By  Joshua D. Angrist  Massachusetts Institute of Technology

        Jörn-Ste¤en Pischke  The London School of Economics

此书由Princeton University Press出版，北美top高校微观计量课程重要参考教材，可谓应用微观领域人士的手册。但对于初学者难度较大。

本书源于国外网站，请放心内容！

Contents
Preface xi
Acknowledgments xiii
Organization of this Book xv
I Introduction 1
1 Questions about Questions 3
2 The Experimental Ideal 9
2.1 The Selection Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Random Assignment Solves the Selection Problem . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Regression Analysis of Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
II The Core 19
3 Making Regression Make Sense 21
3.1 Regression Fundamentals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Economic Relationships and the Conditional Expectation Function . . . . . . . . . . . 23
3.1.2 Linear Regression and the CEF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.3 Asymptotic OLS Inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.4 Saturated Models, Main E§ects, and Other Regression Talk . . . . . . . . . . . . . . . 36
3.2 Regression and Causality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 The Conditional Independence Assumption . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2 The Omitted Variables Bias Formula . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.3 Bad Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Heterogeneity and Nonlinearity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.1 Regression Meets Matching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
iiiiv CONTENTS
3.3.2 Control for Covariates Using the Propensity Score . . . . . . . . . . . . . . . . . . . . 59
3.3.3 Propensity-Score Methods vs. Regression . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Regression Details . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.1 Weighting Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.2 Limited Dependent Variables and Marginal E§ects . . . . . . . . . . . . . . . . . . . . 69
3.4.3 Why is Regression Called Regression and What Does Regression-to-the-mean Mean? . 80
3.5 Appendix: Derivation of the average derivative formula . . . . . . . . . . . . . . . . . . . . . 81
4 Instrumental Variables in Action: Sometimes You Get What You Need 83
4.1 IV and causality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.1.1 Two-Stage Least Squares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.2 The Wald Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1.3 Grouped Data and 2SLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2 Asymptotic 2SLS Inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.2.1 The Limiting Distribution of the 2SLS Coe¢ cient Vector . . . . . . . . . . . . . . . . 103
4.2.2 Over-identiÖcation and the 2SLS MinimandF . . . . . . . . . . . . . . . . . . . . . . . 105
4.3 Two-Sample IV and Split-Sample IVF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.4 IV with Heterogeneous Potential Outcomes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.4.1 Local Average Treatment E§ects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.4.2 The Compliant Subpopulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.4.3 IV in Randomized Trials . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.4.4 Counting and Characterizing Compliers . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.5 Generalizing LATE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.5.1 LATE with Multiple Instruments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.5.2 Covariates in the Heterogeneous-e§ects Model . . . . . . . . . . . . . . . . . . . . . . . 131
4.5.3 Average Causal Response with Variable Treatment IntensityF . . . . . . . . . . . . . . 136
4.6 IV Details . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.6.1 2SLS Mistakes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.6.2 Peer E§ects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4.6.3 Limited Dependent Variables Reprise . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.6.4 The Bias of 2SLSF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.7 Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5 Parallel Worlds: Fixed E§ects, Di§erences-in-di§erences, and Panel Data 165
5.1 Individual Fixed E§ects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.2 Di§erences-in-di§erences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169CONTENTS v
5.2.1 Regression DD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.3 Fixed E§ects versus Lagged Dependent Variables . . . . . . . . . . . . . . . . . . . . . . . . . 182
5.4 Appendix: More on Öxed e§ects and lagged dependent variables . . . . . . . . . . . . . . . . 184
III Extensions 187
6 Getting a Little Jumpy: Regression Discontinuity Designs 189
6.1 Sharp RD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.2 Fuzzy RD is IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
7 Quantile Regression 203
7.1 The Quantile Regression Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
7.1.1 Censored Quantile Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
7.1.2 The Quantile Regression Approximation PropertyF . . . . . . . . . . . . . . . . . . . 210
7.1.3 Tricky Points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
7.2 Quantile Treatment E§ects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
7.2.1 The QTE Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
8 Nonstandard Standard Error Issues 221
8.1 The Bias of Robust Standard ErrorsF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
8.2 Clustering and Serial Correlation in Panels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
8.2.1 Clustering and the Moulton Factor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
8.2.2 Serial Correlation in Panels and Di§erence-in-Di§erence Models . . . . . . . . . . . . . 236
8.2.3 Fewer than 42 clusters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
8.3 Appendix: Derivation of the simple Moulton factor . . . . . . . . . . . . . . . . . . . . . . . . 241
Last words 245
Acronyms 247
Empirical Studies Index 251