课程大纲

第一天

第一讲 线性回归模型

1.1 模型设定与OLS估计

1.2 什么情况下回归代表因果关系？

1.3 模型的内部有效性与外部有效性

1.4 模型的评估：R2很低，是否不可取？

1.5 应该如何加入控制变量？

     1.5.1 加入控制变量的思路与注意的问题

     1.5.2 什么样的控制变量是不恰当的

1.6 多重共线性

     1.6.1 如何判断是否存在多重共线问题？

     1.6.2 什么情况下不需要关注多重共线问题

     1.6.3 如何解决多重共线问题？

1.7 读者（审稿人）对模型结论的质疑来自哪里，如何解决？

第二讲 从一个完整的案例掌握Stata的操作

2.1 论文模型与数据

2.2 数据导入与合并

2.3 数据清理

     2.3.1 缺失值如何处理？

     2.3.2 如何检测异常值？

2.4 模型估计与检验

2.5 实证结果导出到Word文档

第三讲 虚拟变量与非线性模型的解读与检验

3.1 虚拟变量

     3.1.1 虚拟变量

     3.1.2 什么情况下可以加入全部分组的虚拟变量？

     3.1.3 排序变量能直接加入模型吗？

3.2 交互项模型

     3.2.1 交互项模型的系数解释

     3.2.2 交互项与分组回归的关系，哪种方式更好？

     3.2.3 如何检验两组回归系数的差异是否显著？

3.2.4 结构突变检验

3.3 多项式模型

     3.3.1 多项式模型的系数解释

     3.3.2 如何检验U型或倒U型关系？

3.4 非线性模型的其它形式与解读

第二天

第四讲 内生性与工具变量估计

4.1 为什么需要关注内生性问题

4.2 工具变量的估计与逻辑

4.3 两阶段最小二乘法

4.4 工具变量估计的检验

     4.4.1 内生性检验

     4.4.2 过度识别约束检验

     4.4.3 弱工具变量检验

4.5 如何选择工具变量

4.6 交互项与多项式模型中的内生性问题

第五讲 Probit和Logit模型 5.1 线性概率模型

5.2 Probit和Logit模型

     5.2.1 模型的解释

     5.2.2 模型的评估

     5.2.3 模型的内生性问题

     5.2.4 如何检验Probit/Logit模型分组系数的差异

5.3 排序Probit和Logit模型

第六讲 处理效应与匹配法

6.1 反事实

6.2 观测数据模型中的选择偏差

6.3 随机试验、自然实验、准实验

6.4 匹配法

     6.4.1 照协变量做匹配

     6.4.2 倾向得分匹配

第三天

第五讲 面板数据模型

7.1 固定效应、随机效应、相关的随机效应

7.2 动态面板

7.3 双重差分法

     7.3.1 模型设定与估计

     7.3.2 处理效应的异质性

     7.3.3 平行趋势检验

     7.3.4 安慰剂检验

第六讲 断点设计

8.1 模糊断点设计和精确断点设计

8.2 精确断点设计

     8.2.1 参数回归方法

     8.2.2 稳健（非参数）方法

8.3 断点设计的稳健性检验

     8.3.1 协变量的连续性检验

     8.3.2 驱动变量的操纵检验

     8.3.3 安慰剂检验

8.4 断点设计的随机推断方法