今年约一场高级计量Stata之因果推断盛宴吗

资料狂人

9965

收藏 2023-04-06

陈强老师2025年4天现场班

“将因果推断进行到底！”

2024年新课纲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。

通过10月1-4日四天心无旁骛的现场沉浸式学习，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。

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。

高级计量Stata之因果推断

课程信息：

时间：2025年8月7-10日（四天）

地点：北京市

授课方式： 陈强老师面授四天+课后无时限亲自答疑

课程资料：课程PPT、数据集、do文档及相关论文。

讲师介绍：

陈强，分别于1992年与1995年获得北京大学经济学学士与硕士学位，2007年获美国Northern Illinois University数学硕士与经济学博士学位，现任山东大学经济学院教授，博士生导师。主要研究领域为计量经济学、机器学习、经济史。已发表论文于Oxford Economic Papers (lead article)，Economica，Journal of Comparative Economics，Stata Journal，《经济学(季刊)》、《世界经济》等国内外期刊。著有畅销教材《高级计量经济学及Stata应用》（第2版，2014），《计量经济学及Stata应用》（2015），《机器学习及R应用》（2020）与《机器学习及Python应用》（2021）。2010年入选教育部新世纪人才支持计划。

培训目的：

掌握高级计量经济学因果推断的核心方法及Stata操作，不再茫然，知其然而知其所以然，迅速成为处理数据及定量分析的高手。正如许多学员所说，士别四日，或刮目相看！Now or Never！

课程资料：

课程PPT、数据集、do文档及相关论文。

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（PenalMatch; 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）。

课程费用及优惠：

5200元 /4800元(学生价,仅限全日制在读本科和硕士)；食宿费用自理~

提供电子版发票及电子版通知，纸质版结业证书~

根据缴费顺序安排座位！！！

现场班老学员9折优惠；
同一单位三人以上同时报名9折优惠；

同一单位六人以上同时报名8折优惠；