在经管社科的实证研究中，你是否正面临这样的困境：理论原理一知半解，软件操作磕磕绊绊，论文复现无从下手，而对前沿方法更是望而生畏？

当你的同龄人还在用传统方法处理数据时，你是否想过借助AI的力量，让自己的研究效率实现质的飞跃？2026年的学术竞争，已不再是单纯的数据堆砌，而是对工具、效率和洞察力的综合考验。

碎片化的学习无法解决根本问题。一项完整的实证研究能力，必须构建在 “方法原理、软件操作、学术论文与前沿应用”​ 四位一体的框架之上。如今，AI技术的赋能更为这一框架注入了全新活力。

为此，我们精心打造了2026年Stata寒假初高级特训课程，旨在通过6天密集学习，为你系统构建“AI赋能 + 原理剖析 + 实操演练 + 论文实战 + 前沿应用”的全链路科研能力。

这不仅是一堂软件课，更是一场关于科研范式的革命。它将彻底颠覆你对数据分析的传统认知，让你掌握用AI驱动Stata的全新技能，在6天内完成从入门到精通的蜕变。

AI的爆发，为我们提供了打破瓶颈的契机。学会如何利用AI与Stata协同工作，将成为你未来科研的核心竞争力。这不仅意味着效率的提升，更意味着研究思路的拓展和深度的挖掘。

Stata特训课程自2011年开设至今已经来到第15年第31期

2026新课纲、新升级，且全面加入AI赋能

开课信息：

上课时间：初级：1月21-23日 (三天)，高级：1月25-27日 (三天)

上课方式：杭州现场/ 同步在线直播直播；提供录播回放

课程资料：含完整代码、数据、范例论文及AI提示词

课程提供：电子版发票，通知及课时证明结业证书

PS：参加现场班提供交通住宿指南及会场酒店住宿协议价（现场限30人）~

授课嘉宾：

崔百胜，上海师范大学教授，厦门大学经济学博士。经管之家学术培训Stata金牌讲师。

主要研究领域为货币理论与政策、动态一般均衡模型、空间计量经济学。主持国家社会科学基金项目，教育部人文社会科学基金项目，以及上海市教委科研创新项目等在内的多项课题。在CSSCI、SSCI期刊发表学术论文50余篇。参与编写《空间计量经济学——现代模型与方法》、《空间计量经济学——实证研究与软件实现》、《计量经济分析与Stata应用》、《经济计量研究指导——实证分析与软件实现》等专业畅销教材。

课程核心特色：五位一体，构建实证研究硬实力

1. AI赋能：从“学习者”到“人机协同研究者”的蜕变

本课程绝非简单介绍AI工具，而是将AI深度融入学习全流程：

• 智能编程助手：学习如何用AI快速生成数据清理、模型估计代码，并将自然语言需求转化为精确的Stata命令。
• 深度调试专家：当代码报错时，AI能帮你精准定位错误根源，提供修改方案，极大降低学习门槛。
• 结果解读伙伴：将复杂的回归结果交给AI进行初步解读，辅助你提炼经济学含义，激发研究灵感。
  

2. 原理剖析：告别“黑箱”操作，知其然更知其所以然

从OLS的假设到GMM的估计原理，从平行趋势到局部随机性的内在逻辑，确保你不仅会“点鼠标”，更能理解模型适用的边界与灵魂。

3. 实操演练：提供全套代码与数据，现场重现研究过程

我们为每个知识点配备完整的案例数据集与do文件。讲师将带领学员一步步操作，从数据导入、清理、模型估计到结果输出，确保每位学员都能在课堂上亲手重现整个研究流程，将知识转化为动手能力。

4. 论文应用：对标22篇论文，掌握实战应用

课程将紧扣 《中国工业经济》、《数量经济技术经济研究》、AER等22篇中外顶刊的实证案例，深度解析其模型选择与结果展示的规范。你将学习如何将Stata输出结果，转化为符合学术规范的图表与论述，直指论文发表要求。

5. 前沿应用：聚焦学术热点，解锁复杂计量工具

课程高级部分将重点讲解当前实证研究中的前沿方法，如异质性DID、断点回归、合成控制、面板向量自回归以及机器学习与因果推断的交叉应用，助你占领学术创新的制高点。

课程大纲精华速览：

第一部分：初级课程（3天）—— 夯实实证研究基石

• 模块一：AI赋能的Stata基础与数据处理
  
  • 原理：实证分析规范流程与Stata核心逻辑。
  • 操作：数据导入、清理、转换、合并的自动化流程；AI辅助数据预处理。
  • 论文应用：Wind/CFPS数据转换为标准面板数据。
    
• 模块二：核心计量模型与因果推断初探
  
  • 原理：内生性与工具变量法、中介/调节效应、静态面板与DID原理。
  • 操作：IV、2SLS、GMM估计；sgmediation2命令；reghdfe高维固定效应。
  • 论文应用：复现政策效应、企业金融化等经典论文。
    

第二部分：高级课程（3天）—— 进军学术创新前沿

• 模块三：复杂面板数据与因果识别策略
  
  • 原理：动态面板、非线性面板、因子模型等前沿理论。
  • 操作：差分/系统GMM、面板门槛模型、PVAR模型、交互固定效应。
  • 前沿应用：Bartik工具变量、共同因子模型等。
    
• 模块四：前沿因果推断与机器学习交叉
  
  • 原理：异质性DID的识别问题、断点回归设计、机器学习预测与推断。
  • 操作：Bacon分解、堆叠回归、合成控制法；Stata与H2O平台集成（随机森林、Lasso等）。
  • 论文应用：复现经济增长、技术创新等前沿主题论文。
    

谁适合参加本次课程？

• 经管、社科、公共卫生等领域的高校教师、博士生、硕士研究生及高年级本科生。
• 希望系统学习Stata、提升实证研究能力，并渴望将AI技术融入研究流程的科研工作者。
• 旨在短期内突破论文方法论瓶颈，冲击高水平期刊的学术爱好者。
  

【初级班】

第1讲 Stata基础操作（3h）

1.1 实证分析的规范流程

1.2 Stata软件快速入门

1.3 AI赋能Stata学习实例

1.4 Stata菜单操作

1.5 Stata路径设定与修改：sysdir和adopath

1.6 Stata外部命令科学管理与更新

1.7 各类文件的合理组织：do文件、ado文件和数据文件

1.8 Stata命令与帮助文件

1.9 do文件创建与优化

第2讲 数据处理与科学绘图（3h）

2.1 数据处理准备

2.1.1 各类数据导入与导出

2.1.2 整理、提取和变量转换

2.1.3 离群值、文字变量的处理

2.1.4 AI辅助数据处理

2.2 合并、转换与堆叠

    2.2.1 纵向与横向数据合并

    2.2.2 数据转换

    2.2.3 数据堆叠与面板数据构建

    2.2.4 AI辅助合并与匹配

2.3 数据清理

    2.3.1 单变量清理

    2.3.2 多变量清理

    2.3.3 AI自动化数据清洗

2.4 缺失值与补漏方法集成

2.5 数据清理实操

    2.5.1 主流数据库：Wind数据转换为Stata面板数据

    2.5.2 微观调查类数据处理：以CFPS数据为例

2.6 Stata数据的科学绘图

2.6.1 基础图形命令应用

2.6.2 面板数据的动态显示

2.6.3 交错事件面板数据图形

2.6.4 系数及系数差异的可视化呈现

2.6.5 分仓散点图与分仓回归

2.7 例文软件实现与解读：

① Cattaneo M D, Crump R K, Farrell M H, et al.Onbinscatter[J]. American Economic Review, 2024, 114(5): 1488-1514.

② 李磊,王天宇.“孔雀东南飞”:经济高质量发展与人才流动[J]. 数量经济技术经济研究, 2023, 40(2): 5–24.

第3讲 Stata程序与编程（3h）

3.1 局域暂元与全局暂元

    3.1.1 global的使用技巧

    3.1.2 local的几种常用方法

    3.1.3 AI提升暂元应用技能

3.2 条件与循环语句

    3.2.1 巧用if嵌套语句

    3.2.2 循环语句

    3.2.3 AI辅助语句解读

3.3 程序编写规范与语法解析

    3.3.1 Stata程序结构

    3.3.2 程序参数解析

    3.3.3 程序返回值

    3.3.4 标准语法解析

    3.3.5 参数类型验证

    3.3.6 AI智能编写Stata程序

3.4 ado文件与hlp文件

   3.4.1 ado文件编写规范

   3.4.2 标准帮助文件的编写

3.5 Stata编程示例: LM和GMM估计的代码编程

第4讲 线性回归模型、内生性与工具变量法（3h）

4.1 regress估计、结果解释与边际效应

4.2 如何正确使用稳健与聚类-稳健标准误

4.3 Wild cluster bootstrap

4.4 自变量相对重要性的Shapley分解

4.5 AI辅助识别内生性与修正

4.6 IV估计量：IV、2SLS和GMM

4.7 恰好与过度识别模型的IV估计

4.8 弱工具变量检验

4.9 弱工具变量的稳健推断

4.10 IV和OLS估计系数差异分解

4.11 例文软件实现与解读：

③ 尹志超等. 农村劳动力流动对家庭储蓄率的影响[J]. 中国工业经济,2020.

④ Ishimaru S. Empirical decomposition of the iv-olsgap with heterogeneous and nonlinear effects[J]. Review of Economics andStatistics, 2024: 1-16.

第5讲 因果推断经验研究中的中介效应与调节效应（3h）

5.1 中介效应模型的现行做法与检验

5.2 中介效应检验的反思

5.3 中介效应分析的操作建议

5.4 中介效应估计新命令：sgmediation2

5.5 具有工具变量的中介效应分析

5.6 基于结构方程模型的中介效应分析

5.7 AI赋能中介效应分析

5.8 调节效应与异质性分析

5.9 调节效应分析的操作建议

5.10 例文软件实现与解读：

⑤ 孙伟增,毛宁,兰峰等.政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].中国工业经济,2023.

⑥ 曹伟,綦好东,赵璨.企业金融资产的配置动机：基于产权性质与异质性股东参股的分析[J].中国工业经济,2023.

⑦ Braghieri L, Levy R,Makarin A. Social media andmental health[J]. American Economic Review, 2022.

第6讲 静态面板数据模型与双重差分法（3h）

6.1 估计量比较：混合OLS、组内、组间与一阶差分

6.2 模型选择检验：固定效应or随机效应模型

6.3 Stata19新功能：相关随机效应（CRE）模型与Mundlak设定检验

6.4 面板数据内生性与IV估计

6.5 高维固定效应模型：reghdfe

6.6 AI辅助静态面板数据模型的估计、模型选择与结果解释

6.7 全面的稳健性分析

6.8 双重差分的7种估计方法

6.9 双重差分法的平行趋势检验与安慰剂检验

6.10 Stata时间-空间维度安慰剂检验新命令

6.11 多期双重差分的估计与规范作图

6.12 三重差分估计如何检验平行趋势

6.13 例文软件实现与解读：

⑧ 曹友斌,郭峰.新城建设、土地溢价与空间错配——以国家级新区为例.中国工业经济，2025.

⑨ 曹清峰.国家级新区对区域经济增长的带动效应——基于70大中城市的经验证据.中国工业经济,2020.

【高级班】

第7讲 长面板与动态面板数据模型（3h）

7.1 长面板估计策略

7.2 长面板估计方法选择：稳健 vs. 效率

7.3 组内自相关与组间同期相关检验

7.4 偏差校正LSDV估计

7.5 面板工具变量估计法

7.6 工具变量高维固定效应面板

7.7 动态面板数据的差分与系统GMM估计

7.8 不规则时间间隔的动态面板数据

7.9 Bartik工具变量在因果识别中的应用与检验

7.10 AI赋能长面板与动态面板数据模型学习案例

7.11 例文软件实现与解读：

① Acemoglu D, Naidu S, Restrepo P, et al. Democracy does cause growth.Journal of political economy, 2019.

② Borusyak K, Hull P, Jaravel X. Quasi-experimental shift-shareresearch designs[J]. The Review of Economic Studies, 2022.

第8讲 非平稳与非线性面板数据模型（3h）

8.1 跨截面相依检验

8.2 面板单位根检验

8.3 面板协整检验

8.4 异质性数据的面板Granger检验-xtgrangert

8.5 静态面板门槛数据模型

8.6 具有内生性与门限效应的动态面板数据模型

8.7 共同因子数量测度

8.8 具有共同相关因子的动态面板数据模型

8.9 面板交互固定效应的处理效应估计

8.10 面板向量自回归模型（PVAR和XTVAR）

8.11 AI赋能非平衡与非线性面板数据模型学习案例

8.12 例文软件实现与解读：

③Ditzen J., Estimatinglong run effects and the exponent of cross-sectional dependence: an update toxtdcce2, The Stata Journal,2021.

④ 王维国,王鑫鹏.创新转化效率、要素禀赋与中国经济增长[J].数量经济技术经济研究,2022.

⑤ Li X., Shen Y., Zhou Q., Confidence interverbal oftreatment effects in panel data models with interactive fixed effects, workingpaper, 2024

第9讲 因变量受限的面板数据模型（3h）

9.1 面板二值选择模型

9.2 面板logit的边际效应与处理效应

9.3 面板混合选择模型：cmxtmixlogit

9.4 面板Tobit模型

9.5 面板计数模型：泊松与负二项模型

9.6 多项选择面板回归模型

9.7 高维固定效应泊松面板模型

9.8 动态面板Probit模型

9.9 非平衡面板的动态面板Probit模型

9.10 AI赋能因变量受限的面板数据模型学习案例

9.11 例文软件实现与解读：

⑥ 吴小康,于津平.科技中介与全国统一技术大市场建设[J].数量经济技术经济研究,2023.

第10讲 异质性DID模型（3h）

10.1 如何在多期与处理时间变化时，选择合适的DID估计量？

10.2 负权重的诊断：de Chaisemartin and D’Haultfoeuille 分解

10.3 禁止比较组的诊断：Bacon分解

10.4 组别-时期平均处理效应估计：csdid和did_multiplegt

10.5 插补估计量：did_imputation

10.6 堆叠回归估计量：stackedev

10.7 通过TWFE的事件研究：eventstudyinteract与jwdid

10.8 Stata官方异质性双重差分命令：xthdidregress

10.9 放松或允许违背平行趋势假设

10.10 稳健性推论和敏感性分析

10.11 异质性处理效应应用建议

10.12 AI赋能异质性DID学习案例

10.13 例文软件实现与解读：

⑦ De Chaisemartin C, d’Haultfoeuille X. Two-way fixedeffects and differences-in-differences with heterogeneous treatment effects: Asurvey[J]. The Econometrics Journal, 2023.

⑧ Roth J, Sant’Anna P H C, Bilinski A, et al. What’s trending indifference-in-differences? A synthesis of the recent econometrics literature,Journal of Econometrics, 2023.

⑨ 余长林,马青山.特高压输电与区域经济发展——来自特高压工程的经验证据[J].数量经济技术经济研究,2023.

第11 讲 断点回归与合成控制（3h）

11.1 精确断点回归

11.2 断点回归的检验（连续性检验、安慰剂检验）

11.3 模糊断点估计

11.4 多断点回归

11.5 断点回归设计的实证指南:操作规范、应用误区与实践拓展

11.6 聚束效应-另类断点回归-bunching

11.7 合成控制法

11.8 非参数合成控制法

11.9 合成控制与合成双重差分的比较

11.10 AI赋能断点回归与合成控制学习案例

11.11 例文软件实现与解读：

⑩ 黄炜, 向科谚, 袁洛琪. 断点回归设计的实证指南:操作规范、应用误区与实践拓展, 数量经济技术经济研究, 2025

⑪ 席鹏辉, 李瑶. 战略性新兴产业发展与重点税源维护：基于断点回归的证据, 数量经济技术经济研究, 2025.

⑫ Clarke, D Pailañir, S. Athey and G. Imbens. SyntheticDifference-in-Differences Estimation. IZA Discussion Paper, 2023.

第12讲 基于机器学习的因果推断（3h）

12.1 机器学习：决策树与集成算法

12.2 Stata与机器学习集成：h2ml命令应用

      12.2.1 H2O数据准备

      12.2.2 变量选择与交叉验证

      12.2.3 h2oml rf：用于回归和分类

      12.2.4 h2oml gbm：用于回归和分类

      12.2.5 h2oml估计后检验：混淆矩阵

      12.2.6 h2omlgof:机器学习模型拟合比较

12.3 Lasso与ridge、 elasticnet的应用比较

12.4 Lasso用于预测和因果推断

      12.4.1 变量选择与系数估计

      12.4.2 获得标准误

12.5 不同结果变量的Lssso推断命令

      12.5.1 连续结果变量

      12.5.2 两元选择结果变量

      12.5.3 计数结果变量

12.6 系数解释：边际效应、对比、获胜率、发生率

12.7 实例：探讨母亲教育和吸烟习惯对出生体重的影响

12.8 扩展Lasso模型

      12.8.1 adaptive Lasso

      12.8.2 ivlasso

      12.8.3 pdslass

      12.8.4 dslasso

12.9 AI辅助Lasso在预测与因果推动中的应用

12.10 例文软件实现与解读：

⑬ Ahrens A, Hansen C B, Schaffer M E.lassopack: Model selection and prediction with regularized regression inStata[J]. The Stata Journal, 2020, 20(1): 176-235.

投资6天，赋能整个学术生涯：

本次课程是你科研道路上的一次高效投资。我们承诺提供：

• 系统的知识体系：告别碎片化学习，构建从基础到前沿的完整知识树。
• 珍贵的实战资料：包含全套课件、代码、数据及22篇范例论文，AI提示词。
• 持续的交流平台：与授课老师、优秀学友建立联系，获得持续的学术支持。
  
  

学术圈的贫富差距，就是从寒假这6天开始拉开的。

立即行动，为你的2026年科研工作开启一个高起点！

试听及报名：

尹老师​​

电话：13321178792

QQ：42884447

WeChat：JGxueshu