发帖
20 个论坛币
雷达卡
将因果推断进行到底！
高级计量Stata之因果推断现场班陈强 亲授
上海，2024年5月1-4日
直指人心，登堂入室。
运用之妙，存乎一心。
士别四日，刮目相看。
Now or Never!
最近几年，计量经济学的可信度革命依然如火如荼，因果推断的新方法层出不穷。为此，山东大学陈强教授全新推出重大升级的“高级计量Stata之因果推断”现场班12讲，紧紧围绕因果推断主题，通过深入浅出的讲解，让学员们迅速掌握因果推断的思想原理与Stata实操。
由于DID应用广泛，且近几年发展迅猛，陈强教授将以6讲内容全面而深入地介绍DID的最新进展及Stata实操，包括多期DID、交叠DID、合成DID、连续DID以及队列DID等。
另外，此次现场班还新增了关于Bartik IV，即移动份额工具变量法(shift-share IV)的全新内容，这是目前工具变量法的最火热前沿。
“高级计量Stata之因果推断” 现场班
时间：2024年5月1-4日（四天）
地点：上海市
授课方式： 陈强老师面授四天+课后无时限亲自答疑
课程资料：课程PPT、数据集、do文档及相关论文。
旨在帮您：掌握高级计量经济学因果推断的核心方法及Stata操作，不再茫然，知其然而知其所以然，迅速成为处理数据及定量分析的高手。正如许多学员所说，士别四日，或刮目相看！Now or Never！
特色 #1 通过四天心无旁骛的学习，全面而深入地了解高级计量学在因果推断方面的最新方法及Stata案例实操。
特色 #2 在夯实计量理论基础的同时，迅速将学员们拉到当代计量实证研究的最前沿，使学员们可以先知先觉、决胜未来。
特色 #3 现场班全程由经典教材《高级计量经济学及Stata应用》的作者陈强教授主讲。你或许知道该书因条理清晰、通俗易懂、深入浅出而好评如潮，但只有上过陈强老师课的学生才能体会到，陈老师的现场授课所具有的直指人心之独特魅力，帮助学员立刻进入高级计量的境界，融会贯通，恍然大悟。
高级计量Stata之因果推断
陈强老师面授，现场班大纲
将因果推断进行到底！
上海，2024年5月1-4日
第1讲，随机实验与自然实验。
随机实验是实证研究的黄金标准。
内容：随机实验，自然实验，内部有效性，外部有效性，最小二乘法（OLS），二值选择模型（Probit，Logit）。
案例：
班级规模与学习成绩（Hanushek,1999），
种族与就业歧视（Bertrand and Mullainathan, 2004），
就业经历与未来就业（Pallais, 2014），
最低工资与劳动力需求（Card and Krueger, 1994），
参军与长期收入（Angrist, 1990）。
第2讲，工具变量法。
工具变量法是解决内生性的通用方法。
内容：2SLS，LIML，GMM，弱工具变量，过度识别检验，排他性约束，内生性检验，移动份额工具变量法(shift-share IV，即Bartik IV），异质性工具变量法（局部处理效应，LATE）。
案例：
出生季度与教育年限（Angrist and Krueger,1991）；
殖民者死亡率与制度（Acemoglu et al., 2001）；
经济增长与非洲内战（Miguel et al., 2004）；
国企改革的作用（Groves et al., 1994）；
警察与犯罪率（Levitt, 1997）；
科举制对人力资本积累的长期影响（Chen et al., 2020）；
美国年轻男子的教育回报（Griliches, 1976），
进口竞争对美国当地劳动力市场的影响（Autor et al., 2013）。
第3讲，匹配估计量。
本讲介绍基于非混杂性（unconfoundedness）的一系列估计方法。非混杂性意味着，若控制处理前的特征（pretreatment characteristics），则处理变量不再有内生性。
内容：匹配估计，倾向得分匹配（PSM; Rosenbaum and Rubin, 1983; Abadie and Imbens, 2016），回归调整法（regression adjustment；也称结果回归，outcome regression），逆概加权法（inverse probability weighting），双重稳健估计（doubly robust estimation）。
案例：就业培训的处理效应（LaLonde, 1986; Dehejia and Wahba, 1999）。
第4讲，断点回归与拐点回归。
由于在断点附近存在局部随机分组，故断点回归的效力接近于随机实验，日益为研究者所青睐（Thistlethwaite and Campbell, 1960; Imbens and Kalyanaraman, 2009; Calonico et al., 2014）。
内容：精确断点回归，模糊断点回归，密度（操纵）检验，稳健性检验，拐点回归（Nielsen et al., 2010; Card et al., 2015a, 2015b)）。
案例：
冬季燃煤取暖与人均寿命（Chen et al., 2013）；
扶贫政策的效应（Meng, 2013）；
买房落户与户口价值（Chen et al., 2019）；
美国参议院选举的在位者优势（Cattaneo et al., 2015）。
第5讲，合成控制法。
在评价某处理地区的政策效应时，将控制地区进行最优的线性组合，以构造合成控制地区进行对比，这是估计处理效应的流行方法（Abadie and Gardeazabal, 2003; Abadie et al., 2010）。
内容：比较案例分析，合成控制法，空间安慰剂检验，时间安慰剂检验，混合安慰剂检验（Chen and Yan, 2023），留一稳健性检验。
案例：
马里矣尔船运（Mariel boatlift；Card, 1990）；
西班牙巴斯克地区恐怖活动的经济后果（Abadie and Gardeazabal, 2003）；
加州控烟法的成效（Abadie et al., 2010）；
德国统一的政策效应（Abadie et al., 2015）。
第6讲，回归控制法。
与合成控制法类似，但回归控制法使用回归法来构成反事实的控制地区（Hsiao et al., 2012; Hsiao and Zhou, 2019），比合成控制法更为简便易行。
内容：回归控制法，安慰剂检验，含协变量的回归控制法，分位数控制法（Quantile Control Method; Chen et al., 2023）。
案例：
香港回归及与中国内地经济整合的效应（Hsiao et al., 2012）；
德国统一的政策效应（Abadie et al., 2015）；
四万亿经济刺激的效应（Ouyang and Peng, 2015）；
上海与重庆房产税试点的效应（Du and Zhang, 2015）；
高铁开通的政策效应（Ke et al., 2017）；
房票政策的房价效应（方诚、陈强，2021）。
第7讲，两期DID。
这是最基本的双重差分法模型，也是理解DID的基石。
内容：差分估计量，双重差分估计量，平行趋势假定（Parallel Trend Assumption, PTA），条件平行趋势假定（Conditional PTA），双向固定效应模型，PSM-DID（Heckman et al., 1997, 1998），逆概加权估计（Abadie, 2005），双重稳健估计（Sant’Anna and Zhao, 2020）。
案例：
伦敦霍乱的自然实验；
就业培训的政策效应（Ashenfelter, 1978）；
最低工资立法与劳动力需求（Card and Krueger, 1994）。
第8讲，经典多期DID。
经典多期DID模型包括两组（即处理组与控制组）与两时段（即处理前与处理后），而个体受政策冲击时间均相同；故也称为经典2x2DID。多期DID使得平行趋势假定的检验成为可能，且可使用事件分析法（event study）考察动态处理效应。
内容：平行趋势图，平行趋势检验，安慰剂检验，分组异质性，多期PSM-DID。
案例：
漕粮海运与大运河沿线叛乱（Cao and Chen, 2022）；
人工智能翻译与国际贸易（Brynjolfsson et al., 2019）。
第9讲，交叠DID。
在交叠DID（Staggered DID）模型中，个体受政策处理时间不尽相同，但处理状态不可逆（irreversible treatment），即处理变量只能由0变为1，而不能从1变为0（即不允许政策退出），也称为“吸入式处理”（absorbing treatment）。在此框架下，若存在异质性处理效应（处理效应随个体或时间而异），则双向固定效应模型一般会有偏差，需使用异质性稳健的估计量，即在异质性效应情况下依然成立的估计方法。
内容：静态回归系数的Bacon分解（Goodman-Bacon, 2021），动态回归系数的Sun-Abraham分解（Sun and Abraham, 2021），交互加权估计（Interaction Weighted Estimation; Sun and Abraham, 2021），CSDID估计（Callaway and Sant’Anna, 2021，含结果回归、逆概加权估计，默认为双重稳健估计），二阶段DID（DID2S; Gardner, 2022），扩展TWFE估计（Wooldridge，2021），堆叠回归（Stacked Regression; Cengiz et al., 2019）。
案例：
银行管制放松与收入分配（Beck et al., 2010）；
住院治疗的经济后果（Sun and Abraham, 2021）；
最低工资对青少年就业的影响（Callaway and Sant’Anna, 2021）；
最低工资对低薪岗位的影响（Cengiz et al., 2019）。
第10讲，一般DID与连续DID。
在一般DID（General DID）模型中，个体受政策处理时间不尽相同，且处理状态可逆（reversible treatment），即允许政策退出（处理变量可由1变为0）。在连续DID模型中，有时所有个体都受到处理，但政策冲击力度不同，可将处理变量视为连续变量（continuous treatment）。
内容：一般DID的估计方法，包括即时处理效应估计（DIDm; de Chaisemartin and d'Haultfœuille, 2020），面板匹配估计（PenalMatch; Imai et al., 2019），插补估计量（Imputation Estimator; Borusyak et al., 2022），反事实估计量（Liu et al., 2022），连续DID的估计方法（Callaway et al., 2021）。
案例：
新闻报纸与总统选举投票率（Gentzkow et al., 2011）；
央地执政党异同与央地拨款（Liu et al., 2022）；
茶叶价格与性别比例（Qian, 2008）；
废除科举与革命起义（Bai and Jia, 2016）。
第11讲，DDD与合成DID。
如果平行趋势假定不成立，一种解决方法是同时使用两个控制组，即三重差分法（DDD; Gruber, 1994; Olden and Moen, 2022）。另一解决方法是，对控制组个体进行加权，使得加权后的数据满足平行趋势假定，即合成双重差分法（synthetic DID; Arkhangelsky et al., 2022）。
内容：DDD模型与识别条件，合成DID的模型与估计。
案例：
将生育纳入雇主提供医保的政策效应（Gruber, 1994）；
加州控烟法的成效（Abadie et al., 2010）；
女性议员与孕产妇死亡率（Bhalotra et al., 2022）。
第12讲，队列DID（Cohort DID）。
对于横截面的微观数据，如果依时间（比如出生年份）定义的队列或组群（cohorts）受到政策冲击时间有先后之别，则可考虑使用队列DID。
内容：队列DID的模型设定，平行趋势检验。
案例：
印尼校园建设与教育投资回报（Duflo, 2001）；
知青下乡与农村教育回报（Chen et al., 2020）。
如果说“知识改变命运”，这就是一次绝好的机会。士别四日，或当刮目相看！
在此四天高级计量现场班中（2024年5月1-4日），陈强老师将把其经典教材《高级计量经济学及Stata应用》（2014年，第2版）的精髓要诀，毫无保留地用最通俗而生动的语言悉数奉上；以及书中所没有的近年来计量经济学在因果推断领域的最新前沿进展（详见上文的授课大纲）。
尹老师
电话：13321178792
QQ：42884447
WeChat：JGxueshu
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
