一门本科计量经济学课，把材料做成了四层：13 份讲义 PDF、12 套能在浏览器里点着玩的幻灯片、13 个 R 实验（每个都给 .Rmd 和渲染好的网页）、4 套练习题（每套分开放题与选择题两个文件）。课程站在 Yldz 理工大学经济系，2026—27 学年秋季，每周三 10:00 到 12:50，授课的是 Hüseyin Tatan 教授。

这套材料的做法值得注意的地方在第三层：实验不是只给结果，.Rmd 源文件也一起放出来，学生可以改代码、改参数、重跑。

讲义 PDF 13 份，编号 00 到 12，从大纲与导论一直到数据问题与模型误设。

交互幻灯片 12 套，与讲义一一对应但不完全重合（导论部分合并），用 Quarto 构建，页内嵌了 Observable JS，能直接调参数看图形变化。

实验 13 个，Lab 01 到 Lab 13，每个都有 .Rmd 源文件与渲染后的 HTML 两份。前两个实验是装 R 与 RStudio、基本数据分析，之后跟着课次走：简单回归、多元回归估计、t 检验、F 检验、大样本性质、虚拟变量、二值因变量、异方差、模型误设。

练习题 4 套，每套两个 PDF，一个开放题、一个选择题，按覆盖到的最后一讲归位：第 1 套对应 Wooldridge 第 1 至 3 章，第 2 套第 3 至 4 章（不含 F 检验），第 3 套第 4 至 6 章，第 4 套第 7 至 9 章。

第 2 讲叫简单回归模型 I：普通最小二乘估计，10 页，几乎全是推导和术语对照。

开头是模型本身：y = β0 + β1x + u，随即给了一张同义词表——被解释变量与解释变量在教科书里有六种叫法（dependent／explained／response／predicted／regressand 对应 independent／explanatory／control／predictor／regressor）。这种对照看起来琐碎，但对换教材自学的读者很实用，因为不同书的符号习惯不一样。

第 4 页解释误差项 u：它代表 x 之外影响 y 的因素，在简单回归里被当作不可观测。斜率 β1 的含义写得很清楚：其他因素固定（Δu = 0）时，Δy = β1Δx。

第 5 页用农业产量与化肥举例，第 6 页换成工资方程，说明 u 里装的是工作经验、天赋能力、现雇主任期、性别、教育质量、婚姻状况、子女数这类因素。

第 7 页讲线性假设的现实问题：线性意味着 x 变动一单位对 y 的影响与 x 的初始值无关，这在很多经济场景不成立——教育年限的边际回报可能递增，工作经验的边际回报也可能递增。

第 8 到 10 页讲两个假设。第一个是 E(u) = 0，只要模型有常数项，重新定义 β0 就能保证它成立。第二个是零条件均值 E(u|
x) = E(u) = 0：它比"x 与 u 不相关"更强，因为相关系数只测线性关联，u 还必须与 x 的函数（x、√x 之类）不相关。第 11 页用工资方程举例说明它的含义：能力在不同教育水平上的均值必须相同，若认为平均能力随教育年限上升，这个假设就不成立；而能力不可观测，所以无法直接验证。

第 12 页换成化肥实验：肥料施用量若与土地质量无关，假设成立；若肥力高的地块被施了更多肥，误差项的期望会随施肥量上升，假设就不成立。

最后一页起进入估计。先用矩条件：E(y  β0  β1x) = 0 与 E［x(y  β0  β1x)］ = 0，两个方程两个未知数；换成样本矩后解出 β0 =   β1x，代回第二式得斜率估计量 β1 = Σ(xi  x)(yi  ) / Σ(xi  x)。讲义在这里加了一句值得记住的话：带帽子的估计量不是固定量，数据变了它就变。

这些幻灯片不是 PDF 翻页。页面里嵌了 Observable JS，可以拖动参数看回归线怎么动、看样本量变大时估计量的分布怎么收紧。构建工具是 Quarto 1.8.27，一页里能看到 60 多处 reveal 相关脚本与 7 处测验组件。

课件里的写法是先给结论、再给可操作的图，读者不必装任何软件，浏览器打开就能试。这也是它比讲义 PDF 更适合预习的原因：讲义给你推导，交互页给你手感。

Lab 01 是装 R 与 RStudio，Lab 02 做基本数据分析，从 Lab 03 开始每讲配一个实验。

以 Lab 08「OLS 估计量的渐近性质」为例，Rmd 里先讲一致性：要它成立，最关键的是误差项与所有 x 不相关；遗漏重要因素、函数形式误设、解释变量测量误差、反向因果都会让这条失效。文件里有一句判断写得很直白：OLS 可能不一致，这意味着数据再多，平均而言它仍然给你错的答案，多收数据解决不了内生性。

为了让人看到这一点，实验设计了一个模拟：真实关系是非线性的 y = β0 + β1 log(x) + u，然后故意用线性模型去估，样本量从很小一路加到很大，看估计量是不是收敛到错误的值。整份 Rmd 有 11 个代码块，每个都能改参数重跑。

这类实验的价值在于把"不一致"从一句定义变成一条看得见的曲线。

大纲写得很干脆：两次期中各占 30%，期末占 40%，合计 100%。练习题不计分，是练习用的。期中与期末都考两块——理论概念的理解，以及读计量软件输出的能力。

必读教材是 Wooldridge《Introductory Econometrics: A Modern Approach》第 6 版（Cengage，2016）。配 R 的辅助书是 Florian Heiss 的《Using R for Introductory Econometrics》（2016），作者把在线版放在 urfie.net 免费公开，这一本正好对上课程"用 R 做 Wooldridge 例题"的路子。另有 Stock 与 Watson 第 3 版作为补充。

软件用 R 与 RStudio，都免费。课程还通过 DataCamp for the Classroom 给了免费账号，邀请链接发到学校邮箱，不计分但会指定课前该完成的模块。

先修要求是统计学
I、II 与数学
I、II（大学代数与基础微积分），大纲注明不要求先修课及格，但从第一天就要用概率分布、假设检验与导数。

按材料本身的设计走最省力：先读讲义对应那一讲（推导与假设），再打开交互幻灯片把参数拖一遍（建立手感），最后跑实验（写代码、看输出、对着讲义解释数字）。

有一处要留意：实验 Rmd 的文件头日期还写着 2020 Fall，而课程页标的是 2026—27 秋季。文件是跨年复用的，正文内容与当季课表对得上，但引用时不要拿文件头的日期当成本学期的日期。

课程页、讲义 PDF、幻灯片与实验文件都没有许可声明，页面上能找到的 MIT 许可只属于站点用的 JavaScript 库。当公开课程材料阅读、按它自学没问题；整批转载或用于培训前先向作者确认。

需要课程站地址、13 份讲义与 12 套幻灯片的对应表、四个实验的代码块与科目清单，回帖后可见。