計量經(jīng)濟學(xué)與Stata應(yīng)用

計量經(jīng)濟學(xué)與Stata應(yīng)用目錄TOC\h\h第1章計量經(jīng)濟學(xué)導(dǎo)論\h1.1什么是計量經(jīng)濟學(xué)\h1.2為什么要學(xué)習計量經(jīng)濟學(xué)\h1.3為什么叫“傻瓜”計量經(jīng)濟學(xué)\h1.4Stata基本簡介\h1.5計量經(jīng)濟學(xué)的核心邏輯\h1.6殘差項的重要性\h1.7計量經(jīng)濟學(xué)的定位和不足\h第2章數(shù)據(jù)處理與圖形繪制\h2.1數(shù)據(jù)導(dǎo)人\h2.2數(shù)據(jù)類型\h2.3數(shù)據(jù)合并\h2.4數(shù)據(jù)轉(zhuǎn)換\h2.5數(shù)據(jù)插值\h2.6圖形繪制\h2.7主成分分析\h2.8信度效度\h第3章基本模型回歸與診斷\h3.1共線性問題\h3.1.1共線性診斷\h3.1.2共線性處理\h3.2異方差問題\h3.2.1異方差概念\h3.2.2異方差診斷\h3.2.3異方差處理\h3.3自相關(guān)問題\h3.3.1自相關(guān)概述及檢驗方法\h3.3.2自相關(guān)處理方法\h3.4可行的GLS\h3.4.1異方差及FGLS估計\h3.4.2群組之間的異方差性及GLS估計\h3.4.3分組數(shù)據(jù)的異方差\h3.4.4序列相關(guān)與GLS估計\h第4章模擬\h4.1函數(shù)\h4.1.1什么是偽隨機數(shù)\h4.1.2偽隨機向量特征\h4.2模擬\h4.2.1大數(shù)定律與中心極限定理\h4.2.2大樣本OLS漸進結(jié)果\h4.3應(yīng)用\h4.3.1大樣本能解決內(nèi)生性問題嗎\h4.3.2基于蒙特卡洛模擬的反事實檢驗\h第5章線性工具變量回歸\h5.1內(nèi)生性與工具變量\h5.1.1內(nèi)生性\h5.1.2工具變量兩階段最小二乘法（2SLS）\h5.2工具變量檢驗\h5.2.1弱工具變量檢驗\h5.2.2過度識別約束檢驗\h5.3廣義矩估計法GMM\h5.3.1廣義矩方法估計量\h5.3.2GMM的穩(wěn)健估計\h5.3.3GMM與HAC穩(wěn)健標準誤\h5.3.4GMM正交性檢驗\h5.3.5GMM異方差檢驗\h5.3.6GMM冗余檢驗\h5.3.7工具變量估計的DWH內(nèi)生性檢驗\h5.4似無關(guān)估計\h5.4.1系統(tǒng)估計\h5.4.2似無關(guān)回歸模型\h5.4.3似無關(guān)回歸與OIS的關(guān)系\h5.4.4似無關(guān)估計案例\h第6章分位數(shù)回歸\h6.1認識分位數(shù)\h6.1.1條件分位（conditionalquantiles）\h6.1.2分位回歸估計與標準誤的計算\h6.2條件分位數(shù)回歸\h6.2.1條件分位數(shù)回歸的Stata命令\h6.2.2條件分位數(shù)回歸的Stata案例\h6.2.3條件分位數(shù)回歸工具變量法\h6.3面板條件分位數(shù)回歸\h6.3.1面板分位數(shù)估計基礎(chǔ)命令\h6.3.2面板分位數(shù)工具變量估計\h6.4無條件分位數(shù)回歸\h6.4.1再中心化影響函數(shù)\h6.4.2多維固定效應(yīng)RIF分位數(shù)估計\h6.4.3無條件分位數(shù)回歸處理效應(yīng)\h6.4.4基于RIF的無條件分位數(shù)估計子\h6.4.5面板固定效應(yīng)無條件分位數(shù)回歸\h6.4.6廣義分位數(shù)回歸\h第7章面板數(shù)據(jù)模型回歸\h7.1認識面板數(shù)據(jù)\h7.1.1面板數(shù)據(jù)和Stata命令\h7.1.2面板數(shù)據(jù)平穩(wěn)性檢驗\h7.2靜態(tài)面板數(shù)據(jù)模型\h7.2.1固定效應(yīng)模型\h7.2.2隨機效應(yīng)模型\h7.2.3混合面板回歸\h7.2.4豪斯曼檢驗\h7.2.5面板隨機系數(shù)模型\h7.3面板工具變量法\h7.3.1面板工具變量模型筒介\h7.3.2面板工具變量模型估計案例\h7.4面板交互固定效應(yīng)與多維固定效應(yīng)模型\h7.4.1交互固定效應(yīng)模型簡介\h7.4.2交互固定效應(yīng)估計方法\h7.4.3面板多維固定效應(yīng)估計\h7.4.4面板多維固定效應(yīng)工具變量估計\h7.5動態(tài)面板估計\h7.5.1動態(tài)面板模型簡介\h7.5.2差分GMM估計\h7.5.3系統(tǒng)GMM估計\h7.5.4差分與系統(tǒng)GMM估計\h7.6長面板數(shù)據(jù)模型\h7.6.1長面板數(shù)據(jù)概述\h7.6.2自相關(guān)、異方差和截面相關(guān)檢驗\h7.6.3Driscoll-Kraay估計\h7.6.4面板PCSE估計\h7.6.5面板FGLS估計\h7.6.6偏差校正LSDV動態(tài)面板估計\h7.7面板中介效應(yīng)模型\h7.7.1中介效應(yīng)模型概述\h7.7.2面板數(shù)據(jù)固定效應(yīng)中介模型估計\h7.7.3基于結(jié)構(gòu)方程的中介模型估計\h7.8面板隨機前沿模型\h7.8.1隨機前沿模型概述\h7.8.2面板隨機前沿模型估計\h第8章離散與受限因變量模型\h8.1二值Logit和Probit模型\h8.1.1潛在變量模型\h8.1.2邊際效應(yīng)與預(yù)測\h8.1.3工具變量法\h8.1.4二值Logit和Probit模型的Stata案例\h8.1.5面板二值選擇模型\h8.2多元結(jié)果模型\h8.2.1有序的Logit和Probit模型\h8.2.2無序的Logit和Probit模型\h8.3決策選擇模型\h8.3.1多元Probit和Logit選擇模型\h8.3.2條件Logit模型\h8.3.3嵌入Logit模型\h8.4樣本選擇模型\h8.4.1截尾回歸（truncatedregression）\h8.4.2審查回歸Tobit模型\h8.4.3偶發(fā)截尾與Heckman樣本選擇模型\h8.4.4似無關(guān)Probit模型與Heckman樣本選擇模型\h8.5貝葉斯模型估計\h8.5.1貝葉斯理論簡介\h8.5.2貝葉斯模型估計案例\h第9章傾向得分匹配與雙重差分模型\h9.1傾向得分匹配\h9.1.1什么是傾向得分匹配？\h9.1.2傾向得分匹配估計\h9.1.3偏差校正匹配估計\h9.2DID與PSM-DID\h9.2.1認識DID的實驗前提\h9.2.2DID雙重差分法\h9.2.3雙重差分法面板模型\h9.2.4平行趨勢檢驗\h9.2.5PSM-DID估計\h9.3多期DID\h9.3.1多期DID的處理\h9.3.2DID交互項及其他變量可識別影響機制\h9.3.3DDD三重差分\h9.4DID和多期DID處理Stata案例\h9.4.1雙重差分法面板模型—虛擬數(shù)據(jù)案例\h9.4.2雙重差分法面板模型—真實數(shù)據(jù)案例\h9.4.3雙重差分法面板模型—PSM—DID估計\h9.4.4多維面板固定效應(yīng)雙重差分法及“安慰劑檢驗”\h9.5合成控制法及“安慰劑檢驗”\h9.5.1單一試點合成控制法及“安慰劑檢驗”\h9.5.2多試點合成控制法及“安慰劑檢驗”\h9.5.3合成控制雙重差分估計及“安慰劑檢驗”\h第10章斷點回歸分析\h10.1斷點回歸概述\h10.1.1斷點回歸的基本思想\h10.1.2斷點回歸的基本原理\h10.2斷點回歸模型\h10.2.1清晰斷點回歸\h10.2.2模糊斷點回歸\h10.3斷點回歸檢驗\h10.3.1局部平滑性檢驗\h10.3.2斷點“安慰劑檢驗”\h10.3.3帶寬選擇敏感性檢驗\h10.3.4樣本選擇敏感性檢驗\h10.4逆傾向得分加權(quán)斷點回歸分析（IPSW—RDD）\h10.4.1命令rddsga及語法結(jié)構(gòu)\h10.4.2Stata應(yīng)用案例分析\h第11章非線性回歸與再抽樣方法\h11.1非線性回歸估計\h11.1.1基本回歸命令\h11.1.2非線性最小二乘法與極大似然估計\h11.1.3幾種常用的非線性回歸命令\h11.2Bootstrap和Jackknife方法\h11.2.1Bootstrap方法\h11.2.2Jackknife方法\h11.3預(yù)測與邊際效應(yīng)計算\h11.3.1預(yù)測（prediction）\h11.3.2邊際效應(yīng)與彈性\h11.3.3MER、APE和AME的計算\h11.3.4手動計算AME\h第12章非參數(shù)與半?yún)?shù)估計\h12.1非參數(shù)回歸分析\h12.1.1基本估計理論\h12.1.2Stata應(yīng)用案例\h12.1.3非參數(shù)估計的邊際效應(yīng)\h12.2半?yún)?shù)回歸分析\h12.2.1半?yún)?shù)估計基準模型\h12.2.2Abadie半?yún)?shù)雙重差分SDID\h第13章時間序列分析與DSGE模型\h13.1平穩(wěn)時間序列分析\h13.1.1ARMA與ARMAX模型估計\h13.1.2VAR模型估計\h13.2非平穩(wěn)時間序列分析\h13.2.1單位根檢驗\h13.2.2向量誤差修正模型與協(xié)整分析\h13.3動態(tài)隨機一般均衡（DSGE）模型\h13.3.1基礎(chǔ)理論分析\h13.3.2Stata案例分析（一）\h13.3.3脈沖—響應(yīng)分析\h13.3.4Stata案例分析（二）\h13.3.5DSGE模型反事實檢驗\h13.3.6更復(fù)雜的DSGE模型\h第14章空間計量經(jīng)濟學(xué)概述\h14.1空間依賴及其關(guān)系表述\h14.1.1空間依賴的原因\h14.1.2空間依賴關(guān)系的數(shù)學(xué)描述\h14.1.3空間依賴關(guān)系的模型化\h14.2空間權(quán)重矩陣及其作用邏輯\h14.2.1空間權(quán)重矩陣的定義與設(shè)定\h14.2.2空間權(quán)重矩陣的構(gòu)造\h14.2.3空間權(quán)重矩陣的作用邏輯\h14.3空間自回歸數(shù)據(jù)生成過程\h14.3.1帶有常數(shù)項的空間自回歸模型的初步分解\h14.3.2外生化過程詳解\h14.3.3空間自回歸模型外生化的期望形式與解釋\h14.4莫蘭散點圖\h14.4.1空間關(guān)聯(lián)系數(shù)與莫蘭散點圖\h14.4.2用Stata計算莫蘭指數(shù)和繪制莫蘭散點圖\h第15章空間計量經(jīng)濟學(xué)基礎(chǔ)模型\h15.1空間計量經(jīng)濟學(xué)模型的主要類型\h15.1.1空間計量經(jīng)濟基礎(chǔ)模型\h15.1.2其他空間計量經(jīng)濟學(xué)模型\h15.2空間計量模型的相互轉(zhuǎn)化和數(shù)據(jù)生成過程\h15.2.1針對時間依賴關(guān)系的空間自回歸模型（SAR）\h15.2.2針對遺漏重要變量的空間杜賓模型（SDM）\h15.2.3針對空間異質(zhì)性（個體差別）的空間誤差模型(SEM)\h15.2.4針對外部性的空間X滯后模型（SXL）\h15.2.5針對不確定性的空間計量經(jīng)濟模型（后驗概率模型）\h15.3SDM模型的參數(shù)效應(yīng)解釋\h15.3.1空間杜賓模型的外生化表達過程\h15.3.2空間杜賓模型的外生化表達的矩陣形式\h15.3.3空間杜賓模型參數(shù)效應(yīng)過程的閘釋\h15.3.4空間杜賓模型參數(shù)效應(yīng)過程的圖示描述\h15.3.5空間杜賓模型參數(shù)效應(yīng)的幾個重要定義\h15.4SAR、SDEM模型的參數(shù)效應(yīng)解釋\h15.4.1空間自回歸模型的總效應(yīng)闌釋\h15.4.2對空間自回歸模型的總效應(yīng)分解的其他設(shè)定\h15.4.3空間杜賓誤差模型（SDEM）的參數(shù)效應(yīng)閘釋\h15.4.4SAR模型參數(shù)效應(yīng)的一般計算\h15.5空間計量經(jīng)濟模型的Stata檢驗\h15.5.1環(huán)形放射狀城市的通勤時間\h15.5.2截面數(shù)據(jù)的空間計量回歸\h第16章空間計量模型極大似然估計\h16.1SAR與SDM模型的極大似然估計\h16.1.1普通最小二乘法的矩陣過程回顧\h16.1.2SAR和SDM模型中多參數(shù)優(yōu)化向單參數(shù)優(yōu)化的轉(zhuǎn)化\h16.1.3空間相關(guān)系數(shù)p優(yōu)化的對數(shù)似然函數(shù)及其簡化\h16.1.4SAR、SDM模型的極大似然估計過程\h16.1.5用Stata做SAR和SDM模型極大似然估計\h16.2SEM模型參數(shù)的極大似然估計\h16.2.1SEM模型及其單參數(shù)優(yōu)化過程\h16.2.2SEM模型的對數(shù)似然函數(shù)設(shè)定及簡化\h16.2.3SEM模型的極大似然估計結(jié)果