这篇文章汇总了所有计量经济学的教程和代码和PPT资源。 主要来源是计量经济学院,
如果你英文很厉害, 可以直接去他们的网站看视频, 如果你无法访问 YT, 或者你英文不好, 可以看我们翻译后的视频: https://www.bilibili.com/video/BV1aMzhYjE2q
然后, 如果你可以访问谷歌网盘, 所有资料都可以从下面的链接中下载, 如果你无法访问, 我们手动打包了所有资源(PPT,SPSS代码,R代码,Stata代码等), 你可以在这里下载:https://wx.zsxq.com/group/88888188828842
简介
关于讲师
Ani Katchova 是计量经济学学院的创始人兼讲师。她在美国伊利诺伊大学、肯塔基大学和俄亥俄州立大学拥有超过 20 年的计量经济学研究和教学经验。她在美国和世界各地的多所大学为本科生教授统计学，为硕士和博士生教授计量经济学，具有丰富的教学经验。
Katchova 博士因其教学成果而被授予肯塔基州上校的荣誉称号。她在应用经济学和农业经济学领域的顶尖期刊上发表了 50 多篇使用计量经济模型的学术论文。她的许多出版物都应用了她在计量经济学学院教授的计量经济模型。
Ani Katchova 是美国俄亥俄州立大学农业、环境和发展经济学系的教授。然而，计量经济学学院是独立于她在大学职责之外的一项独特事业。
主要统计概念:
- 计量经济学: 计量经济学是经济学的一个分支，它使用统计方法和数学模型来分析经济数据，从而验证经济理论，进行预测，并评估政策的影响。
- 回归模型: 原文中提到利用计量经济模型进行研究，这通常会涉及到回归模型，这些模型用于量化变量之间的关系。例如，研究一个变量如何影响另一个变量。
- 统计推断: 通过对样本数据进行分析，对总体参数进行推断。这对于理解经济现象的因果关系至关重要。
- 应用经济学: 文中提到在应用经济学和农业经济学领域发表了 50 多篇学术论文，这意味着她的研究是将计量经济学方法应用于实际经济问题，例如在农业经济中分析市场趋势和政策影响。
视频链接
原文中没有链接和视频。
关于计量经济学学院
这是一个关于计量经济学学院的介绍，该学院旨在为任何人在任何时间、任何地点提供免费的世界级计量经济学教育。
原文中包含一个标题，链接形式为#h.p_ID_32，对应的内容是“Econometrics Academy: free world-class education on econometrics for anyone, anywhere, anytime”。此链接主要用于复制标题链接，以便分享或引用。标题旁边的复制链接按钮的aria-label 属性为 “Copy heading link”，data-tooltip 属性为 “Copy heading link”，这说明其主要功能就是复制当前标题的链接。
计量经济学 是一门使用统计方法研究经济现象的学科。它将经济理论、数学和统计学相结合，通过数据分析来检验经济理论，估计经济关系，并做出预测。
核心概念:
- 数据分析: 计量经济学的基础是数据，它使用各种统计方法来处理和分析经济数据。
- 经济模型: 计量经济学使用数学模型来描述经济现象，这些模型可以通过数据进行验证和估计。
- 参数估计: 计量经济学使用统计方法来估计经济模型中的参数，例如回归系数。
- 假设检验: 计量经济学使用假设检验来评估经济模型的有效性。
- 预测: 计量经济学可以用来预测未来的经济趋势。
计量经济学在经济研究和实际应用中都扮演着重要角色，例如：
- 分析市场供需关系
- 评估政策的影响
- 预测经济增长
- 研究消费者行为
- 量化风险
总之，计量经济学学院致力于普及计量经济学知识，让更多人可以接触到这门重要的学科。
联系方式
感谢您使用计量经济学学院学习计量经济学。本学院的目标是帮助数千人学习计量经济学。我的首要任务是开发新内容，并根据需要更新视频和材料。
您可以使用 YouTube 频道上的评论功能提交评论。我主要利用您的评论来改进我提供的内容和材料。
如果你无法访问 YT, 或者你英文不好, 可以看我们翻译后的视频: https://www.bilibili.com/video/BV1aMzhYjE2q
感谢您和我一起学习计量经济学。
Econometrics Academy - 服务条款
本页面主要介绍了 Econometrics Academy 网站和 YouTube 频道的使用条款，以及相关资料的版权声明和引用方法。
免责声明
Econometrics Academy 网站、YouTube 频道及其所有相关材料和视频均为作者个人知识产权，并以作者本人名义享有版权。这些内容代表作者的个人观点以及其创建的 Econometrics Academy 的观点。Econometrics Academy 与作者作为大学教授的工作是独立且不同的，不应与作者当前和以前的大学以及雇主的工作联系起来，也不代表他们的观点。
版权声明和资料使用
- 所有材料和视频均以作者名义享有版权。
- 您可以免费将本网站上的材料（视频、讲义、程序、数据）用于个人用途。
- 您可以使用作者的材料进行课程教学。
- 您可以在其他网站上发布指向作者材料的链接，但请不要重新发布实际材料。
Econometrics Academy 的引用
博客引用：
Econometrics Academy by Ani Katchova. https://sites.google.com/site/econometricsacademy/
Econometrics Academy 引用：
Katchova, Ani L. (2020) Econometrics Academy [网站和 YouTube 频道]. 来自 Econometrics Academy 网站: https://sites.google.com/site/econometricsacademy/
讲义引用：
Katchova, Ani L. (2020) 面板数据模型 [PDF 文档和 YouTube 视频]. 来自 Econometrics Academy 网站: https://sites.google.com/site/econometricsacademy/
程序引用：
Katchova, Ani L. (2020) R 中的面板数据模型 [软件程序和 YouTube 视频]. 来自 Econometrics Academy 网站: https://sites.google.com/site/econometricsacademy/
统计概念
文中提到了 Econometrics Academy 提供的教学资源，主要包括：
- 面板数据模型： 针对面板数据（Panel Data）进行的统计建模方法，面板数据是指在多个时间段内对多个个体（如国家、公司、个人等）进行观测得到的数据。
- 计量经济学： 这是一门利用统计方法和数学模型分析经济现象的学科。 Econometrics Academy 提供的材料旨在帮助用户学习计量经济学知识。
同时，材料中提到的 R 语言是一种常用的统计编程语言，可以用于进行数据分析和建模。
请注意，所有材料的版权归作者所有，使用时请遵守上述条款。
计量经济学模型
这是一个博士水平的计量经济学课程，使用 Stata、R 和 SAS 进行教学。
课程大纲：
计量经济学模型：
- 线性回归
- 面板数据模型
- Probit 和 Logit 模型
- 双变量 Probit 和 Logit 模型
- 多项 Probit 和 Logit 模型
- 有序 Probit 和 Logit 模型
- 有限因变量模型
- 计数数据模型
- 生存分析
- 空间计量经济学
- 分位数回归
- 倾向得分匹配
- 主成分分析
- 工具变量
- 看似不相关的回归
- 时间序列 ARIMA 模型
学习方法：
对于每个模型，首先观看讲座，然后查看示例，最后观看使用您选择的软件包进行的估计。
示例视频：
计量经济学软件
计量经济模型通常使用专门的软件包进行估计。一些最广泛使用的软件包包括 Stata、R、SAS 和 SPSS。本计量经济学软件视频快速概述了 Stata、R 和 SAS 软件包。请观看此视频，了解这些软件包的比较以及如何在课程中使用它们。如果您不熟悉这些计量经济学软件包，请观看这些入门视频，学习如何使用它们的基础知识：
这段视频对Stata，R，和SAS软件包进行了比较，并展示了它们在课程中的应用。 如果你对这些软件包不熟悉，可以观看上述入门视频来学习基本的使用方法。
视频链接:
统计概念:
计量经济学是经济学的一个分支，它使用统计方法来分析经济数据。计量经济学家使用统计模型来检验经济理论，预测未来经济趋势，并评估政策效果。计量经济学软件例如Stata，R，SAS和SPSS等，提供了各种统计方法和工具，使得计量经济学研究者更容易对经济数据进行分析和建模， 并进行结果的展示。这些软件可以帮助进行以下分析：
- 回归分析: 用于研究变量之间关系的统计方法。例如，研究收入水平对消费支出水平的影响。
- 时间序列分析: 用于分析随时间变化的数据的统计方法。例如，研究股票价格的变化模式。
- 面板数据分析: 用于分析在一段时间内对多个个体进行观察的数据的统计方法。例如，研究不同地区失业率的变化。
- 假设检验: 用于检验关于总体参数的统计假设的方法。例如，检验一个药物是否有效。
- 置信区间估计: 用于估计总体参数的合理范围的方法。例如，估计人口的平均收入。
计量经济学学院
计量经济学学院是一个免费的在线教育平台和非营利组织。它的使命是向世界上的任何人提供免费的计量经济学教育。
计量经济学学院 YouTube 频道是世界上最受欢迎的计量经济学频道之一。请订阅！
通过计量经济学学院学习计量经济学
- 硕士计量经济学课程 包含多个主题：多元回归模型，异方差，回归设定，工具变量，面板数据模型，Probit 和 Logit 模型等。
- 博士计量经济学课程 涵盖最流行的模型：面板数据模型，Probit 和 Logit 模型，时间序列 ARIMA 模型，倾向得分匹配，主成分和因子分析等。
- 学习软件包括 Stata，R，SAS 和 SPSS。
硕士计量经济学
这是一个使用 Stata 和 R 教授的硕士级别计量经济学课程。
本课程首先介绍 Stata 和 R 这两个计量经济学软件：
课程内容涵盖以下主题：
- 计量经济学与经济数据
- 简单回归模型
- 多元回归模型
- 回归推断
- OLS 的渐近性质
- 回归变量转换
- 带有指示变量的回归
- 异方差性
- 回归模型设定
- 时间序列数据
- 时间序列模型
- 时间序列模型序列相关
- 简单面板数据模型
- 面板数据模型
- 工具变量
- 联立方程
- Probit 和 Logit 模型
本课程的参考教材是：Woodridge, J. “Introductory Econometrics: A Modern Approach“ 。
计量经济学软件入门
Econometrics Academy - R语言入门
本页面提供了 R 语言的入门资料，包括 R 脚本、数据文件、软件下载链接以及 R 语言主题的介绍。
R 语言资源:
- R 脚本: Introduction to R.R
- 数据文件: wage1.csv
下载和安装 R 和 RStudio:
R 语言主题:
- 数据设置
- 安装包
- 数据探索
- 数据编辑
- 导出回归结果
R 语言入门视频:
Introduction to R (这是一个Youtube视频的链接，请复制到浏览器中观看)
统计概念:
该页面主要围绕着使用 R 语言进行统计分析的基本操作展开，包括：
- 数据准备: 如何在 R 中导入和设置数据，例如读取 csv 文件。
- 数据处理: 包括数据清洗、编辑和转换，例如创建新变量、筛选数据等。
- 统计分析: 如何安装必要的 R 包来进行数据分析，例如进行回归分析。
- 结果展示: 如何导出分析结果，方便报告撰写。
本页面适用于希望学习 R 语言进行计量经济学分析的初学者。
Stata 入门
本页面提供了 Stata 软件的入门介绍，并提供了一些学习资源，包括 Stata 程序、数据文件和 Stata 软件的官方网站。
Stata 程序和数据文件:
- Stata 程序: Introduction to Stata.do
- 数据文件: wage1.dta
购买、下载和安装 Stata 许可证:
Stata 入门主题包括：
- 数据设置
- 数据探索
- 数据编辑
- 导出回归输出
- 创建日志文件
视频教程:
这里嵌入了一个关于 Stata 入门的 YouTube 视频：Introduction to Stata (请注意，这里不能直接嵌入视频，仅提供链接)
此页面主要为那些希望学习如何使用 Stata 进行计量经济学分析的用户提供入门指导。Stata 是一款功能强大的统计软件，广泛应用于经济学、社会科学和医学等领域。通过提供的程序文件和数据文件，用户可以实践数据处理、统计分析和回归建模等技能。视频教程进一步提供了可视化的学习辅助。
SPSS入门
SPSS是一款用于估计计量经济模型的统计软件。欲了解更多信息，请访问SPSS官方网站。
本SPSS入门视频将教您如何使用SPSS软件读取数据集、进行基本统计分析，并熟悉该程序，以便我们将其用于更复杂的计量经济模型。
SPSS程序和数据
SPSS入门：主题
- SPSS网站及购买SPSS
- SPSS的优点和缺点
- 程序 - SPSS程序或语法文件 (.sps)
- 输出文件 - 列出命令和显示结果 (.spv)
- 数据文件 - SPSS数据文件 (.sav)、Excel (.xlsx) 和 csv 文件 (.csv)
- 导入数据 - get, get data
- 汇总和分析数据 - descriptives, frequencies, correlations (描述性统计，频率，相关性)
- 统计分析 (t 检验、方差分析、回归) - t-test, oneway, regression (t 检验，单因素方差分析，回归)
- 图表 - ggraph
- 使用帮助
视频
R语言入门
R 是一种用于估计计量经济学模型的统计软件。 想要了解更多信息，请查看 R 官方网站。
在本 R 语言入门视频中，您将学习如何使用 R 软件读取数据集，进行基本统计分析，并熟悉该程序，以便我们可以将其用于更复杂的计量经济学模型。您还将学习 R Studio，这是一个与 R 一起使用的用户友好界面。
R 程序和数据
R 语言入门：主题
- R 网站和下载 R
- R Studio – R 用户界面
- R 的优点和缺点
- 程序 – R 程序文件 (.R)
- R 控制台 – 列出命令并显示结果的地方
- 数据文件 – csv 文件
- 导入数据 – 读取、附加
- 汇总和分析数据 – 摘要、排序、表格、相关性 (cor)
- 统计分析 (t 检验、方差分析、回归) – t.test, anova, olsreg
- 安装和使用软件包
- 使用帮助
YouTube 视频
https://www.youtube.com/embed/7cGwYMhPDUY
Econometrics Academy - SAS 简介
本视频介绍了如何使用 SAS 软件来读取数据集，进行基本的统计分析，并熟悉该程序，以便我们可以将其用于更复杂的计量经济学模型。
SAS 程序和数据
SAS 简介：主题
- SAS 网站和购买 SAS
- SAS 的优点和缺点
- 数据文件 - SAS 数据文件 (.sas7bdat)、Excel 文件、csv 文件
- 程序 - SAS 程序文件 (.sas)
- 库 - 存储 SAS 文件
- 输出文件 - 输出保存的位置
- 日志文件 - 命令执行和错误报告
- 导入和导出数据 - proc import, proc export
- 修改和列出数据集 - data, set, proc print, proc contents, proc sort
- 汇总和分析数据 - proc means, proc univariate, proc freq, proc gchart, proc corr
- 合并数据集 - proc merge
- 统计分析（回归、方差分析）- proc reg, proc glm
- 使用帮助
相关视频
这个教程涵盖了使用SAS进行数据处理和分析的基本概念，包括数据导入导出，数据汇总，统计分析，和回归等。 对于想要学习使用SAS进行计量经济分析的人来说，这是一个很好的入门资源。
Stata 简介
Stata 是一款用于估计计量经济学模型的统计软件。 想要了解更多信息，请访问 Stata 官方网站。
在这个 Stata 简介视频中，你将学习如何使用 Stata 软件读取数据集，进行基本的统计分析，并熟悉该程序，以便我们能够将其用于更复杂的计量经济学模型。
Stata 程序和数据
Stata 简介：主题
- Stata 网站和购买 Stata
- Stata 的优点和缺点
- 程序 – Stata do 文件 (.do)
- 数据文件 – Stata 数据文件 (.dta) 和 csv 文件
- 数据编辑器 – 数据导入的地方
- 日志文件 – 输出保存的地方
- 导入和导出数据 – csv 文件使用 insheet，dta 文件使用 use
- 汇总和分析数据 – describe, summarize, tabulate, bysort, correlate
- 修改数据集 – rename, replace, drop, gen, egen, xi
- 折叠和合并数据集 – collapse, merge
- 统计分析（t 检验和回归）– ttest, reg
- 使用全局语句 - global
- Ado 文件 - 用于专业主题的附加命令
- 使用帮助
以下是一个介绍 Stata 的 YouTube 视频：
计量经济学模型介绍
二元Probit和Logit模型
二元Probit和Logit模型，与二元Probit和Logit模型类似，使用二元因变量，通常编码为0或1变量。 估计两个方程，表示相互依赖的决策。
讲义、程序和数据
- 二元 Probit 和 Logit 模型
- 二元 Probit 和 Logit 模型示例
- 二元 Probit 和 Logit 模型 Stata 程序和输出
- Stata 中的二元 Probit 和 Logit 模型.do
- bivariate_health.dta
- 二元 Probit 和 Logit 模型 R 程序和输出
- R 中的二元 Probit 和 Logit 模型.R
- bivariate_health.csv
- 二元 Probit 和 Logit 模型 SAS 程序和输出
- SAS 中的二元 Probit 和 Logit 模型.sas
- bivariate_health.csv
二元 Probit 和 Logit 模型：涵盖的主题
- 二元 Probit 和 Logit 模型
- 模型系数和解释
- 边际效应和解释
补充说明
此主题没有视频，但是如果您了解 Probit 和 Logit 模型，则可以通过查看讲义和程序来学习此主题。
计数数据模型
计数数据模型用于分析因变量为计数的统计数据（例如0、1、2、3等）。这类数据的特点是集中在少数几个小的离散值上。常见的例子包括：一个家庭拥有的孩子数量，一个人每年去看医生的次数，以及一个人每月旅行的次数。
以下是一些相关的讲义、程序和数据：
- 计数数据模型
- 计数数据模型示例
- 计数数据模型 Stata 程序和输出
- Stata 中的计数数据模型.do
- count_docvisit.dta
- 计数数据模型 R 程序和输出
- R 中的计数数据模型.R
- count_docvisit.csv
- 计数数据模型 SAS 程序和输出
- SAS 中的计数数据模型.sas
- count_docvisit.csv
计数数据模型涵盖的主题：
- 泊松模型（分布的性质、系数和边际效应）
- 负二项模型（过度离散的检验和发生率比）
- 障碍模型或两部分模型
- 零膨胀模型
相关视频：
工具变量
当某些回归变量是内生的（与误差项相关）时，需要使用工具变量程序。纠正这种内生性问题的方法是找到与内生回归变量相关但与误差项不相关的工具变量。然后可以应用两阶段最小二乘法。工具变量的一个例子是当工资和教育共同取决于无法直接观察到的能力时，但我们可以使用可用的测试分数来代替能力。
讲义、程序和数据
- 工具变量
- 工具变量示例
- 工具变量Stata程序和输出
- Stata中的工具变量.do
- iv_health.dta
- 工具变量R程序和输出
- R中的工具变量.R
- iv_health.csv
- 工具变量SAS程序和输出
- SAS中的工具变量.sas
- iv_health.csv
工具变量：涵盖的主题
- 两阶段最小二乘法（2SLS）估计程序
- 识别问题
- 内生性检验
- 弱工具变量
- 方程组 (2SLS 和 3SLS)
相关视频
- https://www.youtube.com/embed/bSLEGjbuit8
- https://www.youtube.com/embed/6tyO4ISzVhw
- https://www.youtube.com/embed/PYx_KOUUpEA
- https://www.youtube.com/embed/OwM3BgWEgUg
- https://www.youtube.com/embed/VWuv0pGTMBk
有限因变量模型
有限因变量指的是因变量存在上限或下限，并且一些观测值“触及”了这个界限。有限因变量是一个连续变量，但在上限或下限处存在大量的重复观测值。例如，产品消费量、女性工作的小时数等等。有限因变量模型主要解决两个问题：截尾 (censoring) 和截断 (truncation)。截尾是指样本中包含达到限制的观测值，而截断是指样本中不包含达到限制的观测值。
讲义、程序和数据
- 有限因变量模型
- 有限因变量模型示例
- 有限因变量模型 Stata 程序和输出
- Stata 中的有限因变量模型.do
- limdep_ambexp.dta
- 有限因变量模型 R 程序和输出
- R 中的有限因变量模型.R
- limdep_ambexp.csv
- 有限因变量模型 SAS 程序和输出
- SAS 中的有限因变量模型.sas
- limdep_ambexp.csv
有限因变量模型：涵盖的主题
- Tobit 模型（使用截尾样本）
- 截断回归（使用截断样本）
- Heckman 模型（样本选择模型）
视频
线性回归
线性回归是计量经济分析的起点。线性回归模型有一个作为连续变量的因变量，而自变量可以采用任何形式（连续、离散或指示变量）。一个简单的线性回归模型只有一个自变量，而多元线性回归模型有两个或多个自变量。线性回归通常使用OLS（普通最小二乘法）进行估计。例子包括研究教育对收入的影响；或经济衰退对股票回报的影响。
讲义、程序和数据
- 线性回归
- 线性回归示例
- 线性回归 Stata 程序和输出
- Stata 中的线性回归 .do
- regression_auto.dta
- 线性回归 R 程序和输出
- R 中的线性回归 .R
- regression_auto.csv
- 线性回归 SAS 程序和输出
- SAS 中的线性回归 .sas
- regression_auto.csv
线性回归模型：涵盖的主题
- 线性回归模型
- 系数和边际效应
- 系数显著性检验和解释
- 因变量的预测
- 拟合优度 (R 平方)
视频
多项 Probit 和 Logit 模型
多项 Probit 和 Logit 模型用于分析因变量为分类、无序变量的情况。这些分类或类别被称为备选项（编码为 1, 2, 3, 4…），且只能选择一个备选项。例如，个人选择的保险合同类型，或者个人选择的职业（商业、学术、非营利组织）都属于这种情况。
讲义、程序和数据
- 多项 Probit 和 Logit 模型
- 多项 Probit 和 Logit 模型示例
- 多项 Probit 和 Logit 模型 Stata 程序和输出
- 条件 Logit 模型 Stata 程序和输出
- 混合 Logit 模型 Stata 程序和输出
- 多项 Probit 和 Logit 模型在 Stata 中的实现.do
- 条件 Probit 和 Logit 模型在 Stata 中的实现.do
- 混合 Logit 模型在 Stata 中的实现.do
- multinomial_fishing.dta
- mixed_fishing.dta
- conditional_fishing.dta
- 多项 Probit 和 Logit 模型 R 程序和输出
- 多项 Probit 和 Logit 模型在 R 中的实现.R
- multinomial_fishing1.csv
- 多项 Probit 和 Logit 模型 SAS 程序和输出
- 条件 Logit 模型 SAS 程序和输出
- 混合 Logit 模型 SAS 程序和输出
- 多项 Probit 和 Logit 模型在 SAS 中的实现.sas
- 条件 Probit 和 Logit 模型在 SAS 中的实现.sas
- 混合 Logit 模型在 SAS 中的实现.sas
- multinomial_fishing.csv
- multinomial_fishing1.csv
- mixed_fishing.csv
- conditional_fishing.csv
多项 Probit 和 Logit 模型：涵盖的主题
- 多项结果因变量（在宽数据和长数据集中）
- 自变量（备选项不变或备选项可变）
- 多项 Logit 模型（系数、边际效应、IIA）和多项 Probit 模型
- 条件 Logit 模型（系数、边际效应）
- 混合 Logit 模型（随机参数模型）
相关视频
有序 Probit 和 Logit 模型
有序 probit 和 logit 模型用于因变量为有序类别的情况。例如，评分系统（差、一般、好、优秀），从非常不同意到非常同意的意见调查，成绩和债券评级都属于这种情况。
讲义、程序和数据：
- 有序 Probit 和 Logit 模型
- 有序 Probit 和 Logit 模型示例
- 有序 Probit 和 Logit 模型 Stata 程序和输出
- Stata 中的有序 Probit 和 Logit 模型.do
- ordered_health.dta
- 有序 Probit 和 Logit 模型 R 程序和输出
- R 中的有序 Probit 和 Logit 模型.R
- ordered_health.csv
- 有序 Probit 和 Logit 模型 SAS 程序和输出
- SAS 中的有序 Probit 和 Logit 模型.sas
- ordered_health.csv
有序 probit 和 logit 模型：涵盖的主题
- 有序结果因变量
- 有序 probit 和 logit 模型（系数和边际效应）
相关视频：
面板数据模型
面板数据模型提供了关于个体行为的信息，既包括个体之间的差异，也包括个体随时间的变化。数据和模型都具有横截面和时间序列的维度。当所有个体在所有时间段都被观察到时，面板数据可以是平衡的；当个体并非在所有时间段都被观察到时，面板数据可以是不平衡的。例如，使用跨时间和个体的数据来估计教育对收入的影响；以及使用跨年度和国家的数据来估计收入对储蓄的影响。
讲义、程序和数据
- 面板数据模型
- 面板数据模型示例
- 面板数据模型 Stata 程序和输出
- Stata 中的面板数据模型
- panel_wage.dta
- 面板数据模型 R 程序和输出
- R 中的面板数据模型
- panel_wage.csv
- 面板数据模型 SAS 程序和输出
- SAS 中的面板数据模型
- panel_wage.csv
面板数据模型：涵盖的主题
- 面板数据特征，面板数据类型
- 变异类型（总体变异、组内变异和组间变异）
- 面板数据模型（混合模型、固定效应模型和随机效应模型）
- 估计量性质（一致性和有效性）
- 估计量（混合 OLS、组间、固定效应、一阶差分、随机效应）
- 用于选择模型之间的检验（Breusch-Pagan LM 检验、Hausman 检验）
相关视频
主成分分析
主成分分析（Principal Component Analysis, PCA）和因子分析（Factor Analysis）是数据降维的方法，用于用更少的维度重新表达多变量数据。因子分析假设存在一些驱动数据变动的共同因子，而主成分分析则没有这个假设。这些方法通常在进行调查后使用，目的是“揭示”共同因子，或获得更少的组件用于后续分析。
讲义、程序和数据
- 主成分分析和因子分析
- 主成分分析和因子分析示例
- 主成分分析 Stata 程序和输出
- Stata 中的主成分分析.do
- pca_gsp.dta
- 主成分分析 R 程序和输出
- R 中的主成分分析.R
- pca_gsp.csv
- 主成分分析 SAS 程序和输出
- SAS 中的主成分分析.sas
- pca_gsp.csv
主成分分析和因子分析：涵盖的主题
- PCA 方法论
- 成分/因子保留
- 成分/因子旋转（正交 vs. 斜交）
- 何时使用 PCA
- 探索性因子分析方法论
相关视频
Probit 和 Logit 模型
Probit 和 logit 模型是最常用的模型之一。因变量是一个二元响应，通常编码为 0 或 1 变量。决策/选择是是否拥有、做、使用或采用。例如，消费者是否进行购买，以及个人是否参与劳动力市场。
讲义、程序和数据
- Probit and Logit Models
- Probit and Logit Models Example
- Probit and Logit Models Stata Program and Output
- Probit and Logit Models in Stata.do
- probit_insurance.dta
- Probit and Logit Models R Program and Output
- Probit and Logit Models in R.R
- probit_insurance.csv
- Probit and Logit Models SAS Program and Output
- Probit and Logit Models in SAS.sas
- probit_insurance.csv
- Probit and Logit Models SPSS Program and Output
- Probit and Logit Models in SPSS.sps
- probit_insurance.sav
Probit 和 logit 模型：涵盖的主题
- 线性回归模型，probit 和 logit 模型函数形式和性质
- 模型系数和解释
- 边际效应（和优势比）及其解释
- 拟合优度统计量（正确预测的百分比和伪 R 平方）
- probit 和 logit 之间的选择
- 导致使用 probit 和 logit 模型的经济模型
相关视频
YouTube Video 1
YouTube Video 2
YouTube Video 3
YouTube Video 4
YouTube Video 5
YouTube Video 6
倾向得分匹配
本文介绍了倾向得分匹配 (Propensity Score Matching) 的概念，这是一种用于评估项目或处理对结果的平均效应的方法。它通过比较处理组和控制组的结果来实现。当一组受试者接受了某种处理，而我们希望将他们的结果与控制组的结果进行比较时，可以使用倾向得分匹配。例如，评估培训项目对工作绩效的影响，或政府项目对特定学校的帮助效果。
讲义、程序和数据：
- 倾向得分匹配
- 倾向得分匹配示例
- 倾向得分匹配 Stata 程序和输出
- Stata 中倾向得分匹配.do
- matching_earnings.dta
- 倾向得分匹配 R 程序和输出
- R 中倾向得分匹配.R
- matching_earnings.csv
倾向得分匹配：涵盖的主题
- 倾向得分方法论
- 处理组和控制组
- 使用 Probit/Logit 模型估计倾向得分
- 处理组和控制组观察值的匹配方法
- 处理效应的估计
- 倾向得分匹配中的假设
- 双重差分模型
相关视频：
分位数回归
分位数回归提供了自变量对因变量影响的更全面的视角。它不像普通最小二乘法（OLS）线性模型那样估计平均效应，而是沿着因变量的分布（分位数）产生不同的效应。因变量是连续的，没有零值或太多的重复值。例如，估计家庭收入对低支出和高支出家庭食品支出的影响；以及确定学生成绩在其成绩分布上的影响因素。
讲义、程序和数据
- 分位数回归
- 分位数回归示例
- 分位数回归 Stata 程序和输出
- Stata 中的分位数回归.do
- quantile_health.dta
- 分位数回归 R 程序和输出
- R 中的分位数回归.R
- quantile_health.csv
- 分位数回归 SAS 程序和输出
- SAS 中的分位数回归.sas
- quantile_health.csv
分位数回归模型：涵盖的主题
- 分位数回归模型
- 分位数回归系数和边际效应（与 OLS 系数的差异）
- 分位数回归的优势
相关视频
似乎不相关的回归
本页介绍了似乎不相关的回归 (Seemingly Unrelated Regressions, SUR) 模型。与单个方程不同，方程组包含多个方程。SUR 模型中的方程之所以被称为“似乎不相关”，是因为它们之间的关联仅通过误差项体现，并且包含的解释变量都是外生的。
SUR 模型的一些应用示例包括：
- 个人对不同物品的需求系统
- 不同类型支出的支出系统
相关资料、程序和数据
以下是一些关于 SUR 模型的资料、程序和数据链接：
- 似乎不相关的回归
- 似乎不相关的回归示例
- 似乎不相关的回归 Stata 程序和输出
- Stata 中的似乎不相关的回归.do
- sur_scores.dta
- 似乎不相关的回归 R 程序和输出
- R 中的似乎不相关的回归.R
- sur_scores.csv
- 似乎不相关的回归 SAS 程序和输出
- SAS 中的似乎不相关的回归.sas
- sur_scores.csv
SUR 模型涵盖的主题:
- SUR 模型
- SUR 估计
- SUR 模型的性质
相关视频:
空间计量经济学
空间计量经济学模型应用于包含单元之间坐标或距离的空间数据。例如，包括估计邻近地区的房价，以及估计空间上接近的县的农田价格。
讲义、程序和数据
- 空间计量经济学
- 空间计量经济学示例
- 空间计量经济学 Stata 程序和输出
- Stata 中的空间计量经济学.do
- spatial_columbus.dta
- 空间计量经济学 R 程序和输出
- R 中的空间计量经济学.R
- spatial_columbus.csv
空间计量经济学模型：涵盖的主题
- 空间计量经济学解释了回归分析中空间效应的存在。
- 基于邻接和距离的空间权重矩阵。
- 空间回归模型：空间滞后模型和空间误差模型。
- 空间依赖性测试（莫兰 I 指数）。
以下是一些关于空间计量经济学的相关视频：
生存分析
生存分析是一种统计方法，当数据集包含被追踪直到事件发生（失败）或从样本中丢失的受试者时应用。我们感兴趣的是他们在样本中停留的时间（生存期）。我们也对他们的失败风险（风险率）感兴趣。例如，贷款表现和违约、公司生存和退出以及退休时间。
讲义、程序和数据
- 生存分析
- 生存分析示例
- 生存分析 Stata 程序和输出
- Stata 中的生存分析.do
- survival_unemployment.dta
- 生存分析 R 程序和输出
- R 中的生存分析.R
- survival_unemployment.csv
- 生存分析 SAS 程序和输出
- SAS 中的生存分析.sas
- survival_unemployment.csv
生存分析：涵盖的主题
- 生存分析的设置和特征
- 基本生存分析的扩展
- 生存函数、风险函数和累积风险函数
- 非参数分析（Kaplan-Meier 生存函数）
- 参数模型（指数、Weibull、Gompertz 和对数逻辑）
- 半参数模型（Cox 比例风险模型）
相关视频
时间序列 ARIMA 模型
时间序列 ARIMA 模型应用于随时间测量的变量的时间序列数据。时间序列分析研究变量随时间的关系，例如商品价格或作物产量。时间序列模型可用于分析特定事件的影响（例如衰退对失业率的影响）或用于预测（例如预测经济增长或未来价格）。
讲义、程序和数据
- 时间序列 ARIMA 模型
- 时间序列 ARIMA 模型示例
- 时间序列 ARIMA 模型 Stata 程序和输出
- Stata 中的时间序列 ARIMA 模型.do
- 时间序列 ARIMA 模拟.do
- timeseries_ppi.dta
- 时间序列 ARIMA 模型 R 程序和输出
- R 中的时间序列 ARIMA 模型.R
- timeseries_ppi.csv
- 时间序列 ARIMA 模型
- SAS 程序和输出
- SAS 中的时间序列 ARIMA 模型.sas
- timeseries_ppi.csv
时间序列模型：涵盖的主题
- 白噪声，自回归 (AR) 模型，移动平均 (MA) 模型，ARMA 模型
- 平稳性，差分，去趋势，季节性
- 平稳性的迪基-福勒检验
- 自相关函数 (ACF) 和偏自相关函数 (PACF)
- 选择 ARIMA 模型的 Box-Jenkins 方法
相关视频
计量经济学硕士课程
计量经济学与经济数据
本页面提供了关于计量经济学和经济数据的相关资源，包括文件、讲座主题以及使用 Stata 和 R 进行数据分析的视频教程。
文件下载
以下是相关文件的下载链接：
- 讲义：Econometrics and Economic Data.pdf
- Stata 程序：Econometrics and Economic Data.do
- 数据文件 (dta 格式):
- R 脚本：Econometrics and Economic Data.R
- 数据文件 (csv 格式):
讲座主题
- 计量经济学、经济模型和计量经济模型的定义。
- 经济数据的类型（横截面数据、时间序列数据、混合横截面数据和面板数据）。
- 计量经济学中的因果关系与相关性/关系。
Stata/R 数据分析主题
- 横截面数据分析
- 时间序列数据分析
- 混合横截面数据分析
- 面板/纵向数据分析
视频教程
以下是一些关于计量经济学和经济数据的 YouTube 视频教程：
- Econometrics and Economic Data
- Econometrics and Economic Data in Stata
- Econometrics and Economic Data in R
这些资源涵盖了计量经济学的基础概念，以及如何使用 Stata 和 R 进行实际数据分析。数据类型包括了横截面数据，时间序列数据，混合横截面数据和面板数据，这些都是计量经济学分析中常见的类型。其中，因果关系与相关性的辨析是计量经济学分析中的重点。
异方差性
本页面提供了关于异方差性的学习资料，包括讲义、程序代码以及数据文件，并涵盖了异方差性的定义、后果、检验以及修正方法。
文件:
- 讲义: Heteroscedasticity.pdf
- Stata程序: Heteroscedasticity.do
- 数据文件: hprice1.dta
- R脚本: Heteroscedasticity.R
- 数据文件: hprice1.csv
讲座主题:
- 异方差性的定义
- 异方差性的后果
- 异方差性检验
- Breusch-Pagan 检验
- White 检验
- 替代 White 检验
- 异方差性的修正
- 稳健标准误差
- 加权最小二乘法 (WLS)
- 可行广义最小二乘法 (FGLS)
Stata/R 中异方差性的主题:
- 异方差性的图形分析
- 异方差性检验
- Breusch-Pagan 检验
- White 检验
- 替代 White 检验
- 异方差性稳健标准误差
- 加权最小二乘法 (WLS)
- 可行广义最小二乘法 (FGLS)
视频:
统计概念:
异方差性是指在回归模型中，误差项的方差不是常数的情况。换句话说，误差项的离散程度随解释变量的变化而变化。异方差性会影响普通最小二乘法(OLS)估计量的效率，并且使得标准误差不可靠，从而导致错误的推断。因此，需要进行异方差性检验，并在存在异方差性的情况下进行相应的修正。
工具变量
本页面提供了关于工具变量（Instrumental Variables）的资源，包括讲义、Stata 和 R 的代码以及相关数据文件。此外，还提供了关于工具变量的讲座视频。
工具变量：文件
- 讲义：Instrumental Variables.pdf
- Stata 程序：Instrumental Variables.do
- 数据文件：mroz.dta
- R 脚本：Instrumental Variables.R
- 数据文件：mroz.csv
工具变量：讲座主题
- 内生性问题（Endogeneity problem）
- 工具变量（Instrumental variables）
- 工具变量估计（IV estimation）
- 二阶段最小二乘法估计（2SLS estimation）
- 内生性检验（Testing for endogeneity）
在 Stata/R 中使用工具变量：主题
- 工具变量估计（IV estimation）
- 二阶段最小二乘法（two stage least squares）（2SLS）
- 内生性检验（Testing for endogeneity）
相关视频
统计概念
工具变量（IV）是一种用于解决内生性问题的统计方法。当一个或多个回归变量与误差项相关时，就会出现内生性问题。这会导致普通的最小二乘法估计产生偏差和不一致的结果。工具变量法通过引入一个或多个与内生变量相关但与误差项不相关的工具变量，来获得对因果效应的一致估计。二阶段最小二乘法（2SLS）是一种常见的工具变量估计方法。
这些资源涵盖了工具变量法的基本概念、估计方法和在 Stata 和 R 中的实现。通过这些资源，您可以学习如何识别内生性问题，如何找到合适的工具变量，以及如何使用工具变量法来获得可靠的因果推断结果。
多元回归模型
本节内容主要介绍多元回归模型，包括相关文件、讲座主题以及在Stata和R中的应用。
文件:
- 讲义: Multiple Regression Model.pdf
- Stata 程序: Multiple Regression Model.do
- 数据文件:
- R 脚本: Multiple Regression Model.R
- 数据文件 (CSV格式):
多元回归模型：讲座主题
- 多元回归术语
- 系数的例子和解释
- OLS估计的推导、OLS性质、部分分离
- 拟合优度：R平方和调整的R平方
- 高斯马尔科夫假设
- 5个假设
- 完美共线性与多重共线性
- OLS估计量的无偏性（遗漏变量偏差）
- OLS估计量的方差（错误指定模型中的方差）
- 高斯-马尔可夫定理（BLUE）
Stata/R 中的多元回归模型：主题
- 多元回归
- 部分分离
- 拟合优度（R平方和调整的R平方）
- 完美共线性
- 使用 VIF 进行多重共线性分析
- 遗漏变量偏差
- 错误指定模型中的方差
- 同方差性和异方差性
视频
统计概念解释
- 多元回归: 是一种统计技术，用于分析一个因变量与多个自变量之间的关系。
- OLS (普通最小二乘): 是一种常用的估计回归模型参数的方法，目标是最小化残差平方和。
- R 平方: 衡量回归模型拟合数据程度的指标，表示模型解释的因变量方差的比例。
- 调整的 R 平方: 调整了模型中自变量数量的 R 平方，用于比较不同自变量数量的模型。
- 高斯马尔科夫假设: 是保证 OLS 估计量为最佳线性无偏估计量 (BLUE) 的一组假设。
- 完美共线性: 指模型中的一个自变量可以由其他自变量的线性组合完美预测。
- 多重共线性: 指模型中多个自变量之间存在高度相关性，会影响 OLS 估计的精确度。
- VIF (方差膨胀因子): 用于衡量多重共线性的指标。
- 遗漏变量偏差: 当模型中遗漏与因变量和至少一个包含自变量相关的变量时，导致的估计偏差。
- 同方差性: 指模型误差项的方差在所有观测值中是恒定的。
- 异方差性: 指模型误差项的方差在观测值之间不恒定。
- BLUE (最佳线性无偏估计量): 如果高斯-马尔可夫假设成立，OLS 估计量即为最佳的线性无偏估计量。
OLS 渐近性
本部分内容主要介绍了普通最小二乘法（OLS）的渐近性质，并提供了相关的讲义、程序代码和数据文件。
文件:
- 讲义: OLS Asymptotics.pdf
- Stata程序: OLS Asymptotics.do
- 数据文件: wage1.dta
- R脚本: OLS Asymptotics.R
- 数据文件: wage1.csv
OLS 渐近性：讲座主题
- 一致性（Consistency）
- 一致性与无偏性的比较
- 渐近正态性（Asymptotic Normality）
- 大样本中的方差和标准误差
Stata/R 中的 OLS 渐近性：主题
- OLS 标准误差
相关视频：
- OLS 渐近性: https://www.youtube.com/embed/FLdrbLUoI0E?embed_config=%7B%22enc%22:%22AYAC26d2Thf49ATfT7Gh1dM_qfnEeJjSm9UJwjbcQ4QGypHDOXYUahmaNcuk1D2dEIpGV9pHjcynXwAXuZoeZmrYIqdsF3phHxPx4haTEGwOmFaz5eCMVL5W75YNZu92pvsp4svY0nWGVHL9gL-BcZYAJ6BOVoCADUdGaHEcuBL0bSCK%22%7D&errorlinks=1
- Stata 中 OLS 渐近性: https://www.youtube.com/embed/jbYM7IDN60g?embed_config=%7B%22enc%22:%22AYAC26dTk6YTLi7l6C4lav1sfXkh6ugQYbk8CpXxewrwzypzWEpZTZIbEOwCFTPbdqmh5Y96rgeBjZjjGuu_fP_XAX0E4OtUjzIpWgqAPWPfdjyBg6FDwpiO7N8T6OzC2GWW2h5iD5e1HU6sRwMShQELwoFWxUjywTq6RGryfzxKTiKD%22%7D&errorlinks=1
- R 中 OLS 渐近性: https://www.youtube.com/embed/16mgfgNKR9k?embed_config=%7B%22enc%22:%22AYAC26cL7f39UG8AQz4mMSLlecOmj9xeGFTtL0sfKYKXNtgYXN-SJ15TMn9ktSX7hRArXuau66VQRfClDh5yDOhBYrzbvBFs4mQqWq8NnxAr-3v1N5VS1hUKxlLCUrEN1TjEbDBj0G-flD-3Cd1Omca2bOeVSXyOi3L5ZUDqTi-jRSU0%22%7D&errorlinks=1
这段内容主要围绕OLS（普通最小二乘法）的渐近性展开，这是计量经济学中的一个核心概念。
核心概念解释:
- 一致性: 一个估计量，当样本容量趋于无穷大时，其估计值收敛于真值，则称其是一致的。简单来说，就是当数据越来越多的时候，我们的估计会越来越准确。
- 无偏性: 一个估计量的期望值等于被估计参数的真值，则称该估计量是无偏的。
- 渐近正态性: 指的是当样本容量趋于无穷大时，估计量的抽样分布趋于正态分布。
- 标准误差: 标准误差是样本统计量的标准差，衡量了样本均值的抽样误差大小。
该内容还提供了关于如何在Stata和R中实际操作 OLS 渐近性的相关资源。
面板数据模型
本页面提供了面板数据模型相关的学习资源，包括讲义、Stata程序、数据文件和R脚本，以及相关的教学视频。
文件
- 讲义：Panel Data Models.pdf
- Stata 程序：Panel Data Models.do
- 数据文件：jtrain.dta
- R 脚本：Panel Data Models.R
- 数据文件：jtrain.csv
讲义主题
以下为讲义中涉及的主要面板数据模型主题：
- 面板数据设置和各种形式
- 混合OLS估计
- 一阶差分估计
- 固定效应（组内）估计
- 使用固定效应的虚拟变量回归
- 随机效应估计
- 固定效应与随机效应的Hausman检验
Stata/R 中的面板数据模型主题
以下为在Stata和R中进行面板数据分析的相关主题：
- 混合OLS估计
- 组间估计
- 一阶差分估计
- 固定效应组内估计
- 虚拟变量回归
- 随机效应估计
- 固定效应与随机效应的Hausman检验
教学视频
以下是关于面板数据模型及其在Stata和R中应用的教学视频：
- 面板数据模型：https://www.youtube.com/embed/tICblvtNHfY
- Stata中的面板数据模型：https://www.youtube.com/embed/_Vm7uRJHgNs
- R中的面板数据模型：https://www.youtube.com/embed/x6tfk_FPFjE
这些资源旨在帮助学习者理解和应用面板数据模型，并使用 Stata 和 R 进行实证分析。面板数据模型是一种强大的工具，用于分析随时间变化的个体（例如个人、公司或国家）的数据。这些模型考虑了个体之间的异质性和时间效应，从而得出更准确的估计结果。
Probit 和 Logit 模型
本页面提供了关于 Probit 和 Logit 模型的资源，包括讲义、Stata 和 R 程序以及数据文件。此外，还涵盖了与这些模型相关的关键统计概念。
文件:
- 讲义: Probit and Logit Models.pdf
- Stata 程序: Probit and Logit Models.do
- 数据文件: mroz.dta
- R 脚本: Probit and Logit Models.R
- 数据文件: mroz.csv
讲座主题:
- 线性概率模型
- Probit 和 logit 模型
- 极大似然估计
- 系数
- 预测概率
- 边际效应
- 均值处的边际效应
- 平均边际效应
- 拟合优度度量
- 伪 R 平方
- 正确预测的百分比
Stata/R 中的 Probit 和 Logit 模型：主题
- Probit 和 logit 模型
- 预测概率
- 边际效应
- 伪 R 平方
- 正确预测的百分比
视频:
这些资源为学习和应用 Probit 和 Logit 模型提供了全面的材料，包括理论背景、实际操作和软件应用。
回归推断
本页面提供了关于回归推断的讲义、程序文件、数据文件以及相关视频。主要内容涵盖了回归分析中的统计推断，包括假设检验、误差正态性检验，以及各种系数显著性检验。
文件资源:
- 讲义: Regression Inference.pdf
- Stata程序: Regression Inference.do
- 数据文件: wage1.dta
- R脚本: Regression Inference.R
- 数据文件: wage1.csv
讲义主题：
- 回归中的统计推断 (假设检验)
- 误差正态性假设及其检验
- 关于系数显著性的假设检验
- 系数显著性的T检验
- 系数显著性的F检验
- 单个系数的显著性
- 多个系数的联合显著性
- 回归整体的显著性 - 所有系数的联合显著性
- 系数显著性的LM卡方检验
在Stata/R中进行回归推断的专题:
- Shapiro-Wilk正态性检验
- 系数显著性的t检验
- 单个系数显著性的F检验
- 多个系数联合显著性的F检验
- 回归整体显著性的F检验
- 系数显著性的拉格朗日乘数卡方检验
相关视频：
这些资源将帮助你理解回归分析中的重要推断概念，并在 Stata 和 R 中实践这些方法。主要内容涵盖了回归分析中的统计推断，包括假设检验、误差正态性检验，以及各种系数显著性检验。
回归设定
本页面提供了关于回归设定的相关文件和视频资源，主要涵盖以下内容：
回归设定：文件
- 讲义: Regression Specification.pdf
- Stata 程序: Regression Specification.do
- 数据文件:
- R 脚本: Regression Specification.R
- 数据文件:
回归设定：讲座主题
- RESET (回归设定误差检验)
- 代理变量
- 因变量和自变量中的测量误差
Stata/R 中的回归设定：主题
- RESET (回归设定误差检验)
- 代理变量
- 因变量和自变量中的测量误差
回归设定相关视频
统计概念
这里涉及的统计概念包括：
- 回归设定误差检验 (RESET): 用于检测回归模型是否正确设定，例如是否遗漏了重要的变量或者模型函数形式错误。
- 代理变量: 当无法直接测量感兴趣的变量时，可以使用与之相关的代理变量来代替。
- 测量误差: 在回归分析中，因变量或自变量的测量误差可能会导致估计结果有偏差。
回归变量转换
本节内容主要围绕回归分析中的变量转换展开，包括以下几个方面：
文件资料：
- 讲义: Regression Variable Transformations.pdf
- Stata 程序: Regression Variable Transformations.do
- 数据文件:
- R 脚本: Regression Variable Transformations.R
- 数据文件:
主要讲授内容：
- 边际或偏效应 (Marginal or partial effects): 探讨自变量变化一个单位时，因变量平均变化的程度，在非线性模型中尤其重要。
- 带二次项的回归 (Regression with quadratic terms): 引入自变量的平方项，以捕捉自变量和因变量之间可能存在的非线性关系，例如U型或倒U型关系。
- 带交互项的回归 (Regression with interaction terms): 在回归模型中引入两个或多个自变量的乘积项，来研究它们对因变量的联合效应，即考察一个自变量对因变量的影响是否受到另一个自变量的影响。
- 变量的重新缩放 (Rescaling variables): 通过线性变换（如标准化或除以常数）来调整变量的尺度，以便更好地解释和比较系数。这通常是为了避免多重共线性和提高模型的可解释性。
- 对数变量的重新缩放 (Rescaling logged variables): 对已经取对数的变量进行重新缩放，常常在对数模型中使用，可以理解为弹性。
Stata/R 中回归变量转换:
- 带二次项的回归
- 带交互项的回归
- 重新缩放变量的回归
- 对数重新缩放变量的回归
相关视频：
- Regression Variable Transformations: https://www.youtube.com/embed/F_BllJYk8lk?embed_config=%7B%22enc%22:%22AYAC26eMHHtHZw4Kv82LLAnk65jvwGtuel5629CaswSVOvfmWkHtCOuURCW-GgKLCFOmTRjEBcLYaFXRSpZ2UW4D7xILO3RwdlCrYlQ1z1eByfydCzCr0760DhN9667XZ8MwZbogCzgpRz2x5Ih3GzYe-WqOQlaGatyoL4MX3jtONJQk%22%7D&errorlinks=1
- Regression Variable Transformations in Stata: https://www.youtube.com/embed/7rJw1qQohZY?embed_config=%7B%22enc%22:%22AYAC26e8fJoffEVaCy9GHPorIEfD6vrxtK0E2EuCh0s7xuLWL9rfJSAbsSt4OfVCtIM17nHl25JQYJTvUZuhFv-4YjubpnjAmAhXho4ZCgMWCvsPtc9OhpWRsNURg1uZfKp22U3dgZMxjYeds3AB3kJj05WxFln5RnNH2F71dj2G0SkK%22%7D&errorlinks=1
- Regression Variable Transformations in R: https://www.youtube.com/embed/JE4ZEhoOXo4?embed_config=%7B%22enc%22:%22AYAC26cSHMuszfYNVkcaEj3hKcbrVPCjdH4CfKRYoaNZdAEWTKR5M90pqUzNz6xwnQHJ1LljxyuYEm5m-1HoC_rNqWbHymXOnaJFkhryBw1JKAkkkzj7krxDYNVbPsUbteSlfqZgY6dhHlQGO26pjc8MkcjU0-pAyHvXgW2XGpgwIjPx%22%7D&errorlinks=1
虚拟变量回归
本节主要介绍了虚拟变量（也称为指示变量）在回归分析中的应用，并提供了相关的文件、Stata程序、R脚本以及数据文件。此外，还提供了关于该主题的讲座视频，分别演示了在Stata和R中的具体操作。
文件:
- 讲座: Regression with Indicator Variables.pdf
- Stata 程序: Regression with Indicator Variables.do
- 数据文件: wage1.dta
- R 脚本: Regression with Indicator Variables.R
- 数据文件: wage1.csv
讲座主题:
- 单个虚拟变量
- 与其他虚拟变量的交互项
- 多个相关的虚拟变量
- 与非虚拟变量的交互项
- 跨组差异的F检验
- 跨组差异的Chow检验
Stata/R 专题:
- 单个虚拟变量
- 与其他虚拟变量的交互项
- 多个相关的虚拟变量
- 与非虚拟变量的交互项
- 跨组差异的F检验
- 跨组差异的Chow检验
讲座视频:
- Regression with Indicator Variables
- Regression with Indicator Variables in Stata
- Regression with Indicator Variables in R
统计概念:
虚拟变量回归是一种回归分析方法，用于处理分类变量或定性变量。虚拟变量通常取值为0或1，表示某个类别是否出现。通过在回归模型中包含虚拟变量，我们可以评估不同类别对因变量的影响。
- 单个虚拟变量: 模型中包含一个二元变量，用于比较两个组或类别之间的差异。
- 交互项: 模型中包含两个或多个变量的乘积，用于检验一个变量对因变量的影响是否取决于另一个变量的水平。
- F检验和Chow检验: 用于检验不同组别之间的回归系数是否存在显著差异。F检验用于比较嵌套模型，Chow检验用于比较非嵌套模型。
这个主题涵盖了如何使用虚拟变量来分析分类数据，以及如何在Stata和R软件中执行相关的统计分析。通过学习本节，您可以更好地理解和应用虚拟变量回归技术。
简单面板数据模型
本节内容主要介绍简单面板数据模型，并提供相关的文件、Stata/R 代码以及讲解视频。
文件:
- 讲义: Simple Panel Data Models.pdf
- Stata 程序: Simple Panel Data Models.do
- 数据文件:
- R 脚本: Simple Panel Data Models.R
- 数据文件 (CSV 格式):
讲义主题:
- 双重差分模型 (Difference-in-differences model): 一种用于估计政策或干预效果的准实验方法，它比较了处理组和控制组在干预前后结果变量的变化差异。
- 基于一阶差分估计量的面板数据模型 (Panel data model with first differences estimator): 通过对面板数据（即对同一单位进行多次观察）进行一阶差分，可以消除固定效应，从而解决内生性问题，更好地估计模型参数。
Stata/R 主题:
- 双重差分模型 (Difference-in-differences model): 使用 Stata 或 R 实现双重差分模型。
- 基于一阶差分的面板数据模型 (Panel data model with first differences): 使用 Stata 或 R 实现基于一阶差分的面板数据模型。
视频:
这些资料提供了关于如何使用面板数据模型解决实际经济问题的深入见解。面板数据模型是计量经济学中常用的一种方法，通过对同一对象在不同时间点进行多次观测，可以控制个体固定效应，更有效地估计模型的因果关系。
简单回归模型
本页面提供了关于简单回归模型的学习资源，包括讲义、程序代码、数据文件以及相关视频。
文件资源:
- 讲义: Simple Regression Model.pdf
- Stata程序: Simple Regression Model.do
- 数据文件:
- R脚本: Simple Regression Model.R
- 数据文件 (csv格式):
讲义主题:
- 简单回归术语
- 系数的例子和解释
- 总体回归函数
- OLS估计的推导
- 简单回归的例子 - 结果的解释
- 变化, R平方
- 对数转换 - 对数-对数, 对数-线性, 和线性-对数形式
- 高斯马尔可夫假设
- OLS估计量的无偏性
- OLS估计量的方差
Stata/R中的简单回归模型主题:
- 简单回归
- 回归后的预测
- 拟合优度度量 (R平方)
- 对数形式：对数-对数和对数-线性形式
视频资源:
统计概念:
简单回归模型旨在建立一个因变量和一个自变量之间的线性关系。通过最小化残差平方和(OLS)，我们能够估计回归系数。关键概念包括：
- 回归系数: 表示自变量每变动一个单位，因变量的预期变动量。
- R平方: 用于衡量模型对数据的拟合程度，表示因变量变异性能被自变量解释的比例。
- 高斯-马尔可夫假设: 假设残差项的期望值为零，残差项与自变量不相关，残差项方差恒定，残差项之间互不相关，这些假设保证OLS估计量的无偏性和有效性。
- 对数转换: 用于处理非线性关系，例如，对数-对数模型可以估计变量之间弹性。
该页面提供的资源涵盖了简单回归模型的基本概念、理论、实践应用以及在Stata和R中的实现方法。
联立方程
本页面提供了关于联立方程模型的学习资源，包括讲义、Stata 和 R 语言的程序文件、数据文件以及相关主题的视频讲解。
文件
- 讲义: Simultaneous Equations.pdf
- Stata 程序: Simultaneous Equations.do
- 数据文件: mroz.dta
- R 脚本: Simultaneous Equations.R
- 数据文件: mroz.csv
讲义主题
- 联立方程的定义
- 联立性偏差
- 联立方程的 2SLS 估计
- 检验秩条件
Stata/R 中的联立方程主题
- 联立方程
- 检验秩条件
视频讲解
- 联立方程: YouTube Video, Simultaneous Equations
- Stata 中的联立方程: YouTube Video, Simultaneous Equations in Stata
- R 中的联立方程: YouTube Video, Simultaneous Equations in R
统计概念简介
联立方程模型是指模型中存在多个方程，且这些方程中的因变量也作为其他方程的自变量。这种模型通常用于分析经济学、社会学等领域中，变量之间存在相互影响的复杂关系。
联立性偏差: 当一个或多个自变量与误差项相关时，普通最小二乘法（OLS）估计会产生有偏且不一致的结果。这是联立方程模型中需要解决的关键问题。
2SLS 估计: 两阶段最小二乘法 (2SLS) 是一种常用的解决联立性偏差的方法。它通过引入工具变量，分两个阶段估计模型，以获得一致的参数估计。
秩条件: 秩条件是识别联立方程模型的必要条件。它确保可以通过给定的工具变量获得模型的唯一参数估计。