厦门大学赵西亮老师应用计量经济学专题
Q&A问题整理：
1、sdid坏的控制组与负权重有什么关系？
2、我现在在听赵老师直播课，赵老师说的有点快，暑期我想参加您的培训，也可能是我基础比较差，怕学不会。
3、请问，参数估计与非参估计的区别在什么？一直不是很理解这两种估计的区别。
4、请问赵老师，如果文章中的结构模型只是估计的手段，那控制变量的选择是不是并不重要?控制变量的显著性也不重要？
5、考察调节效应，加入调节变量和交互项后，核心解释变量不再显著，这个应该如何解释？
6、我也听过其他专家说过为了证明机制不需要用中介变量，只要研究设计的好，把机制变量交互一下看结果就可以了。
7、SG检验中介效应可以吗？请问老师，brootsrup 可以检验中介机制吗？
8、赵老师，请问用交互项做异质性分析，交互变量可以是连续变量吗？
9、老师可以讲一下道格拉斯函数的在stata中取对数吗？
10、赵老师，可以谈谈您对用分组回归做机制检验的看法吗？
11、不太理解用分组回归或交互项回归来做机制分析的做法。我个人理解分组回归是用来做异质性分析，交互项用来做调节效应分析。
12、三重差分结果应该重点看三个交乘项的系数吗？两个交乘项的系数是否需要关注？
13、怎么区分文章中结构式和简约式模型，赵老师能否举具体个例子，怎么开始估计以设计为基础的估计方法？
点击视频，听赵老师详细解答
✦
•
✦
探讨因果关系是经济学实证研究的主要目的，因果关系一般是无法观测到的，我们只能观测到相关性，如何从观测到的相关性中推断出因果效应？
基本有用的计量经济学——因果推断方法课程
将明确经济学实证研究的基本步骤：
首先，定义清楚目标参数(causal estimand)，其次，构造识别策略，建立统计参数(statistical estimand)，最后，构造估计量(estimator)，得到目标参数的估计值。
由目标参数到统计参数，由观测不到的因果效应转变化可以观测到的统计参数的过程，即因果推断。利用样本信息构造估计量，估计统计参数，即统计推断。
课程安排
开课时间：
2024年7月28-31日 (四天)
课程安排： 9:00-12:00；14:00-17:00； 课后答疑
授课方式： 北京现场，同步远程直播（均提供全程录播在线回放）
主讲专家
赵西亮 教授 现任厦门大学经济学院和王亚南经济研究院经济学教授、博士生导师。
清华大学经济管理学院数量经济学专业博士，美国康奈尔大学和芝加哥大学访问学者，加拿大西安大略大学经济系博士后，长期从事中国经济和应用计量经济学研究，编著教材【基本有用的计量经济学】，被京东评为「十大构思细腻的大学教材」之一。
在【经济研究】、【经济学】（季刊）、【数量经济技术经济研究】、【WorldEconomy】等国内外重要期刊发表论文十余篇。China Economic Review, 【经济研究】、【管理世界】、【经济学（季刊）】、【世界经济】等国内外重要期刊匿名审稿人。
课程特色
1.【基本有用的计量经济学】（第2版）最新内容进行了全面更新，对统计推断和因果推断进行了区分，对因果推断和因果识别进行了明确定义，并将估计方法和因果推断区分开来，吸收了最近几年各类方法的最新发展，并在统一的框架内进行详细解构，让读者更容易掌握因果推断的基本内容。
2. 讲清楚因果效应参数(causal estimands)、统计参数(statistical estimands)和统计量(estimators)的区别。实证分析的第一步就是明确自己想回答的问题，定义清楚因果效应参数或目标参数(target parameters)，才能根据研究问题的背景信息和先验知识，构造识别策略。
3. 因果推断的关键在于分配机制(assignment mechanism)，识别策略主要是对分配机制的描述，通过引入合理的识别条件，描述可能的分配机制，才能识别出因果效应。理解了分配机制，也就理解了因果推断的核心内容，对于匹配、IV、DID(SC)、RDD等具体的方法也就更容易理解。
4. 引入高维情形下的统计推断和因果推断，以适应大数据实证的需要。并引入因果中介理论的介绍，讨论如何使中介分析更加可信。
5. 在实证分析中，原因变量（或核心解释变量）和控制变量的地位是不同的，如何才能合理的选择控制变量？控制变量越多越好吗？选择控制变量的基本原则是什么？
6. 如何选择工具变量？如何思考工具变量的独立性和排除性假设？如何合理化(justify)你的工具变量？
7. 面板数据中固定效应是什么，起着什么作用，如何加固定效应？
8. 估计方法和目标参数之间是什么关系，关于交错DID（staggered DID）的最新发展，充分反映了这一矛盾。OLS、TSLS、TWFE作为经济学家常用的估计方法，很多时候并不能给研究者想要的目标参数，并不能回答作者想回答的问题。如何解决？
2024暑期新增内容
• 增加高维协变量（解释变量个数多于样本量情形）下的统计推断和因果推断方法，主要是MIT教授Chernozhukov等人发展的理论，包括Double Lasso/Double ML。
• 增加平行趋势假设检验方法及平行趋势假设不满足时的敏感性分析方法
• 增加因果中介分析的理论和应用介绍
课程大纲
第1讲 统计推断
• 线性回归、饱和模型、二元选择模型、方差估计
• 带惩罚项的线性回归：偏差—方差权衡、交叉验证法、自助法(bootstrap)
• Lasso、岭回归、Neyman正交、Double Lasso
第2讲 潜在结果框架
• RCM (Rubin Causal Model)
• 潜在结果
• 分配机制(treatment assignment)
• 因果效应参数(causal estimand)
• Lord悖论
• 因果识别
• 回归和因果识别
第3讲 因果图
• 三种基本结构
• 后门标准
• 混杂偏差和样本选择偏差
• 什么是好的控制变量和坏的控制变量
• *前门标准
• *do运算
第4讲 随机化实验
• 随机化实验的作用
• 随机化实验为什么是黄金标准？
• 随机化实验的分析
• Design-based和sampling-based方差
案例：
班级规模与学习成绩（Krueger, 1999）
种族与就业歧视（Bertrand and Mullainathan, 2004）
竞选中名字在选票中的位置优势 (Ho and Imai, 2006)
媒体的影响(Chen and Yang, 2019)
第5讲 非混杂性条件下的因果效应估计
最基本的识别条件是非混杂性 (unconfoundedness)，也称为条件独立性假设 (CIA, Angrist and Pischke 2009)，或根据观测变量进行的选择 (selection on the observables)或可忽略性 (ignorablity)，是最基础的分配机制。这类策略的关键是通过（匹配）设计，模拟随机化实验。
• 匹配、倾向指数匹配(PSM, Rosenbaum and Rubin, 1983; Abadie and Imbens, 2006)
• 逆概率加权(Inverse probability weighting, IPW)
• 回归调整(regression adjustment)
• 双重稳健估计(double robust estimator)
• 双重机器学习(double/debiased machine learning)
案例：
培训的效果 (Dehejia and Wahba, 1999)
精英大学的作用 (Dale and Kreuger, 2002)
第6讲 工具变量法
工具变量法在模拟非依从的随机化实验。
• 工具变量法的起源和基本思想
• 工具变量法的基本识别条件
• 如何选择工具变量，如何讨论工具变量的外生性条件？
• 工具变量法的选择和说服审稿人的办法
• 异质性因果效应下的工具变量法——LATE(Imbens and Angrist, 1994: Angrist, Imbens and Rubin, 1996)
• 工具变量法和非依从的随机化实验(noncompliance RE)
• 基于选择的工具变量法——Heckman两步法
• *未观测因素为基础的选择MTE——边际干预效应框架(Heckman and Vytlacil, 1999;2005)
案例：
出生季度和教育回报(Angrist and Krueger, 1991)
参军与收入(Angrist,1990)
家庭规模和父母劳动供给(Angrist and Lavy, 1998)
美国的教育回报（Carneiro et al., 2011）
全民儿童照护服务的收益(Cornelissen, Dustmann and Schonbrg, 2018)
第7讲 固定效应方法
• 随机效应模型
• 固定效应模型
• Hausman检验
• 固定效应是什么
• 组内回归(within regression)和虚拟变量回归(LSDV)
• Stata命令reg、xtreg、areg、reghdfe的关系
案例：
双胞胎数据估计中国教育回报(Li, Liu and Zhang, 2012)
第8讲 经典双重差分法
双重差分法在模拟增量上的随机化实验，在线性假设下，属于固定效应模型。
• 共同/平行趋势假设(Parallel/Common Trend Assumption)、无预期假设(no anticipation assumption)、无溢出效应假设(no spillover effects assumption)、共同区间假设(overlap assumption)
• 经典DID的因果识别
• 经典DID的参数估计：回归方法、PSM-DID（Heckman et al. 1997, 1998）、逆概率加权估计量(Abadie, 2005)、双重稳健估计量(Sant’Anna and Zhao, 2020)
• 如何在回归模型中引入不时变的协变量Xi和时变协变量Xit?
案例：
移民冲击和工资(Card, 1990)
最低工资调整和就业(Card and Krueger, 1994)
911事件对美国办公楼的影响(Abadie and Dermisi, 2008)
大学扩招和大学生失业（邢春冰和李实，2011）
第9讲 多期单一政策DID
经典DID的扩展，扩展到多期，仍然只有一个干预组和一个控制组。
• 基本识别条件：平行趋势假设、无预期假设和无溢出效应假设的重新表述。
• 平行趋势假设检验和动态模型构造（事件研究法设计）
• 平行趋势检验方法和敏感性分析
• 以个体出生年份(cohort)构成的DID，有时也称为cohort DID，并不是一种新的设计
案例：
茶叶价格和消失的女性(Qian, 2008)
土豆和人口及城市化(Nunn and Qian, 2011)
第10讲 DID-IV设计
• DID和IV的结合：不满足平行趋势时的新设计
• 基本识别条件、因果识别过程
• 三重差分法(DDD)：一种特殊的工具变量法
• 基本识别条件、因果识别过程
案例：
印尼建校项目对教育回报的影响(Duflo, 2001)
强制福利对劳动力市场的影响(Gruber, 1994)
第11讲 交错DID（staggered DID）
个体是逐渐受到政策影响的，不再只有单纯的干预组和控制组两组，而是有很多的干预组和控制组，而干预组被干预的时点不同，用这样的数据估计政策影响时，早期文献仍然沿用第10讲多期单一政策时的设计方法，采用双向固定效应模型(TWFE)估计，但最新的文献发现，在交错政策时，如果存在组间异质性(Goodman-Bacon, 2021)和时间上异质性(Sun and Abraham, 2021)时，TWFE估计量存在着偏差，事件研究法存在着污染偏差(Contamination bias)。
• 基本识别条件的讨论
• TWFE估计量在估计什么(Goodman-Bacon, 2021; de Chaisemartin and D'Haultfoeuille, 2020)
Ø Goodman-Bacon分解
• 事件研究法存在的偏差(Sun and Abraham, 2021)
• 如果正确的估计因果效应：
Ø Callaway and Santa’Anna(2021)非参数估计量
Ø Wooldridge(2021)回归估计量
案例：
大而坏的银行：放松管制与收入分配(Beck et al., 2010; Baker et al., 2022)
第12讲 合成控制法
• 缺失值填补(Borusyak et al., 2021; Liu et al., 2021)
• 合成控制法(Abadie et al., 2010)
• 合成双重差分法(Arkhangelsky et al., 2021)
• 广义合成控制法(Xu, 2017)
案例：
加州控烟法案的效果(Abadie et al., 2010)
德国统一的经济影响(Abadie et al., 2015)
第13讲 断点回归设计
最接近于完全随机化实验的研究设计，教育学家发明(Thistlethwaite and Compbell, 1960)，作者认为价值不大，但被经济学家挖掘出来，焕发异彩(Hahn et al. 2001)。本章讨论RDD、Fuzzy RDD、Kink RDD的基本识别条件、估计方法、带宽选择方法等。
• 精确断点回归设计：局部随机化假设、连续性假设
• 模糊断点回归设计：工具变量法
• 弯折断点回归设计：导数上的断点
案例：
美国政党的在位优势(Lee,2008)
空气污染和寿命(Chen et al., 2013；Ebenstein et al., 2017)
学区房的价值(Black, 1999)
户口的价值(Chen et al., 2019)
第14讲 因果中介分析
• 传统中介分析理论
• 自然间接效应（中介效应）、自然直接效应、控制直接效应
• 因果中介效应的基本识别条件：序贯可忽略性
• 工具变量因果中介模型
案例：
教育通过职业影响收入的因果中介分析
报名咨询
尹老师
微信号 ｜ jg-xs6
TEL｜ 13301322952
以上图文为广告内容
