质性工具变量法（局部处理效应，LATE）。

案例：出生季度与教育年限（Angrist and Krueger,1991）；殖民者死亡率与制度（Acemoglu et al., 2001）；经济增长与非洲内战（Miguel et al., 2004）；国企改革的作用（Groves et al., 1994）；警察与犯罪率（Levitt, 1997）；科举制对人力资本积累的长期影响（Chen et al., 2020）；美国年轻男子的教育回报（Griliches, 1976）；进口竞争对美国当地劳动力市场的影响（Autor et al., 2013）。

第3讲，匹配估计量。

本讲介绍基于非混杂性（unconfoundedness）的一系列估计方法。非混杂性意味着，若控制处理前的特征（pretreatment characteristics），则处理变量不再有内生性。

内容：匹配估计，倾向得分匹配（PSM; Rosenbaum and Rubin, 1983; Abadie and Imbens, 2016），回归调整法（regression adjustment；也称结果回归，outcome regression），逆概加权法（inverse probability weighting），双重稳健估计（doubly robust estimation）。

案例：就业培训的处理效应（LaLonde, 1986; Dehejia and Wahba, 1999）。

第4讲，断点回归与拐点回归。

由于在断点附近存在局部随机分组，故断点回归的效力接近于随机实验，日益为研究者所青睐（Thistlethwaite and Campbell, 1960; Imbens and Kalyanaraman, 2009; Calonico et al., 2014）。

内容：精确断点回归，模糊断点回归，密度（操纵）检验，稳健性检验，拐点回归（Nielsen et al., 2010; Card et al., 2015a, 2015b）。

案例：冬季燃煤取暖与人均寿命（Chen et al., 2013）；扶贫政策的效应（Meng, 2013）；买房落户与户口价值（Chen et al., 2019）；美国参议院选举的在位者优势（Cattaneo et al., 2015）。

第5讲，合成控制法。

在评价某处理地区的政策效应时，将控制地区进行最优的线性组合，以构造合成控制地区进行对比，这是估计处理效应的流行方法（Abadie and Gardeazabal, 2003; Abadie et al., 2010）。

内容：比较案例分析，合成控制法，空间安慰剂检验，时间安慰剂检验，混合安慰剂检验（Chen and Yan, 2023），留一稳健性检验。

案例：马里矣尔船运（Mariel boatlift；Card, 1990）；西班牙巴斯克地区恐怖活动的经济后果（Abadie and Gardeazabal, 2003）；加州控烟法的成效（Abadie et al., 2010）；德国统一的政策效应（Abadie et al., 2015）。

第6讲，回归控制法。

与合成控制法类似，但回归控制法使用回归法来构成反事实的控制地区（Hsiao et al., 2012; Hsiao and Zhou, 2019），比合成控制法更为简便易行。

内容：回归控制法，安慰剂检验，含协变量的回归控制法，分位数控制法（Quantile Control Method; Chen et al., 2023）。

案例：香港回归及与中国内地经济整合的效应（Hsiao et al., 2012）；德国统一的政策效应（Abadie et al., 2015）；四万亿经济刺激的效应（Ouyang and Peng, 2015）；上海与重庆房产税试点的效应（Du and Zhang, 2015）；高铁开通的政策效应（Ke et al., 2017）；房票政策的房价效应（方诚、陈强，2021）。

第7讲，两期DID。

这是最基本的双重差分法模型，也是理解DID的基石。

内容：差分估计量，双重差分估计量，平行趋势假定（Parallel Trend Assumption, PTA），条件平行趋势假定（Conditional PTA），双向固定效应模型，PSM-DID（Heckman et al., 1997, 1998），逆概加权估计（Abadie, 2005），双重稳健估计（Sant’Anna and Zhao, 2020）。

案例：伦敦霍乱的自然实验；就业培训的政策效应（Ashenfelter, 1978）；最低工资立法与劳动力需求（Card and Krueger, 1994）。

第8讲，经典多期DID。

经典多期DID模型包括两组（即处理组与控制组）与两时段（即处理前与处理后），而个体受政策冲击时间均相同；故也称为经典2x2DID。多期DID使得平行趋势假定的检验成为可能，且可使用事件分析法（event study）考察动态处理效应。

内容：平行趋势图，平行趋势检验，安慰剂检验，分组异质性，多期PSM-DID。

案例：漕粮海运与大运河沿线叛乱（Cao and Chen, 2022）；人工智能翻译与国际贸易（Brynjolfsson et al., 2019）。

第9讲，交叠DID。

在交叠DID（Staggered DID）模型中，个体受政策处理时间不尽相同，但处理状态不可逆（irreversible treatment），即处理变量只能由0变为1，而不能从1变为0（即不允许政策退出），也称为“吸入式处理”（absorbing treatment）。在此框架下，若存在异质性处理效应（处理效应随个体或时间而异），则双向固定效应模型一般会有偏差，需使用异质性稳健的估计量，即在异质性效应情况下依然成立的估计方法。

内容：静态回归系数的Bacon分解（Goodman-Bacon, 2021），动态回归系数的Sun-Abraham分解（Sun and Abraham, 2021），交互加权估计（Interaction Weighted Estimation; Sun and Abraham, 2021），CSDID估计（Callaway and Sant’Anna, 2021，含结果回归、逆概加权估计，默认为双重稳健估计），二阶段DID（DID2S; Gardner, 2022），扩展TWFE估计（Wooldridge，2021），堆叠回归（Stacked Regression; Cengiz et al., 2019）。

案例：银行管制放松与收入分配（Beck et al., 2010）；住院治疗的经济后果（Sun and Abraham, 2021）；最低工资对青少年就业的影响（Callaway and Sant’Anna, 2021）；最低工资对低薪岗位的影响（Cengiz et al., 2019）。

第10讲，一般DID与连续DID。

在一般DID（General DID）模型中，个体受政策处理时间不尽相同，且处理状态可逆（reversible treatment），即允许政策退出（处理变量可由1变为0）。在连续DID模型中，有时所有个体都受到处理，但政策冲击力度不同，可将处理变量视为连续变量（continuous treatment）。

内容：一般DID的估计方法，包括即时处理效应估计（DIDm; de Chaisemartin and d'Haultfœuille, 2020），面板匹配估计（Penal Match; Imai et al., 2019），插补估计量（Imputation Estimator; Borusyak et al., 2022），反事实估计量（Liu et al., 2022），连续DID的估计方法（Callaway et al., 2021）。

案例：新闻报纸与总统选举投票率（Gentzkow et al., 2011）；央地执政党异同与央地拨款（Liu et al., 2022）；茶叶价格与性别比例（Qian, 2008）；废除科举与革命起义（Bai and Jia, 2016）。

第11讲，DDD与合成DID。

如果平行趋势假定不成立，一种解决方法是同时使用两个控制组，即三重差分法（DDD; Gruber, 1994; Olden and Moen, 2022）。另一解决方法是，对控制组个体进行加权，使得加权后的数据满足平行趋势假定，即合成双重差分法（synthetic DID; Arkhangelsky et al., 2022）。

内容：DDD模型与识别条件，合成DID的模型与估计。

案例：将生育纳入雇主提供医保的政策效应（Gruber, 1994）；加州控烟法的成效（Abadie et al., 2010）；女性议员与孕产妇死亡率（Bhalotra et al., 2022）。

第12讲，队列DID（Cohort DID）。

对于横截面的微观数据，如果依时间（比如出生年份）定义的队列或组群（cohorts）受到政策冲击时间有先后之别，则可考虑使用队列DID。

内容：队列DID的模型设定，平行趋势检验。

案例：印尼校园建设与教育投资回报（Duflo, 2001），知青下乡与农村教育回报（Chen et al., 2020）。