經濟學實證研究中
• 統計推斷的基本內容，線性回歸只是一種參數估計方法，MLE/GMM也是參數估計方法？
• 為什麽要考慮高維情形下的參數估計、變量選擇方法？
• OLS在估計什麽？和因果效應參數是什麽關系？
• 什麽是因果辨識？因果辨識和參數辨識的區別？
• 如何進行因果推斷，如何引入辨識條件？
• 如何選擇控制變量，基本的原則是什麽？
• 什麽是固定效應，如何加固定效應？
• 如果選擇工具變量，如何說明工具變量的有效性，應該如何思考獨立性和排除性假設？
• 如何利用自然實驗，包括工具變量、雙重差分、斷點回歸，來辨識因果效應？
• 在多期交錯政策(staggered)下，雙向固定效應方法(TWFE)在估計什麽，Goodman-Bacon分解如何判斷TWFE估計量的合理性。
• 在交錯政策下，事件研究法為何不能用，如果運用正確的方法，包括Callaway and Sant’Anna (2021)的非參數估計量和Wooldridge(2021)的回歸估計量。
• 如何進行因果中介分析？
探討因果關系是經濟學實證研究的主要目的，因果關系一般是無法觀測到的，我們只能觀測到相關性，如何從觀測到的相關性中推斷出因果效應？
基本有用的計量經濟學——因果推斷方法課程
將明確經濟學實證研究的基本步驟：
首先，定義清楚目標參數(causal estimand)，其次，構造辨識策略，建立統計參數(statistical estimand)，最後，構造估計量(estimator)，得到目標參數的估計值。
由目標參數到統計參數，由觀測不到的因果效應轉變化可以觀測到的統計參數的過程，即因果推斷。利用樣本資訊構造估計量，估計統計參數，即統計推斷。
2024暑期 因果推斷第3期 精彩開講
開課時間： 2024年7月28-31日 (四天)
課程安排： 上午 9:00-12:00；下午 14:00-17:00； 課後答疑
授課方式： 北京現場，同步遠端直播（均提供全程錄播線上回放）
課程特色
1、 【基本有用的計量經濟學】（第2版）最新內容。進行了全面更新，對統計推斷和因果推斷進行了區分，對因果推斷和因果辨識進行了明確定義，並將估計方法和因果推斷區分開來，吸收了最近幾年各類方法的最新發展，並在統一的框架內進行詳細解構，讓讀者更容易掌握因果推斷的基本內容。
2、 講清楚 因果效應參數(causal estimands) 、 統計參數(statistical estimands) 和 統計量(estimators) 的區別。實證分析的第一步就是明確自己想回答的問題，定義清楚因果效應參數或 目標參數(target parameters) ，才能根據研究問題的背景資訊和先驗知識，構造辨識策略。
3、因果推斷的關鍵在於 分配機制(assignment mechanism) ，辨識策略主要是對分配機制的描述，透過引入合理的辨識條件，描述可能的分配機制，才能辨識出因果效應。理解了分配機制，也就理解了因果推斷的核心內容，對於匹配、IV、DID(SC)、RDD等具體的方法也就更容易理解。
4、引入高維情形下的統計推斷和因果推斷，以適應大數據實證的需要。並引入因果中介理論的介紹，討論如何使中介分析更加可信。
5、在實證分析中，原因變量（或核心解釋變量）和控制變量的地位是不同的，如何才能合理的選擇控制變量？控制變量越多越好嗎？選擇控制變量的基本原則是什麽？
6、如何選擇工具變量？如何思考工具變量的獨立性和排除性假設？如何合理化(justify)你的工具變量？
7、面板數據中固定效應是什麽，起著什麽作用，如何加固定效應？
8、估計方法和目標參數之間是什麽關系，關於交錯DID（staggered DID）的最新發展，充分反映了這一矛盾。OLS、TSLS、TWFE作為經濟學家常用的估計方法，很多時候並不能給研究者想要的目標參數，並不能回答作者想回答的問題。如何解決？
課程大綱
第1講 統計推斷
• 線性回歸、飽和模型、二元選擇模型、變異數估計
• 帶懲罰項的線性回歸：偏差—變異數權衡、交叉驗證法、自助法(bootstrap)
• Lasso、嶺回歸、Neyman正交、 Double Lasso
第2講 潛在結果框架
• RCM (Rubin Causal Model)
• 潛在結果
• 分配機制(treatment assignment)
• 因果效應參數(causal estimand)
• Lord悖論
• 因果辨識
• 回歸和因果辨識
第3講 因果圖
• 三種基本結構
• 後門標準
• 混雜偏差和樣本選擇偏差
• 什麽是好的控制變量和壞的控制變量
• *前門標準
• *do運算
第4講 隨機化實驗
• 隨機化實驗的作用
• 隨機化實驗為什麽是黃金標準？
• 隨機化實驗的分析
• Design-based和sampling-based變異數
案例：
班級規模與學習成績（Krueger, 1999），
種族與就業歧視（Bertrand and Mullainathan, 2004）、
競選中名字在選票中的位置優勢 (Ho and Imai, 2006)、
媒體的影響(Chen and Yang, 2019)
第5講 非混雜性條件下的因果效應估計
最基本的辨識條件是非混雜性 (unconfoundedness)，也稱為條件獨立性假設 (CIA, Angrist and Pischke 2009)，或根據觀測變量進行的選擇 (selection on the observables)或可忽略性 (ignorablity)，是最基礎的分配機制。這類策略的關鍵是透過（匹配）設計，模擬隨機化實驗。
• 匹配、傾向指數匹配(PSM, Rosenbaum and Rubin, 1983; Abadie and Imbens, 2006)
• 逆機率加權(Inverse probability weighting, IPW)
• 回歸調整(regression adjustment)
• 雙重穩健估計(double robust estimator)
• 雙重機器學習(double/debiased machine learning)
案例：
培訓的效果 (Dehejia and Wahba, 1999)、
精英大學的作用 (Dale and Kreuger, 2002)
第6講 工具變量法
工具變量法在模擬非依從的隨機化實驗。
• 工具變量法的起源和基本思想
• 工具變量法的基本辨識條件
• 如何選擇工具變量，如何討論工具變量的外生性條件？
• 工具變量法的選擇和說服審稿人的辦法
• 異質性因果效應下的工具變量法——LATE(Imbens and Angrist, 1994: Angrist, Imbens and Rubin, 1996)
• 工具變量法和非依從的隨機化實驗(noncompliance RE)
• 基於選擇的工具變量法——Heckman兩步法
• *未觀測因素為基礎的選擇MTE——邊際幹預效應框架(Heckman and Vytlacil, 1999;2005)
案例：
出生季度和教育報酬(Angrist and Krueger, 1991)，
參軍與收入(Angrist,1990)、
家庭規模和父母勞動供給(Angrist and Lavy, 1998)、
美國的教育報酬（Carneiro et al., 2011）、
全民兒童照護服務的收益(Cornelissen, Dustmann and Schonbrg, 2018)
第7講 固定效應方法
• 隨機效應模型
• 固定效應模型
• Hausman檢驗
• 固定效應是什麽
• 組內回歸(within regression)和虛擬變量回歸(LSDV)
• Stata命令reg、xtreg、areg、reghdfe的關系
案例：
雙胞胎數據估計中國教育報酬(Li, Liu and Zhang, 2012)
第8講 經典雙重差分法
雙重差分法在模擬增量上的隨機化實驗，線上性假設下，屬於固定效應模型。
• 共同/平行趨勢假設(Parallel/Common Trend Assumption)、無預期假設(no anticipation assumption)、無溢位效應假設(no spillover effects assumption)、共同區間假設(overlap assumption)
• 經典DID的因果辨識
• 經典DID的參數估計：回歸方法、PSM-DID（Heckman et al. 1997, 1998）、逆機率加權估計量(Abadie, 2005)、雙重穩健估計量(Sant’Anna and Zhao, 2020)
• 如何在回歸模型中引入不時變的協變量Xi和時變協變量Xit?
案列：
移民沖擊和薪資(Card, 1990)、
最低薪資調整和就業(Card and Krueger, 1994)、
911事件對美國辦公樓的影響(Abadie and Dermisi, 2008)、
大學擴招和大學生失業（邢春冰和李實，2011）
第9講 多期單一政策DID
經典DID的擴充套件，擴充套件到多期，仍然只有一個幹預組和一個控制組。
• 基本辨識條件：平行趨勢假設、無預期假設和無溢位效應假設的重新表述。
• 平行趨勢假設檢驗和動態模型構造（事件研究法設計）
• 平行趨勢檢驗方法和敏感性分析
• 以個體出生年份(cohort)構成的DID，有時也稱為cohort DID，並不是一種新的設計
案例：
茶葉價格和消失的女性(Qian, 2008)
馬鈴薯和人口及城市化(Nunn and Qian, 2011)
第10 講 DID-IV設計
• DID和IV的結合：不滿足平行趨勢時的新設計
• 基本辨識條件、因果辨識過程
• 三重差分法(DDD)：一種特殊的工具變量法
• 基本辨識條件、因果辨識過程
案例：
印尼建校計畫對教育報酬的影響(Duflo, 2001)
強制福利對勞動力市場的影響(Gruber, 1994)
第11講 交錯DID（staggered DID）
個體是逐漸受到政策影響的，不再只有單純的幹預組和控制組兩組，而是有很多的幹預組和控制組，而幹預組被幹預的時點不同，用這樣的數據估計政策影響時，早期文獻仍然沿用第10講多期單一政策時的設計方法，采用雙向固定效應模型(TWFE)估計，但最新的文獻發現，在交錯政策時，如果存在組間異質性(Goodman-Bacon, 2021)和時間上異質性(Sun and Abraham, 2021)時，TWFE估計量存在著偏差，事件研究法存在著汙染偏差(Contamination bias)。
• 基本辨識條件的討論
• TWFE估計量在估計什麽(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)
• 如果正確的估計因果效應：
Ø Callaway and Santa’Anna(2021)非參數估計量
Ø Wooldridge(2021)回歸估計量
案例：
大而壞的銀行：放松管制與收入分配(Beck et al., 2010; Baker et al., 2022)
第12講 合成控制法
• 缺失值填補(Borusyak et al., 2021; Liu et al., 2021)
• 合成控制法(Abadie et al., 2010)
• 合成雙重差分法(Arkhangelsky et al., 2021)
• 廣義合成控制法(Xu, 2017)
案例：
加州控煙法案的效果(Abadie et al., 2010)；
德國統一的經濟影響(Abadie et al., 2015)
第13講 斷點回歸設計
最接近於完全隨機化實驗的研究設計，教育學家發明(Thistlethwaite and Compbell, 1960)，作者認為價值不大，但被經濟學家挖掘出來，煥發異彩(Hahn et al. 2001)。本章討論RDD、Fuzzy RDD、Kink RDD的基本辨識條件、估計方法、頻寬選擇方法等。
• 精確斷點回歸設計：局部隨機化假設、連續性假設
• 模糊斷點回歸設計：工具變量法
• 彎折斷點回歸設計：導數上的斷點
案例：
美國政黨的在位優勢(Lee,2008)、
空氣汙染和壽命(Chen et al., 2013；Ebenstein et al., 2017)、
學區房的價值(Black, 1999)、
戶口的價值(Chen et al., 2019)。
第14講 因果中介分析
• 傳統中介分析理論
• 自然間接效應（中介效應）、自然直接效應、控制直接效應
• 因果中介效應的基本辨識條件：序貫可忽略性
• 工具變量因果中介模型
案例：
教育透過職業影響收入的因果中介分析
咨詢報名
劉老師
電話：18600211279
WeChat：jg-xs12
往期學員反饋
以上圖文為廣告內容
