求计量经济学学课件。谢谢大佬们【西南财经大学研究生吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：31,322贴子：
求计量经济学学课件。谢谢大佬们收藏
求计量经济学学课件。谢谢大佬们
登录百度帐号推荐应用跪求中央银行学，计量经济学，数据挖掘技术的教材，价格好商量【河北经贸大学吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：175,826贴子：
跪求中央银行学，计量经济学，数据挖掘技术的教材，价格好商量收藏
跪求中央银行学，计量经济学，数据挖掘的教材，价格好商量，有的大佬麻烦加一下qq或者留言我加你都可以哦
我有计量经济学第四版，要吗
登录百度帐号推荐应用求计量经济学庞皓第三版课后题答案_计量经济学吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：2,967贴子：
求计量经济学庞皓第三版课后题答案收藏
美国计量经济学研究生怎么样?申请高吗?天道留学告诉您如何申请美国计量经济学研究生天道留学十余年为您精心打造留学方案 圆您留学梦
大二?，要考试了考试啥都没给求各位大佬帮忙
登录百度帐号推荐应用谢邀。其实我没有很明白题主的意思，我就从工具变量的角度来谈一下如何理解LATE吧。&br&&br&（既然题主的问题比较技术化，在此&b&我假设这篇答案的读者已经掌握了基本的OLS、2SLS等方法。&/b&）&br&&br&首先我们需要从这个题目的背景谈起。LATE的大背景是什么？&b&Treatment effects&/b&。所以首先我先引入一些notation。&br&&br&假设一个个体参与一个项目（&b&treatment&/b&），如果参与项目，其outcome为&img src=&//www.zhihu.com/equation?tex=y_1%3Dg_1%28x%29%2Bu_1& alt=&y_1=g_1(x)+u_1& eeimg=&1&&，如果不参加，其outcome为&img src=&//www.zhihu.com/equation?tex=y_0%3Dg_0%28x%29%2Bu_0& alt=&y_0=g_0(x)+u_0& eeimg=&1&&，我们关心的是个体参与项目与否其outcome的差别，&img src=&//www.zhihu.com/equation?tex=y_1-y_0& alt=&y_1-y_0& eeimg=&1&&，或者说，处理效应（&b&treatment effects&/b&）。当然，由于异质性，每个人的处理效应是不一样的，我们经常关注&b&平均处理效应&/b&（&b&Average Treatment Effects，ATE&/b&）：&img src=&//www.zhihu.com/equation?tex=E%28y_1-y_0%29& alt=&E(y_1-y_0)& eeimg=&1&&。&br&&br&然而，由于不存在平行世界，我们只能观察到&img src=&//www.zhihu.com/equation?tex=y_0%2Cy_1& alt=&y_0,y_1& eeimg=&1&&其中的一个，而非both。因此我们观察到的实际上是&img src=&//www.zhihu.com/equation?tex=y%3Ddy_1%2B%281-d%29y_0& alt=&y=dy_1+(1-d)y_0& eeimg=&1&&，其中&img src=&//www.zhihu.com/equation?tex=d& alt=&d& eeimg=&1&&是一个0-1函数，代表个人是否参加了这个项目。以上的方程可以写为：&br&&img src=&//www.zhihu.com/equation?tex=y%3Dd%5Bg_1%28x%29%2Bu_1%5D%2B%281-d%29%5Bg_0%28x%29%2Bu_0%5D%3Dg_0%28x%29%2Bd%5Bg_1%28x%29-g_0%28x%29%5D%2Bu_0%2Bd%28u_1-u_0%29& alt=&y=d[g_1(x)+u_1]+(1-d)[g_0(x)+u_0]=g_0(x)+d[g_1(x)-g_0(x)]+u_0+d(u_1-u_0)& eeimg=&1&&&br&其中&img src=&//www.zhihu.com/equation?tex=%5Calpha%3Dg_1%28x%29-g_0%28x%29& alt=&\alpha=g_1(x)-g_0(x)& eeimg=&1&&是我们关心的处理效应。我们不妨做一个假设，约束一下函数形式，假设&img src=&//www.zhihu.com/equation?tex=g_0%28x%29%3Dx%27%5Cbeta& alt=&g_0(x)=x'\beta& eeimg=&1&&，以上式子变成了：&br&&img src=&//www.zhihu.com/equation?tex=y%3Dx%27%5Cbeta%2Bd%5Calpha%2Bu_0%2Bd%28u_1-u_0%29& alt=&y=x'\beta+d\alpha+u_0+d(u_1-u_0)& eeimg=&1&&&br&现在问题来了，如果我们直接ols y on x d是肯定不行的，因为误差项&img src=&//www.zhihu.com/equation?tex=u_0%28x%29%2Bd%28u_1-u_0%29& alt=&u_0(x)+d(u_1-u_0)& eeimg=&1&&是跟d相关的。那么一个很自然的想法就是找一个工具变量z。然而，着并没有什么卵用。为啥呢？因为工具变量要求跟d相关，而跟d相关的变量，都跟误差项相关。。。。&br&&br&所以这里，为了使得以前的工具变量方法可以使用，我们必须做一个更强的假设，把&img src=&//www.zhihu.com/equation?tex=d%28u_1-u_0%29& alt=&d(u_1-u_0)& eeimg=&1&&给去掉，传统的工具变量才能用。如果假设&img src=&//www.zhihu.com/equation?tex=u_1%3Du_0& alt=&u_1=u_0& eeimg=&1&&，那么问题解决了，我们可以使用之前的工具变量了。&br&&br&不过，这里工具变量该怎么用是个很有意思的事情。最传统的，我们可以使用2SLS的方法，也就是先拿d对x和z做回归，得到&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D_1& alt=&\hat{d}_1& eeimg=&1&&，然后用&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D_1& alt=&\hat{d}_1& eeimg=&1&&替换d进行第二阶段回归（&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D_1& alt=&\hat{d}_1& eeimg=&1&&的下表1代表第1阶段回归）。&br&&br&不过观察到d是一个0-1变量，更有效的方法是第一阶段不用OLS，而是用诸如probit、logit的方法做，得到一个&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&，&b&然后用&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&作为d的工具变量&/b&。注意这里是使用&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&作为工具变量，而并不是使用&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&替代d，这是有关键差别的。有什么差别呢？忽略常数项和&img src=&//www.zhihu.com/equation?tex=x%27%5Cbeta& alt=&x'\beta& eeimg=&1&&，&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&作为工具变量估计的实际上是：&br&&img src=&//www.zhihu.com/equation?tex=%5Cfrac%7BE%5B%5Chat%7Bd%7Dy%5D%7D%7BE%5B%5Chat%7Bd%7Dd%5D%7D%3D%5Cfrac%7BE%5B%5Chat%7Bd%7D%28d%5Calpha%2Bu%29%5D%7D%7BE%5B%5Chat%7Bd%7Dd%5D%7D%3D%5Cfrac%7B%5Calpha+E%5B%5Chat%7Bd%7Dd%5D%2BE%5B%5Chat%7Bd%7Du%5D%7D%7BE%5B%5Chat%7Bd%7Dd%5D%7D%3D%5Calpha& alt=&\frac{E[\hat{d}y]}{E[\hat{d}d]}=\frac{E[\hat{d}(d\alpha+u)]}{E[\hat{d}d]}=\frac{\alpha E[\hat{d}d]+E[\hat{d}u]}{E[\hat{d}d]}=\alpha& eeimg=&1&&&br&而如果直接回归y on d，得到的结果是：&br&&img src=&//www.zhihu.com/equation?tex=%5Cfrac%7BE%5B%5Chat%7Bd%7Dy%5D%7D%7BE%5B%5Chat%7Bd%7D%5E2%5D%7D%3D%5Cfrac%7BE%5B%5Chat%7Bd%7D%28d%5Calpha%2Bu%29%5D%7D%7BE%5B%5Chat%7Bd%7D%5E2%5D%7D%3D%5Cfrac%7B%5Calpha+E%5B%5Chat%7Bd%7Dd%5D%2BE%5B%5Chat%7Bd%7Du%5D%7D%7BE%5B%5Chat%7Bd%7D%5E2%5D%7D%3D%5Calpha%5Cfrac%7BE%5B%5Chat%7Bd%7Dd%5D%7D%7BE%5B%5Chat%7Bd%7D%5E2%5D%7D& alt=&\frac{E[\hat{d}y]}{E[\hat{d}^2]}=\frac{E[\hat{d}(d\alpha+u)]}{E[\hat{d}^2]}=\frac{\alpha E[\hat{d}d]+E[\hat{d}u]}{E[\hat{d}^2]}=\alpha\frac{E[\hat{d}d]}{E[\hat{d}^2]}& eeimg=&1&&&br&显然两者是不相等的，后者低估了处理效应的magnitude。&br&&br&此外，这里一个关键点是，任何z的函数都可以作为工具变量，但是做出propensity score &img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&，继而使用&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bd%7D& alt=&\hat{d}& eeimg=&1&&作为工具变量可能又潜在的效率的提升。那么LATE（&b&local average treatment effects&/b&）呢？&br&&br&在LATE里，我们有一个比较特殊的工具变量，简单叙述起见，z也是一个0-1变量。有了工具变量，我们有两种做法，第一种还是跟上面一样，计算出z=0/1的propensity score &img src=&//www.zhihu.com/equation?tex=E%28d%7Cz%3D1%29& alt=&E(d|z=1)& eeimg=&1&&、&img src=&//www.zhihu.com/equation?tex=E%28d%7Cz%3D0%29& alt=&E(d|z=0)& eeimg=&1&&，工具可能是：&img src=&//www.zhihu.com/equation?tex=z%5Ccdot+P%28d%7Cz%3D1%29%2B%281-z%29P%28d%7Cz%3D0%29& alt=&z\cdot P(d|z=1)+(1-z)P(d|z=0)& eeimg=&1&&，这是上面的做法。还有一种做法，是直接使用z作为工具变量，也就是：&br&&img src=&//www.zhihu.com/equation?tex=%5Cfrac%7Bcov%28z%2Cy%29%7D%7Bcov%28z%2Cd%29%7D& alt=&\frac{cov(z,y)}{cov(z,d)}& eeimg=&1&&&br&我们来看分子，&img src=&//www.zhihu.com/equation?tex=cov%28z%2Cy%29%3DE%28z%5Ccdot+y%29-+E%28z%29%5Ccdot+E%28y%29& alt=&cov(z,y)=E(z\cdot y)- E(z)\cdot E(y)& eeimg=&1&&，&img src=&//www.zhihu.com/equation?tex=E%28z%5Ccdot++y%29%3DE%28y%7Cz%3D1%29%5Ccdot+P%28z%3D1%29& alt=&E(z\cdot
y)=E(y|z=1)\cdot P(z=1)& eeimg=&1&&，&img src=&//www.zhihu.com/equation?tex=E%28z%29%5Ccdot+E%28y%29%3DP%28z%3D1%29%5Ccdot+%5BE%28y%7Cz%3D1%29%5Ccdot+P%28z%3D1%29%2BE%28y%7Cz%3D0%29%5Ccdot+P%28z%3D0%29%5D& alt=&E(z)\cdot E(y)=P(z=1)\cdot [E(y|z=1)\cdot P(z=1)+E(y|z=0)\cdot P(z=0)]& eeimg=&1&&&br&最终，&img src=&//www.zhihu.com/equation?tex=cov%28z%2Cy%29%3D%28P-P%5E2%29%5BE%28y%7Cz%3D1%29-E%28y%7Cz%3D0%29%5D& alt=&cov(z,y)=(P-P^2)[E(y|z=1)-E(y|z=0)]& eeimg=&1&&&br&分子同理，最后得到：&br&&img src=&//www.zhihu.com/equation?tex=%5Cfrac%7Bcov%28z%2Cy%29%7D%7Bcov%28z%2Cd%29%7D%3D%5Cfrac%7BE%28y%7Cz%3D1%29-E%28y%7Cz%3D0%29%7D%7BP%28d%7Cz%3D1%29-P%28d%7Cz%3D0%29%7D& alt=&\frac{cov(z,y)}{cov(z,d)}=\frac{E(y|z=1)-E(y|z=0)}{P(d|z=1)-P(d|z=0)}& eeimg=&1&&&br&也就是LATE的表达式。&br&&br&为什么使用LATE？熟悉LATE的都知道LATE之所以被称之为“local”，是因为LATE有一个非常简单的经济学解释：LATE度量的是，从z=0到z=1，会从d=0变到d=1的那些人的平均的处理效应。&br&&br&有点绕，我们来举个栗子。就像 &a data-hash=&4ccce3e46ff& href=&//www.zhihu.com/people/4ccce3e46ff& class=&member_mention& data-tip=&p$b$4ccce3e46ff& data-hovercard=&p$b$4ccce3e46ff&&@闫文收&/a&讲的那个经典的例子。用离学校的距离做IV，一共有四类人：无论如何都会去上学的；无论如何都不去上学的；距离近就上学，距离远就不上学的；距离近不上学，距离远上学的。而LATE在这里假设第四类人，也就是家和学校距离越远越愿意上学的，这个非常不符合直觉，假设不存在这类人。那么LATE度量了第三类人，也就是因为家近才去上学的人的平均处理效应。&br&&br&以上，从IV的角度看LATE，写完了。其实LATE一般不是这样讲的，如果感兴趣可以继续看Angrist的书《mostly harmless econometrics》，或者Wooldridge的《cross sectional and panel data》也讲的很不错。
谢邀。其实我没有很明白题主的意思，我就从工具变量的角度来谈一下如何理解LATE吧。 （既然题主的问题比较技术化，在此我假设这篇答案的读者已经掌握了基本的OLS、2SLS等方法。） 首先我们需要从这个题目的背景谈起。LATE的大背景是什么？Treatment effects…
讲一个金融领域里Merton's Portfolio Problem的故事吧。&br&&br&这是经济学诺奖获得者Robert C. Merton在1969年提出的理论，核心idea是存在一个风险资产占总资产的固定比值，投资人只要不断rebalance这个比值就能实现效用最大化。&br&&br&具体的模型如下：&br&&br&&p&The agent has wealth w(t) and invests wealth into two assets: risky and risk-free. The agent consumes c(t)
at time t and invests a fraction p(t) of wealth into risky asset. Thus the agent’s problem is:&/p&&br&&p&&figure&&img src=&https://pic1.zhimg.com/fa5e090dc4_b.png& data-rawwidth=&1074& data-rawheight=&188& class=&origin_image zh-lightbox-thumb& width=&1074& data-original=&https://pic1.zhimg.com/fa5e090dc4_r.png&&&/figure&解这个模型可以得到：&br&&/p&&p&&figure&&img src=&https://pic4.zhimg.com/e4ebc6d761968bad606b903_b.png& data-rawwidth=&628& data-rawheight=&178& class=&origin_image zh-lightbox-thumb& width=&628& data-original=&https://pic4.zhimg.com/e4ebc6d761968bad606b903_r.png&&&/figure&也就是说，最优的p(t)其实是一个不随时间变化的固定值。这个结论非常有意义，因为这意味着节省投资者mental cost的投资策略是可能的。&/p&&br&&p&说了这么多，大数定理扮演着什么角色呢？大数定理意味着如果他蒙受了损失，他不能抽走资金，而是应该不断地维持这个最佳比值，直到他盈利为止。是不是很amazing？&/p&&br&&p&当然这个故事里，股价被设定为服从Brownian motion，效用函数为CRRA形式，这是确保结论有效的关键。&/p&&br&&p&然而，当Merton自己进入股市时，也亏得一塌糊涂，那就是另一个关于著名的长期资本公司的故事了。&/p&&br&&p&PS: 另一个故事早有雄文珠玉在前，我就不拾人牙慧了。&/p&&p&吃瓜群众请移步：&/p&&p&&a href=&https://www.zhihu.com/question/& class=&internal&&如何评价 Long Term Capital Management？ - 对冲基金&/a&&/p&
讲一个金融领域里Merton's Portfolio Problem的故事吧。 这是经济学诺奖获得者Robert C. Merton在1969年提出的理论，核心idea是存在一个风险资产占总资产的固定比值，投资人只要不断rebalance这个比值就能实现效用最大化。 具体的模型如下： The agent has …
AEA,是American Economic Association的简称.每年在一月初的时候,都会在美国的某城市举办年会.同时,在同一个地点也会有美国社会科学(ASSA)年会和金融学(AFA)年会.算是经济,金融,管理方向每年最盛大的会议了.为期4天左右.&br&&br&这个就有点象武林大会一样.各大门派(大学),帮派(公司),衙门(机构),都会派出代表.有大会当然就要有切磋.个大门派的年轻弟子(应届毕业生)都会到这里面试,这个我以前已经有贴子介绍过了.但是还有就是会议上会有规模大小不一的&擂台&(session),供大家分享一下科研结果.有的是以已经成型但还没有发表的工作论文为主(比如&在下最近研究罗汉拳小有心得,望各位指教&),也有泰斗级别的出来讨论一下政策走向,学术理论(这个当然就不仅限于某篇文章的讨论了).但是这么多人,也不是谁想上来耍都行的.在大会开始之前,有意者可以把自己的成果提交上去.经过评审后,会被通知是否你会有一席之地.当然,没有也不要紧,毕竟大会也需要观众么.去参加一下也可以了解最新的江湖动态.观摩学习一下各阶段各领域的前沿文章和方向也是很有价值的.我自从出师以来,头两年都是当观众来着.今年有篇论文被选上,也算小有进步.当然,离成为举足轻重的经济学者还有很长很长的路要走.也不知道今后能不能&华山论剑.&&br&&br&除了学术上的切磋和找工作,还有一个就是联络感情.上档次的势力都会在会议过程中的晚上举办招待会(reception).这个有几大功效,首先,在来找工作的人面前展现一下自己的实力.回答一些问题.很多中国门派一般是以这个目的为主.可以借此机会相对轻松的讨论一下海归待遇问题.当然,大多数中国门派不单独举办,一般是凑到一块.但是北大,清华,人大等比较有影响力的会单独承办.很多江湖帮派(比如大公司)就是去吸收新血的,所以主要目的也是呈现实力.但可能不完全对外,就是需要得到邀请才能去.而且就不只是停留在一个简单的招待会了,对他们比较看好的新人,他们也会好酒好菜的单独招待.留下良好印象.&br&&br&还有的势力承办招待会就不是针对吸收新人了,至少不是主要目的.比如说排名较高的世界名校.他们的招待会也是完全公开,但是如果你去了谁也不认识,肯定没啥意思.一般都是校友,在职教授,或者是以前在学校任教过的学者,会出现和大家一起联络一下感情.比如说我那界一起出师的同学,大家各奔前程也很少见面,但是每年都会在这场大会上去参加本校举办的招待会.这种学校举办的招待会吃喝上又上了一个档次.很少出现食物和酒过早消失的现象.人数相对少一点,也很少出现大家都围着某领导讨论的现象.都很随意.很多校友约好一起私下再聚一聚的也经常会在招待会上碰头.偶尔出现一两个没啥关系的,可能是出于好奇来看看,大家也不会在意.&br&&br&再来说一下在2015年Boston大会过程中的一些小事儿和看法。&br&&br&1.刚出道的都不容易呀&br&刚出道的就是应届的博士毕业生。都来这里面试。从一个面试跑到下一个面试。中午的时候往往连坐下来吃个午餐的时间都没有，随便来个三明治，要不吃个香蕉。这次开会我不用面试别人，也不用被面试，但是开会地点的各大酒店的大厅都能看到被面试的学生。不光是美国学校的毕业生，有的可能来自欧洲，或者亚洲，可能连时差都没倒过来。所以如果你是一个比较清闲的会议参与者，希望当一个电梯比较拥挤的时候，把位置先留给这些刚出道的新人吧。说不定这样他们的下一个面试就不会迟到，说不定能影响到人家出道的第一份工作。&br&&br&2.中国的学校团队&br&中国学校也会来招人。这个上面说过了。通过自己看到的，还有和一些找工作的朋友聊天，发现中国学校来参加这个会议还是以面试为主，来讲演自己文章的还在少数。当然，希望以后更多“擂台”上可以看到中国学者的身影。现在就算有华人学者，还是以海外大学的华人学者居多。再说说来招人方面，这里我就不点名道姓说具体学校了。只说些现象。大概可以分成两类。一类是态度非常认真（这个跟学校排名没有太大关系），就算自己现在海归不多，但是在面试的时候态度非常专业。提出的条件和对年轻学者的要求都成正比，待遇高，要求也高。给人的感觉就是虽然学术水平方面还和国际上有一定差距，但是是真想招人。在努力向国际靠拢。如果这种态度是真实情况的一个反应的话，我对这些国内高校的前景很看好。以后应该可以在学术研究上更近一步。当然，光有态度肯定不够，也要看待遇。但至少这种态度给被面试的同学留下了好印象。大家都会回来和自己要好的朋友，或以后要找工作的同学分享自己的面试经历和对学校的看法。毕竟是双向选择么。这样就算这次没有招到合适的，长远角度来讲给自己学校创造一个好的口碑也很好吗。还有一类个人认为根本就不是来认真找人的。给出的待遇和学术要求完全可以按“搞笑”来形容。比如说，要求年轻教师在头三年发3-4篇前十刊物的发表（这里说的是SSCI前十，比如说AER，或者某方中最好的刊物），然后待遇年薪不到20万rmb的博士后.如果有人有这种发表能力的话，人家早就美国前5大学当终身教授去了。还回国去跟你玩儿？我个人认为这样很不礼貌。每个面试者的时间都是宝贵的，同意去和一个学校面试可能意味着要谢绝另一个面试机会。这种要求，这种待遇，完全和市场脱钩。不但在这种国际大会上给自己的学校留下不好的名声，也浪费别人的时间。以后还有谁会接受你的面试呢？都是学经济的，这种现象不难理解。这里我就不细说了。当然了，这些都是我从侧面了解的。毕竟今年我没有面试。&br&&br&3.多联络一下感情&br&看到老同学，肯定要打个招呼，联络感情。和以前做宏观投资时候的一位领导一起吃了个早饭。虽然一直都不是我的直接领导，以前他一直都很照顾我。现在虽然不在一个公司共事了，还是要利用这次机会一起吃个早餐。态度很重要，不能用不上人家了就把人家忘了。早餐后他和我说，如果以后想回投资界了，他会帮忙。我也表示感谢。&br&在学校举办的接待会上，碰到当年读博士时候的同学，主要就是讨论一下最近的发展。在各自的工作岗位上是否愉快。文章发的怎么样。今年我博士毕业的学校竟然酒水需要参与者自己掏钱，虽然钱的数量大家完全都能接受，但是相比之下让人有点不爽。同样是排名前五的学校，我的母校（本科学校）就是全免费。虽然我去了谁也不认识（毕竟去参加的都是老师或者是从那里得到博士学位的校友，所以我作为本科校友肯定认识的人很少），但并不妨碍我这种脸皮厚的人去蹭吃蹭喝。毕竟并不是所有的招待会都给吃给喝。根据我最近几年总结出来的经验，首先去业界举办的非公开招待会,吃的好，全免费，人也少。然后去PhD毕业的学校和大家联络感情，也就不在乎是否免费了。然后如果没吃饱，再去母校的招待会补点儿。我想如果有人问我是谁，我就把我的毕业戒指给他一亮，然后接着吃喝。最后再看看哪个国内学校的接待会，和国内的学者交流一下，说不定能遇到高人，一起合作。就算不合作，多认识一些学者也是好的。三人行必有我师吗。完全不反对领导讲话，当然也要给大家留出自己交流的时间。这方面我认为很多中国学校都做的很好。既让大家了解了学校。也给中国学者，学生创造了一个比较随意的交流平台。
AEA,是American Economic Association的简称.每年在一月初的时候,都会在美国的某城市举办年会.同时,在同一个地点也会有美国社会科学(ASSA)年会和金融学(AFA)年会.算是经济,金融,管理方向每年最盛大的会议了.为期4天左右. 这个就有点象武林大会一样.各大门派…
&p&正好最近也在思考这个问题，来讲讲自己的见解，若有问题请各位大牛指正。&/p&&br&&p&首先，RCT的实验设计怎么做都能做出来因果，这个就没啥好说的了。但是，社会科学以及公共卫生的研究其实很难有做RCT设计的条件，所以根据题主的描述以及数据特点，我觉得题主应该是想问，&b&“非实验研究”&/b&中的数据通过什么方法可以做出来因果关系。&/p&&br&&p&要说哪些方法能做因果关系，不如先讲讲因果关系是怎么做出来的。这里直接引用2014年Jacob Bor et al.在Epidemiology杂志上发表的一篇文献Regression Discontinuity Designs in Epidemiology中的话：&/p&&p&&i&Causal inference in nonexperimental studies typically requires a strong, untestable assumption: that &b&no unobserved factors&/b& confound the relationship between the exposure and the outcome. Violations of this assumption will lead to biased estimation of causal effects.&/i&&/p&&p&第一次读到这段话我觉得醍醐灌顶，就像柯南找到凶手的瞬间脑子后面突然一道闪现显现一样。这段话是什么意思呢？举个老掉牙的例子：&b&研究吸烟对罹患肺癌风险的影响&/b&。如果手头上是个体层面的截面数据，我们设计最普通的回归分析可以按照这样的思路设计：&/p&&p&基于基本医学常识我们知道，影响肺癌发生风险的因素除了吸烟以外，还包括年龄、性别、家族遗传病史等一些因素，所以我们可以认为肺癌发生风险是关于这些因素的一个函数。因此，在回归模型中，因变量是二元变量“是否罹患肺癌”，自变量包括“是否吸烟”（哑变量，吸烟=1，不吸烟=0）以及一些其他的因素。然后使用Logistic模型建模跑出结果。&/p&&p&这是一个非常常规的统计分析案例，刚接触计量经济学或者流行病学的同学都是可以做出来的。但是这里做出来的结果，即使“是否吸烟”哑变量的参数估计值非常显著，我们也不能说&b&“吸烟导致肺癌”&/b&，而应该说&b&“肺癌发生与吸烟高度相关”&/b&。&/p&&p&为什么呢？Jacob Bor的那段话就解释了原因：&b&因为有非观测因素导致了偏倚&/b&。例如，研究样本中有的人因为工作性质的原因每天要接触大量吸入性颗粒，你能说这个对肺癌发生没有影响吗？有的人还喜欢熬夜，你能说这个对肺癌没有影响吗？这个时候有的人就说：“那把这些因素设计成变量放到模型中控制起来就好了啊。”亲，非观测因素比你想象得要多得多得多，根本是控制不完的；而且，虽然说有些因素可以量化设计成自变量放到模型中去，有的因素根本就无法量化、设计成变量纳入到模型中。&/p&&p&所以，这种设计以及分析方法就只能做出“相关”，而做不出“因果”了。&/p&&br&&br&&p&那如何做出因果推断呢？根据上面这个例子的思路，可以使用面板数据。面板数据之所以能做出因果推断就是因为面板数据的分析方法（例如&b&固定效应模型fixed effect model&/b&）可以控制非观测因素，而其控制非观测因素的方式就是在模型中纳入&b&个体效应固定项&/b&以及&b&时间效应固定项&/b&。这两个东西是啥？再打个比方：&b&研究基本药物政策对基本药物供应保障的影响&/b&。那么，模型可以这样设计：&/p&&p&因变量“药品在不同医疗机构的配送率”，自变量则为哑变量“是否为基本药物”。当然，我们知道，其他因素例如药品本身属性（是否容易保存、生产规模等）以及医疗机构本身属性（机构级别、地理位置等）都会对药品的配送率产生影响，但是在面板数据中，我们可以把这些因素“打包”全部放在&b&个体固定效应项&/b&中，&b&这些因素只随个体改变而不随时间改变&/b&；同理，宏观政策环境也会对药品配送产生影响，而&b&这类因素只随时间改变而不随个体改变&/b&，所以也可以“打包”放进&b&时间固定效应项&/b&中。在固定效应模型的估计中，这些固定因素都是可以抵消的（原理类似于一阶差分），所以哑变量“是否为基本药物”系数的参数估计就是政策的直接效果，也就是因果效应了。&/p&&br&&br&&p&这个套路应用于混合截面数据就是&b&倍差法（Difference-in-Difference，DID）&/b&了，所以就不再讲这个了。&/p&&br&&br&&p&同样，&b&断点回归设计（regression discontinuity design，RD）&/b&之所以能做因果推断也是因为控制了非观测因素。根据《基本无害的计量经济学》上的案例，我们设想一个更接地气的案例：&b&高考分数高于一本线（假设550分是一本线）对10年后工资的影响&/b&。我们以当年高考分数为x轴，10年后的工资为y轴，绘制散点图。这个时候可以发现，在x=550处明显有一个突越点。将x&=550的学生设置为实验组，x&550的学生设置为对照组，用哑变量D表示处理效应，则回归模型中估计出的D的系数就是高考高于一本线对于10年后工资的影响，是因果效应。这个时候肯定有人问：“不对呀，你没有控制非观测变量啊，比如学生的智商、努力程度啥的，这怎么是因果呢？”这就是RD的精妙之处了。假设在x=550左右有一个极度狭窄的区间&img src=&//www.zhihu.com/equation?tex=%5B550-%5CDelta%2C+550%2B%5CDelta%5D& alt=&[550-\Delta, 550+\Delta]& eeimg=&1&& ，其中&img src=&//www.zhihu.com/equation?tex=%5CDelta+%5Crightarrow+0+%5E%7B%2B%7D& alt=&\Delta \rightarrow 0 ^{+}& eeimg=&1&& ，假设分数是连续的，那么分数落在这个区间内学生其实是&b&非常相似&/b&的，也就是说，&b&其他的非观测因素已经被控制住了&/b&。所以，既然没有混杂因素的影响，估计结果自然是因果效应了。&/p&&br&&br&&p&接下来出现另一种情景，我们再设想一个例子：&b&工作效率对工资的影响&/b&。毫无疑问，我们会认为工作效率越高，工资会越高。也就是说，我们默认工作效率作为自变量x是&b&外生性&/b&的。可是，大家有没有想过：如果一个人工资越高，那他对工作的热情也有可能越大，工作效率自然也会越高？这个时候，我们可以发现，工资其实对工作效率也是有影响的。所以，此时工作效率是&b&内生变量&/b&了。把内生变量当作外生变量去估计毫无疑问就会受到非观测因素的影响，无法推测因果了。因此，为了在内生变量存在的情况下进行因果推断，&b&工具变量法（instrumental variable，IV）&/b&就应运而生了。&/p&&br&&br&&p&上面几个方法都是我目前接触比较多的，其他能够完成因果推断的方法和设计接触还不够，但是我觉得围绕&b&no unobserved factors&/b&肯定都是解释得通的。啰啰嗦嗦写得有点多了，就是想告诉题主：选择方法前问一下自己，&b&这个方法能否控制非观测因素的影响呢？&/b&如果可以，那就可以做因果推断；否则就只能做相关分析。&/p&&br&&br&&p&=====我==是==分==割==线=====&/p&&br&&p&评论里知友@不知彼岸 留言提到&b&只有在成熟的理论基础之上建立合适的计量模型才能得到真正专业意义上的因果关系&/b&。这一点真的是灰常重要啊。这就和统计上的显著性类似，只有在成熟的理论基础之上才能得从统计学上的显著意义推断到专业意义上的显著性。&/p&&br&&br&&p&为了解释这一点，再举个例子吧。因为我自己是做公共卫生领域的，所以就选择前面提到的Jacob Bor文章中提到的流行病学案例：&b&HIV患者究竟应何时开始终生服用抗逆转录病毒药物？&/b&&/p&&p&首先介绍一下理论背景：&b&HIV病毒进入人体后攻击人体的免疫细胞CD4。当CD4的数目下降到一定程度时，患者就需要开始服用药物了。&/b&但是究竟当CD4下降到多少时患者才应该开始服药呢？临床上始终缺乏足够强的证据。&/p&&p&于是，Jacob Bor在2013年进行了一项研究，使用断点回归设计证明当患者CD4低于200个/μL时就应该开始服用抗逆转录病毒药物了。&/p&&br&&figure&&img src=&https://pic4.zhimg.com/v2-b7bc0ebaa367a2dc04673_b.png& data-rawwidth=&642& data-rawheight=&449& class=&origin_image zh-lightbox-thumb& width=&642& data-original=&https://pic4.zhimg.com/v2-b7bc0ebaa367a2dc04673_r.png&&&/figure&&br&&p&如图，在CD4数目在200个/μL时，死亡率有一个明显突越：CD4低于200时开始服药的患者其死亡率有一个明显的下降。&/p&&p&&b&在CD4数目略低于或略高于200个/μL时，不同患者的病情其实是极为相似的，所以断点回归设计的这个特性帮我们控制住了非观测因素的影响&/b&，在医学理论基础上进行了因果推断。&/p&
正好最近也在思考这个问题，来讲讲自己的见解，若有问题请各位大牛指正。 首先，RCT的实验设计怎么做都能做出来因果，这个就没啥好说的了。但是，社会科学以及公共卫生的研究其实很难有做RCT设计的条件，所以根据题主的描述以及数据特点，我觉得题主应该是…
计量实证的话 最容易上手的应该是stata和eviews 两者都可以通过菜单操作实现傻瓜式操作 也都可以用编程的形式来实现 &br&stata应该是计量实证 特别是微观实证里面用的比较多的 因为单就经济计量来说（其实就是各种各样的回归方法） stata包含的方法非常多 运行速度也快 处理面板数据和截面数据的功能非常强大 而且可以随身携带 不用安装&br&Eviews也是回归方法为主 不过是时间序列方面的功能比较强大 所以可能宏观做时序模型 做协整分析 等等用的比较多&br&SAS是比较难上手的软件 装载就不是很容易了 而且所有的功能都需要编程实现 个人没有用过 但是听用过的同学说 虽然难学 但是学好了要实现各种方法真的是随心所欲 比如做金融里面常有的roll over回归之类的 特别适合复杂的计算和大量的回归 处理微观海量金融数据的同学应该会用的比较多吧&br&Matlab的话感觉和上述几款都不太一样 属于比较全能的大杀器 不仅限于计量分析的功能 还能做数值计算 随机模拟 规划求解 等等等等 不过也是需要自己写代码 如果单单是想做计量分析的话似乎没有必要用这个 &br&最后说SPSS 是最容易上手的 而且属于统计分析软件 包含很多多元分析方法 比如因子分析 聚类分析 分类树之类的 但是个人对其回归功能不敢恭维 只有几种方法 而且基本处理不了面板数据 所以如果是计量的话不推荐用SPSS 但是SPSS其他一些多元分析功能也挺好操作的&br&只用过STATA SPSS 和EVIEWS 其他两种软件的经验通过同学咨询得来 个人推荐计量还是用stata
计量实证的话 最容易上手的应该是stata和eviews 两者都可以通过菜单操作实现傻瓜式操作 也都可以用编程的形式来实现 stata应该是计量实证 特别是微观实证里面用的比较多的 因为单就经济计量来说（其实就是各种各样的回归方法） stata包含的方法非常多 运行…
&figure&&img data-rawwidth=&960& data-rawheight=&720& src=&https://pic1.zhimg.com/823ec2c18dfd273d52c10_b.jpg& class=&origin_image zh-lightbox-thumb& width=&960& data-original=&https://pic1.zhimg.com/823ec2c18dfd273d52c10_r.jpg&&&/figure&
&figure&&img src=&https://pic2.zhimg.com/v2-92c3ac6dbd0f3c84323ccf7cae504d7d_b.png& data-rawwidth=&63& data-rawheight=&60& class=&content_image& width=&63&&&/figure&&p&比如说像这个？&/p&&p&这个矩阵其实也没什么特别的，它就有一点比较有趣，那就是它的乘法遵循的关系是：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-dd163a379b1d37d4e9cc_b.png& data-rawwidth=&233& data-rawheight=&60& class=&content_image& width=&233&&&/figure&&p&如果把x和y理解成某一个方向上的位移的话，空间上的平移操作就可以通过矩阵乘法表示出来，所有的这类矩阵构成了一个封闭的群（的表示）。&/p&&p&PS:我记得这个群的名字好像是叫加法群？因为它能用矩阵乘法的形式实现参数的相加。&/p&
比如说像这个？这个矩阵其实也没什么特别的，它就有一点比较有趣，那就是它的乘法遵循的关系是：如果把x和y理解成某一个方向上的位移的话，空间上的平移操作就可以通过矩阵乘法表示出来，所有的这类矩阵构成了一个封闭的群（的表示）。PS:我记得这个群的名…
直观理解可以用回归的想法来理解。&br&&br&方便起见把题主的x和y颠倒过来，对于一个随机变量Y，我们可以定义：&br&&br&g(x)=E(Y|X=x)&br&&br&同时定义e=Y-g(x)=Y-E(Y|X=x)&br&&br&可以得到E(e|X)=0&br&&br&或者说，写成一个回归的形式：&br&&br&Y=g(X)+e&br&&br&下面我们来计算Y的方差：&br&&br&Var(Y)=Var(g(X)+e)=Var(g(X))+Var(e)+Cov(g(X),e)&br&&br&其中Cov(g(X),e)=E[g(X)e]=E[g(X) E(e|X)]=0&br&&br&所以&b&Var(Y)=Var(g(X))+Var(e)&/b&&br&&br&其中Var(g(x))=Var(E(Y|X))&br&&br&而Var(e)=E[Y-g(X)]^2=E[Y^2+g(X)^2-2g(x)Y]=E{E[Y^2|X]-g(X)^2}=E[Var(Y|X)]&br&&br&所以呢，你可能比较困惑的两项，一项是跟X相关的部分的方差，另一部分是跟X不相关的部分（残差）的方差，这两项不相关（根据条件期望定义）。把这两项理解为回归，应该就不难理解了。
直观理解可以用回归的想法来理解。 方便起见把题主的x和y颠倒过来，对于一个随机变量Y，我们可以定义： g(x)=E(Y|X=x) 同时定义e=Y-g(x)=Y-E(Y|X=x) 可以得到E(e|X)=0 或者说，写成一个回归的形式： Y=g(X)+e 下面我们来计算Y的方差： Var(Y)=Var(g(X)+e)=V…
额，楼主问的有点不太清楚，简答举个例子讲一下吧。&br&&br&例子：研究性别和学历对工资的影响，性别是F，学历是E，工资是S。&br&&br&如果没有交叉项，那么回归的方程是S=beta0+beta1*F+beta2*E。&br&&br&&b&在这种情况下，性别的影响是beta1，学历的影响是beta2&/b&。&br&&br&而有交叉项，那么回归的方程是S=beta0+beta1*F+beta2*E+beta3*F*E&br&&br&&b&在这种情况下，性别对工资的影响是beta1+beta3*E，学历对工资的影响是beta2+beta3*F&/b&&br&&br&&br&&b&所以我们很容易发现，交叉项刻画了什么呢？他刻画了一个人的学历对工资的影响是否受性别的影响，刻画了一个人的性别对工资的影响是否受学历的影响，换言之，他刻画了第一种情况下，如果把不同的性别分开回归，得出的beta2是否与F有相关关系，刻画了如果把不同的学历分开回归，得出的beta1是否和E有相关关系。&/b&&br&&br&&br&&b&更简单点说，就是两个自变量对因变量的共同作用。&/b&&br&&br&&br&对一场球赛来说，如果球队失去主力队员A赢的概率下降a，如果失去了主力队员B，赢的概率下降b，而如果同时失去了主力队员A和B，那么它赢的概率下降的量可能远远大于a+b，这个超过的部分就由交叉变量来刻画。&br&&br&对一个债券来说，如果经历大萧条，它价格下降的量是a，如果被评级机构降级，它价格下降的量是b，那么如果它是在大萧条的时候被评级机构降级，那么它价格下降的量远远超过a+b，这个超过的部分也由交叉变量来刻画。
额，楼主问的有点不太清楚，简答举个例子讲一下吧。 例子：研究性别和学历对工资的影响，性别是F，学历是E，工资是S。 如果没有交叉项，那么回归的方程是S=beta0+beta1*F+beta2*E。 在这种情况下，性别的影响是beta1，学历的影响是beta2。 而有交叉项，那么…
&p&计量经济学是一门很有用的学科，它属于应用统计学的一种，在研究许多社会科学的实证问题中都有着非常强大的作用——它可以运用统计学的基本原理来估计和量化不同变量之间的数量关系。金融学属于经济学大类的一个极为重要的分支——它研究资本市场运作的规律，本质上是在研究人在资本市场的活动规律，所以也是社会科学的一种。笔者认为，本科阶段的金融学（包括经济学）学生学习计量经济学有以下三层意义：&/p&&p&1. 从意识形态和逻辑思维上，我认为一个受过良好高等教育的本科生应当理解一些最基本的，分析诸如“A为什么并且如何导致B？”、“A导致B的逻辑链中是不是还存在他因C？”、“X和Y有着高度的相关性，所以如何就能推断X导致了Y，而不是Y导致了X，或反之？”等等问题的科学方法和逻辑。计量经济学中所蕴含的假设检验、统计推断、抽样统计、回归分析等概念和方法能帮助学生形成这样一种初步的科学思维的因果逻辑。&/p&&p&2. 从技术上讲，金融学在很多情形下是在利用历史的信息来推断未来、指导企业未来的财务决策。这就牵涉到对于历史活动数据的分析和推演。计量经济学中无论是对时间序列的分析还是对横截面数据的分析，都能教会学生一定的方法。这相比最基本的算平均数、标准差等基础统计学来说要显得更为全面。这对于学生在未来职业生涯和工作岗位中也会有一定的帮助。&/p&&p&3. 从金融的逻辑上讲，学习计量经济学能帮助学生更好地理解金融分析的局限性。统计模型也好、计量模型也好，在金融和社会科学领域都永远不是数学里的1+1=2。模型不可及之处就是金融市场、经济社会的博弈所在。&/p&&p&计量经济学在初学的时候会很枯燥，但我认为对于（商学院）本科生阶段而言，理解如何使用模型、如何评估、解释并运用模型的结果、如何发现模型中可能存在的漏洞，并且至少掌握一种计量经济学的软件（比如Eviews，Stata等）比学习如何手工推算参数、单纯理解模型背后的数理原理来得更为重要和实际。&/p&
计量经济学是一门很有用的学科，它属于应用统计学的一种，在研究许多社会科学的实证问题中都有着非常强大的作用——它可以运用统计学的基本原理来估计和量化不同变量之间的数量关系。金融学属于经济学大类的一个极为重要的分支——它研究资本市场运作的规律…
计量这门学科延承了统计学的一个重要特性。直观逻辑与数学推导并重。对于初学者，应当着重直觉的这一部分。伍德里奇的书的确是圣经，就是直觉的部分讲的很好。举个很简单的例子。&br&对于回归系数的联合检验，原假设是所有的解释变量的系数为0。如果这个假设是真的，那么我强制所有系数为0，做一个新回归，得到的拟合优度应该跟不强制它们为0时差不多。也就是说，差太多的话，意味着原假设不合理。这就是直觉基础。后面复杂的数学论证，都是建立在这个直觉上的。&br&类似的例子不胜枚举。所以，对于初学计量的人，不要被复杂的数学论证迷惑。如果数学论证部分看不懂，直接跳过去。总结下前提和结论。即明白那些定理的前提条件，结论，以及结论的直观解释。&br&1元回归的数学部分是非常简单的，虽然有时一堆&img src=&//www.zhihu.com/equation?tex=%5CSigma+& alt=&\Sigma & eeimg=&1&&也让初学者头痛。多元回归时，为了简化推导过程，才引入了矩阵、可逆性、正定等线代的概念。但是这些概念都有在低维情形下的对应。如果不明白数学推导，那么就降几个维度来理解就好了。&br&比如，著名的Gauss-Markov定理，说满足什么什么条件，就有什么什么结论。想深入理解这个定理说了什么，确实是需要良好的线代基础的。最起码要对线性的概念有个感性认知。如果线代不好，那么只能模糊的理解为，这个定理说，最小二乘估计量在某些条件下是最优的。至于最优的标准是什么，可以先不深究。如果一定要深究，数学又不好，那就降维处理。这个定理说，最优的标准包括方差最小。可是定理在数学形式上，为了兼容高维情形，引入了矩阵正定的概念。初学者，可以忽略所谓的正定，直接理解为，这是一个类似于只估计一个系数时，这个系数的方差最小的概念。还可以联想打靶。最优是说，你重复打靶，打的环数不仅密集在一起，还很接近靶心。既精确又准确。&br&再次强调，线代基础只是为了应对高维情形下的数学推导，而初学者真的不必太在乎这些技术细节。一定要学会把握这个学科的脉络。&br&至于是不是要看英文原版教材，我的建议是，尽量看英文。英文看不懂时，看看中文翻译。如果大段的英文都看不懂，那就以中文为主，中英文对照着看。汉语的逻辑表达能力逊于英语。这造成了有些翻译过来的话，让你难以理解。这时，对照下原文，就有恍然大悟的感觉。&br&另外，一定要有足够的统计学知识储备。知道方差啊，期望啊，怎么计算，含义是什么。一些基本的概率分布函数。深入的理解随机抽样的概念，以及为什么要随机抽样，随机抽样保证了什么等等（大体上说，随机抽样保证了无偏，即你问一个问题，尝试从小样本给出的信息进行解答，得出的结果，不会与站在总体角度来回答的结果，差太多）。&br&这里强烈推荐弗里德曼的统计学教材。&a href=&//link.zhihu.com/?target=http%3A//ishare.iask.sina.com.cn/f/.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学
弗里德曼1997.pdf_免费高速下载&i class=&icon-external&&&/i&&/a&&br&这是公认的讲统计思想最好的教材。统计是关于推断的艺术。统计学里的大部分努力，都是想要推断的更精确、经济。统计相关与因果联系 间紧密的关系，是统计学最激动人心也最迷惑人心的地方。&br&而计量是这一努力的自然延伸，通过建模，以一个等式以及相关的一堆指标来定量的研究统计联系，以此推测因果联系。&br&计量之所以难学，是数学的艰深掩盖了原本清澈的逻辑。初学者应好好的关注后者，关注直觉的，逻辑的，思想的部分。当你能掠过数学证明，用一句话来说明异方差修正的原理时，就说明你已经优秀的入门了。
计量这门学科延承了统计学的一个重要特性。直观逻辑与数学推导并重。对于初学者，应当着重直觉的这一部分。伍德里奇的书的确是圣经，就是直觉的部分讲的很好。举个很简单的例子。 对于回归系数的联合检验，原假设是所有的解释变量的系数为0。如果这个假设是…
&p&Entry game & Related：&/p&&p&1: Bresnahan, T. F., & Reiss, P. C. (1991). Empirical models of discrete games. &i&Journal of Econometrics&/i&, &i&48&/i&(1-2), 57-81. 【这是complete entry game最早期的文献，基本是给定了研究框架。Identification strategy是通过假设市场参与者的对称性来构建likelihood function。不足是在非对称的假设下无法identify model，因为在非对称的情况下无法处理multiple equilibrium 的问题。】&/p&&p&2： Ciliberto, F., & Tamer, E. (2009). Market structure and multiple equilibria in airline markets. &i&Econometrica&/i&, &i&77&/i&(6), . 【研究航空市场的文献，基本框架还是在Bresnahan and Reiss 下面。作者舍去了对称性，不再要求identify the model 而要求 partially identified the model (i.e. 给出参数的范围而不是参数的具体值)。简单说，做法就是当multiple equilibrium存在时，把moment
equality 转为moment inequality。不足是文章中的不等式无法攫取模型中的所有信息，导致方法高效(efficiency loss).】【最近empirical method的作业就在做这个话题，有空贴个图上来】&/p&&p&3. Galichon, A., & Henry, M. (2011). Set identification in models with multiple equilibria. &i&The Review of Economic Studies&/i&, rdr008.
【前面说到(2)中的方法无法完全提取模型中的所有有效性息，因为当game participatants 的数目增加的时候，需要characterize的不等式是指数增加的，非常容易丢失必要的信息，同时也可能会加入非常多无效信息。这篇论文就是告诉你如何高效地找到最有用的不等式。】&/p&&p&4. Ciliberto, F., Murry, C., & Tamer, E. T. (2016). Market Structure and Competition in Airline Markets. 【(2)的进阶版，在模型中加入了network effect，因为航空公司的市场进入极度依赖其临近市场的现有航线。如果没记错的话，idenfitication假设是myopic entry.】&/p&&p&5. Seim, K. (2006). An empirical model of firm entry with endogenous product‐ ype choices. &i&The RAND Journal of Economics&/i&, &i&37&/i&(3), 619-640.
【另一篇entry mode里面加入了一些network flavor的文章，偏实证】&/p&&p&Auction:&/p&&p&1.
Guerre, E., Perrigne, I., & Vuong, Q. (2000). Optimal Nonparametric Estimation of First‐Price Auctions. &i&Econometrica&/i&, &i&68&/i&(3), 525-574. 【&a class=&member_mention& href=&//www.zhihu.com/people/53dd4db72d910b6e6c7f7& data-hash=&53dd4db72d910b6e6c7f7& data-hovercard=&p$b$53dd4db72d910b6e6c7f7&&@荣健欣&/a& 已经讲得非常清楚了，不多赘述】&/p&&p&2.
Gentry, M., & Li, T. (2014). Identification in auctions with selective entry. &i&Econometrica&/i&, &i&82&/i&(1), 315-344. 【话题是auction with entry，研究的主要不是第二部分拍卖进行的具体过程，而是研究拍卖参与者进入拍卖的决定，而进入拍卖是需要支付一定的research cost的。不足是IPV的假设导致其empirical application 有限。 另：这是一篇partial identification的文献】&/p&&p&3.
Tang, X. (2011). Bounds on revenue distributions in counterfactual auctions with reserve prices. &i&The RAND Journal of Economics&/i&, &i&42&/i&(1), 175-203. 【放松了idependent private value 的假设，用的是Milgrom and Webber 的affliate signal 的模型。因为不知道signal affliation的程度，所以只能partially identify the model】&/p&&p&4.
Larsen, B. (2013). The efficiency of dynamic, post-auction bargaining: Evidence from wholesale used-auto auctions. &i&Post-Auction Bargaining: Evidence from Wholesale Used-Auto Auctions (January 24, 2013)&/i&. 【two stage game: 但是第二期是一个bargaining game。第一步用GPV的方式可以identify buyer side， 用第二步bargaining game 来partially identify seller side. 因为dynamic bargaining 目前没有很好的equilibrium characterization method，所以这篇paper的目的不是extract all information in the model，而是如何把不可算的模型转成可算的模型。】&/p&&p&5. Armstrong, T. B. (2013). Bounds in auctions with unobserved heterogeneity. &i&Quantitative Economics&/i&, &i&4&/i&(3), 377-415. 【当模型中有researcher 看不到的异质性信息咋办？还是partially identify...】&/p&&p&6. Schurter, K. (2017). Identification and Inference in First-Price Auctions with Collusion.
【今年的job market star. 假设auction里面有efficient collusion我们怎么揪出那些表脸的colluder? Identification strategy 很有意思，但是我们reading group讨论的时候觉得他用的econometric method 稍微有点不efficient.】&/p&&p&Dynamic Game:&/p&&p&除了 &a class=&member_mention& href=&//www.zhihu.com/people/edc& data-hash=&edc& data-hovercard=&p$b$edc&&@SlowMover&/a& 提到的，再加一个computation的文献：&/p&&p&Judd, K. L., Yeltekin, S., & Conklin, J. (2003). Computing supergame equilibria. &i&Econometrica&/i&, &i&71&/i&(4), .
【老爷子前几天来系里面讲的large dynamic game 的 equilibrium characterization的方法，用的是tarski fix point method. 算法非常有意思。】&/p&&br&&p&Inference Method:&/p&&p&上面提到的，Empirical game 里面两个很难处理的问题：1. 2. Large game/ complicated game， 所以现在主要的方法是set identification 或是 partial inference. 这边给几篇econometrics method的文献，基本是目前最近几年的文献：&/p&&p&1. Chernozhukov, V., Hong, H., & Tamer, E. (2007). Estimation and confidence regions for parameter sets in econometric models. &i&Econometrica&/i&, &i&75&/i&(5), . 【基于subsampling 的inference method， 仅适用于unconditional moment inequality。不足之处在于computation burden 非常大，但是这是大部分partial inference 都无法避免的，包括下面的两篇。】&/p&&p&2. Chernozhukov, V., Lee, S., & Rosen, A. M. (2013). Intersection bounds: estimation and inference. &i&Econometrica&/i&, &i&81&/i&(2), 667-737. 【conditional moment inequality 的inference method, strong approximation， 太technical 了，上课讲完之后下了这篇paper一直没敢读】&/p&&p&3.
Andrews, D. W., & Shi, X. (2013). Inference based on conditional moment inequalities. &i&Econometrica&/i&, &i&81&/i&(2), 609-666.
【和（2）相比，用的方法是把conditional moment inequality 转成unconditional.】&/p&&p&还有一部分是subvector inference, 最近没时间读 ：（， idea是假设如果我们只需要对1-2个structure parameter 做inference的话，有更好的方法 :[ Pakes, Porter, Ho, and Ishii (2015) etc.]&/p&&br&&p&先写这么多 ... 其实collusion game, asymetric information (in IO branch), econometric method 里面还可以挑一堆出来，有空再慢慢把文献都列出来.&/p&&p&目前对Entry game 和auction 了解的比较多（谁让我们reading group 总是读这些呢 呵呵哒）。。。如果大家有兴趣我可以再罗列一点。&/p&&p&（Henry, Murray, 和Schurter 都在我们系,Voung的那篇paper也是他曾经在我们系的时候发的，这边推一下我们系的 empirical IO 和econometrics ）&/p&&p&------------------------------------------------------update------------------------------------------------------&/p&&p&The following is the presentation slides I made for our class project, which illustrate the basic ideas in Ciliberto and Tamer [1.(2)]. One may find useful when they search for methods in estimating simple entry game:&/p&&br&&figure&&img src=&https://pic4.zhimg.com/v2-68dcc4b27bf3_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-68dcc4b27bf3_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-0bb99affa5daf_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-0bb99affa5daf_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-2cda24b04d7b43fc3ec2bc39882a32db_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-2cda24b04d7b43fc3ec2bc39882a32db_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-8c08a4e883e0e6da2a5273_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-8c08a4e883e0e6da2a5273_r.jpg&&&/figure&&br&&figure&&img src=&https://pic2.zhimg.com/v2-ca22ac4faddbd_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic2.zhimg.com/v2-ca22ac4faddbd_r.jpg&&&/figure&&br&&figure&&img src=&https://pic3.zhimg.com/v2-5b337fe28be3f6_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic3.zhimg.com/v2-5b337fe28be3f6_r.jpg&&&/figure&&br&&figure&&img src=&https://pic3.zhimg.com/v2-d30da36a2dcde92e975aa_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic3.zhimg.com/v2-d30da36a2dcde92e975aa_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-29c56f34a55ad1aaba5c77_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-29c56f34a55ad1aaba5c77_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-0a282b2cbe44c4a97493_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-0a282b2cbe44c4a97493_r.jpg&&&/figure&&br&&figure&&img src=&https://pic1.zhimg.com/v2-e7630e41badb0e84ca41ec_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic1.zhimg.com/v2-e7630e41badb0e84ca41ec_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-f316eba02baff57df3d7_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-f316eba02baff57df3d7_r.jpg&&&/figure&&br&&figure&&img src=&https://pic3.zhimg.com/v2-7cf40fcedd5d6de7565dbe_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic3.zhimg.com/v2-7cf40fcedd5d6de7565dbe_r.jpg&&&/figure&&br&&figure&&img src=&https://pic2.zhimg.com/v2-f82b9a56e6acdec333953d_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic2.zhimg.com/v2-f82b9a56e6acdec333953d_r.jpg&&&/figure&&br&&figure&&img src=&https://pic2.zhimg.com/v2-ebd_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic2.zhimg.com/v2-ebd_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-ddfbefb9fde63_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-ddfbefb9fde63_r.jpg&&&/figure&&br&&figure&&img src=&https://pic1.zhimg.com/v2-f0eb2d787a7e0ae6d44de84_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic1.zhimg.com/v2-f0eb2d787a7e0ae6d44de84_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-e9e92c6a145c50038e5b_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-e9e92c6a145c50038e5b_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-ea2f2ae16e8aeaaaf28bce3_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-ea2f2ae16e8aeaaaf28bce3_r.jpg&&&/figure&&br&&figure&&img src=&https://pic2.zhimg.com/v2-1e72ab02de01e62d99cbacb8f139d815_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic2.zhimg.com/v2-1e72ab02de01e62d99cbacb8f139d815_r.jpg&&&/figure&&br&&figure&&img src=&https://pic4.zhimg.com/v2-ad0fbe4a76dcab8443f93_b.jpg& data-rawwidth=&1512& data-rawheight=&1134& class=&origin_image zh-lightbox-thumb& width=&1512& data-original=&https://pic4.zhimg.com/v2-ad0fbe4a76dcab8443f93_r.jpg&&&/figure&
Entry game & Related：1: Bresnahan, T. F., & Reiss, P. C. (1991). Empirical models of discrete games. Journal of Econometrics, 48(1-2), 57-81. 【这是complete entry game最早期的文献，基本是给定了研究框架。Identification strategy是通过假设…
不请自来。&br&我个人觉得中心极限定律的各种推论和应用中，&b&最简洁！最强大！最普适！&/b&，真·出现在&b&“各个领域”&/b&的，莫过于:&br&均值标准误反比于样本数量的平方根：&img src=&//www.zhihu.com/equation?tex=S_%7B%5Cbar%7Bx%7D+%7D+%5Crightarrow+%5Cfrac%7B%5Csigma%7D%7B%5Csqrt%7Bn%7D+%7D+& alt=&S_{\bar{x} } \rightarrow \frac{\sigma}{\sqrt{n} } & eeimg=&1&& （公式1）&br&有时也被称为Square root n Law或者root n law。&br&只要给了标准误的定义，就可以从Lindeberg–Lévy的中心极限（CLT）描述（公式2）直接改写过来。&br&公式2：&br&&br&root n law的运用几乎出现在所有的STE（Science, techonology, engineering)中，甚至直接体现在各种自然现象当中，以下举几个微小的栗子。&br&&br&（1）只要有测量，其实就绕不开公式1的运用。最简单的应用&br&就是估计样本标准差：&img src=&//www.zhihu.com/equation?tex=%5Ctext+%7BSTD%7D+%3D++%5Csqrt%7Bn%7D+%5Ctext+%7BSEM%7D+& alt=&\text {STD} =
\sqrt{n} \text {SEM} & eeimg=&1&&&br&当然有更powerful的应用，比如利用bootstrapping的standard error计算&br&&br&（2）和噪声密切相关，广泛应用在通信理论、信号处理、图像处理中&br&信号处理最简单的应用——signal averaging除噪：通过在时域上平均多次测量值提高信噪比（signal-noise ratio），好用到不行。&br&&figure&&img src=&https://pic4.zhimg.com/b02cc6d15cc2fc20128a37_b.png& data-rawwidth=&321& data-rawheight=&181& class=&content_image& width=&321&&&/figure&&br&&br&from &a href=&//link.zhihu.com/?target=http%3A//azimadli.com/vibman/synchronousaveraging.htm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Synchronous Averaging&i class=&icon-external&&&/i&&/a&&br&&br&图像处理中效果也不差：&br&&figure&&img src=&https://pic3.zhimg.com/f3b3c84eae1fbfbdb39868e_b.png& data-rawwidth=&550& data-rawheight=&284& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&https://pic3.zhimg.com/f3b3c84eae1fbfbdb39868e_r.png&&&/figure&&br&from：&a href=&//link.zhihu.com/?target=http%3A//ezbackgrounds.com/blog/noise-reduction-averaging-photoshop.php& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Image Stacking for Noise Reduction Averaging in Photoshop&i class=&icon-external&&&/i&&/a&&br&&br&在通信中的应用就是通过反馈降低信号和相位误差，原理就是一遍一遍地叠加，也遵循root n law。&figure&&img src=&https://pic1.zhimg.com/32fe8dfb4d00_b.png& data-rawwidth=&422& data-rawheight=&208& class=&origin_image zh-lightbox-thumb& width=&422& data-original=&https://pic1.zhimg.com/32fe8dfb4d00_r.png&&&/figure&&br&from：&a href=&//link.zhihu.com/?target=http%3A//www.ni.com/white-paper/14823/en/%23toc2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Noise Reduction&i class=&icon-external&&&/i&&/a&&br&&br&（3）最后谈谈本行，&b&各种各样的生命系统用的是一毛一样的root n law控制噪声。&/b&&br&首先给一点背景知识：细胞的DNA，指导RNA转录；RNA被翻译成蛋白质；蛋白质形式各种各样的功能。目前为止观测到的大多数的生命活动可以被这样一条“中心法则”概括。&br&&figure&&img src=&https://pic4.zhimg.com/e2a7ac82c9f_b.png& data-rawwidth=&470& data-rawheight=&136& class=&origin_image zh-lightbox-thumb& width=&470& data-original=&https://pic4.zhimg.com/e2a7ac82c9f_r.png&&&/figure&from：&a href=&//link.zhihu.com/?target=http%3A//biology.tutorvista.com/cell/central-dogma.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Central Dogma&i class=&icon-external&&&/i&&/a&&br&&br&蛋白质表达的噪声就是不同细胞内的蛋白质浓度差别，如下图，细胞表达红/绿两种蛋白质，由于噪声，产生红、绿、黄（红+绿）、黑四种状态。&br&&figure&&img src=&https://pic3.zhimg.com/78b784cdb28a8689e77cfdc7cd45370a_b.png& data-rawwidth=&300& data-rawheight=&404& class=&content_image& width=&300&&&/figure&（Science 16 AUGUST 2002 VOL 297, ISSUE 5584 COVER [Image: M. B. Elowitz]）&br&&br&对于维持细胞“活着”的蛋白质（essential），要求噪声尽可能小。而有的基因出于各种原因，需要较大的噪声，比如和细胞决策有关，需要从一种状态转变为另一种状态，就需要噪声比较大，降低响应时间。&br&&figure&&img src=&https://pic4.zhimg.com/db8d_b.png& data-rawwidth=&1216& data-rawheight=&420& class=&origin_image zh-lightbox-thumb& width=&1216& data-original=&https://pic4.zhimg.com/db8d_r.png&&&/figure&from：&a href=&//link.zhihu.com/?target=http%3A//www.nature.com/ncomms//ncomms10160/full/ncomms10160.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&A role of stochastic phenotype switchin&i class=&icon-external&&&/i&&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//www.nature.com/ncomms//ncomms10160/full/ncomms10160.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&g in generating mosaic endothelial cell heterogeneity :
Nature Communications :
Nature Publishing Group&i class=&icon-external&&&/i&&/a&&br&&br&相对复杂一些的，通过干细胞分化过程中，可以程序性地调控噪声，从低噪声到高噪声转变，从而实现“干细胞状态的维持”转变为“细胞分化”。&br&&figure&&img src=&https://pic2.zhimg.com/08eaccf105fbee0ece491aee51cd948d_b.png& data-rawwidth=&1213& data-rawheight=&582& class=&origin_image zh-lightbox-thumb& width=&1213& data-original=&https://pic2.zhimg.com/08eaccf105fbee0ece491aee51cd948d_r.png&&&/figure&from：&a href=&//link.zhihu.com/?target=http%3A//systems-signals.blogspot.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&systems-signals.blogspot.com&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&大的噪声也可以提高个体多样性，从而提高对未知环境的适应能力。&br&&figure&&img src=&https://pic3.zhimg.com/c1faece552c4ade_b.jpg& data-rawwidth=&450& data-rawheight=&791& class=&origin_image zh-lightbox-thumb& width=&450& data-original=&https://pic3.zhimg.com/c1faece552c4ade_r.jpg&&&/figure&&br&from：&a href=&//link.zhihu.com/?target=http%3A//www.ncbi.nlm.nih.gov/pmc/articles/PMC4824758/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&ncbi.nlm.nih.gov/pmc/ar&/span&&span class=&invisible&&ticles/PMC4824758/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&而细胞控制噪声的方法，就是通过控制DNA/RNA的拷贝数即蛋白质合成过程中的sampling size，so easy！&br&&br&&br&&figure&&img src=&https://pic2.zhimg.com/f082b9e862de5f9ee615effba4333c81_b.png& data-rawwidth=&776& data-rawheight=&996& class=&origin_image zh-lightbox-thumb& width=&776& data-original=&https://pic2.zhimg.com/f082b9e862de5f9ee615effba4333c81_r.png&&&/figure&纵轴是噪声，红三角int代表内禀噪声（真·噪声），横坐标是蛋白表达量（正比于RNA拷贝数），虚线是用公式1+背景值的拟合。from Elowitz Science 2002 &br&&br&费曼老师说，“你不能重建的玩意都是你妹整明白”。按这个标准，拷贝数控制噪声的方法在人工设计的biological system里面能够得到广泛应用，可以说是非常可靠的了。&br&事实上根据我的经验，bioengineering或者synthetic biology中，root n law是一个非常鲜见的例子。其实大多数情况下，由于生物系统的复杂性过高，我们对其了解远远不够，理论指导设计很难试验成功，更不要提广泛应用于不同设计了。&br&&br&（以后有机会再写些别的应用）
不请自来。 我个人觉得中心极限定律的各种推论和应用中，最简洁！最强大！最普适！，真·出现在“各个领域”的，莫过于: 均值标准误反比于样本数量的平方根：S_{\bar{x} } \rightarrow \frac{\sigma}{\sqrt{n} } （公式1） 有时也被称为Square root n Law或…
原来在这里也问了同样的问题，那我就把我的答案再粘贴一遍吧。&br&&br&考虑一个简单的例子：大学录取新生，高考分数高于600分的学生给予全额奖学金，低于600分的自费。现在，我们想知道奖学金的授予是否能搞提高大学新生的后续表现。&br&&br&现在假设有同学a和b，a同学的高考成绩是550分，达到了A大学的录取线，但没有拿到奖学金。b同学的高考成绩是650分，拿到了全额奖学金。 四年后，a同学的毕业总成绩是70分，b同学的毕业总成绩是90分（假设总分是100分）。 我们能因此判断该校的全额奖学金能帮助学生提高29%=(90-70)/70的大学成绩吗？显然不能。因为高考650分的b同学很有可能在其他方面都比高考成绩为550分的a同学更为优秀，所以最后多出的20分的成绩可能是这些“其他方面”因素的结果，可能跟有没有获得奖学金毫无关系。&br&&br&用计量的语言讲，“某些因素”，比如个人能力，家庭环境，决定了一个学生的高考成绩，而这些因素同样也决定了四年后这个学生的大学总成绩。因此，“有没有获得奖学金”这个变量是和“某些因素”相关的，所以“有没有获得奖学金”这个0-1变量是内生的。&br&&br&用数学的语言表示我上面的话，在一个简单的线性模型下：&br&Y=a+b*D+e&br&Y：大学总成绩&br&D＝1 如果获得奖学金，D=0 如果没有获得奖学金。&br&e: 其他影响成绩的因素。 假设 e=u+v, 其中u就是我们上述所说的“其他因素”，和D是相关的。而v是其他影响大学成绩但是和D不相关的变量。&br&b: 就是我们要找的“奖学金对大学成绩的影响”。&br&&br&比较获得奖学金和没有获得奖学金同学的大学成绩，相当于将Y回归到D。但是由于内生性 -- D和e中的u相关，我们不可能得到b的一致(consistent)估计量。&br&&br&====================================&br&下面讲讲为啥断点回归（Regression Discontinuity Design - RDD）可以解决上述问题。我们仅考虑 sharp regression discontinuity (SRD) 的情况 --- 也就是说低于600分的全部没奖学金，601分以上的都有奖学金。&br&&br&在RDD里最关键的假设是：potential outcome 在 threshold point ( 600分) 是连续的。用上面的例子来讲，就是说一个考生考了599分，他的最后大学成绩是80分。另一个同学考了601分，如果他没拿奖学金的话，那么他的最后大学成绩应该离80分不远（比如说80.5分）。这个假设有点比较难理解，但这个假设是RDD的关键中的关键。&br&&br&假设我们现在有两个学生： 学生a高考成绩是599分，根据规则，他没获得奖学金，他四年后大学的总成绩是70分。学生b高考成绩是601分，根据规则，他获得了奖学金，他四年后大学的总成绩是80分。基于以上的连续性假设，我们可以得出“奖学金对大学成绩的影响”是 80-70=10分。背后的逻辑是：考了599分和601分的同学的各方面都应该是非常相似的，唯一影响他们最后大学成绩的因素就是有没有获得奖学金。因此他们最后大学总成绩的不同体现的就是奖学金的影响。&br&&br&=====================================&br&在fuzzy regression discontinuity 的情况下，如果 treatment effects是heterogenous的，结果会更加复杂，建议阅读相关文献。
原来在这里也问了同样的问题，那我就把我的答案再粘贴一遍吧。 考虑一个简单的例子：大学录取新生，高考分数高于600分的学生给予全额奖学金，低于600分的自费。现在，我们想知道奖学金的授予是否能搞提高大学新生的后续表现。 现在假设有同学a和b，a同学的…
谢邀。这是个很好的问题，以前也困扰我很久。这个问题 &a data-hash=&7bb8aa49edbf198a3f49073daf5fc204& href=&//www.zhihu.com/people/7bb8aa49edbf198a3f49073daf5fc204& class=&member_mention& data-editable=&true& data-title=&@不知彼岸& data-tip=&p$b$7bb8aa49edbf198a3f49073daf5fc204& data-hovercard=&p$b$7bb8aa49edbf198a3f49073daf5fc204&&@不知彼岸&/a&已经回答的很好了。我就补充一下。简单的说VAR就是reduced form, DSGE是structure form。 VAR model现在一般用于论文的实证部分，作为stylized facts来motivate后面的DSGE model。 例如：Liu, Wang and Zha (2013) 就首先用VAR model发现investment 对于house price shock的反应明显，而consumption对其反应不明显。他们argue其他的DSGE model（或者成为经济学理论）不能拟合这样的facts，然后他们就提出了自己的DSGE model来解释或者说是拟合facts。&br&有一点需要说明，VAR model和DSGE model确实都可以演化为线性随机差分方程组。 但二者还是有所区别的。 首先， VAR model的shock是state variables' s shocks。例如，如果VAR 的state vector里是两个变量investment和house price，那么说shock就是investment 和 house prices的shock。但是在DSGE model中，investment 和house price都是endogenous的变量， 整个model的外生shock可能只是technology shock或者monetary policy shock。所以说即使二者最后都能写成线性随机差分方程组，但二者并不能直接比较，因为shock其实是不同的。&br&但我们前面说到了， DSGE model的目的就是为了解释或者拟合VAR model体现的facts。如果不能直接比较那么怎么办呢？一个直接的办法就是simulate你的DSGE model，得到simulated data。例如得到simulated house price and investment data。然后用simulated data去做VAR，再把用simulated data做的VAR结果跟用实际数据做的VAR结果比较就可以了。所以说，不需要必须线性化DSGE model的解。解可以是非线性的，然后根据解simulate data就可以了。
谢邀。这是个很好的问题，以前也困扰我很久。这个问题 已经回答的很好了。我就补充一下。简单的说VAR就是reduced form, DSGE是structure form。 VAR model现在一般用于论文的实证部分，作为stylized facts来motivate后面的DSGE model。 例如：Liu,…
简单的说，微观经济学提供理论框架，计量经济学提供与数据相匹配的方法。&br&&br&随便翻开一本微观经济学中级教材，比如范里安的第六版，我们来看：&br&&ol&&li&1-5章，消费者选择，离散的情形我们有Multinomial Logit, nested Logit、BLP、AIDS等方法估计做出选择的个体的偏好、需求&/li&&li&第7章，显示偏好，跟计量中moment inequality关系密切&/li&&li&第9章，劳动供给，劳动经济学有一大块文献谈论这个话题，以及最近的比如出租车司机的劳动供给问题等等，都是需要计量（数据）来支持或者否定其中的结论的，最终还引入了行为经济学的解释。&/li&&li&第10章，跨期选择，推广开来就是宏观里面的各种模型，以及相对应的计量方法&/li&&li&11-13章，资本市场和不确定性，宏观和金融里面都有所研究，以及相应的计量方法&/li&&li&17章，拍卖，许许多多的文献都在研究empirical auction&/li&&li&18章，技术，如何估计生产函数？又是一大块文献&/li&&li&19-27，构成了产业组织理论（IO）中生产理论的各种模型，以及empirical IO中的各种计量问题，比如非线性的定价、内生的产品质量、markup，此外trade里面也有垄断竞争的企业异质性模型，也跟这些东西能够完全连接&/li&&li&28-29，博弈论，跟计量也有千丝万缕的联系，这里面的识别问题，以及如何解一个game并识别、估计其中的参数，也是计量经济学的前沿问题&/li&&li&30-32，福利，以上的很多消费者、生产者理论，在实际中都需要估计其中的参数，再做福利分析。&/li&&li&33-36，市场失灵，也是非常有意思的问题，比如当我们研究保险的时候，从计量角度来看无论是逆向选择还是道德风险，都给计量上的操作带来了非常大的难度和挑战。&/li&&/ol&我自己整理的也不全，不过一句话，微观经济学和计量经济学关系十分密切。
简单的说，微观经济学提供理论框架，计量经济学提供与数据相匹配的方法。 随便翻开一本微观经济学中级教材，比如范里安的第六版，我们来看： 1-5章，消费者选择，离散的情形我们有Multinomial Logit, nested Logit、BLP、AIDS等方法估计做出选择的个体的偏…
已有帐号？
无法登录？
社交帐号登录