凡是搞计量经济的，都关注这个号了
稿件：econometrics666@126.com
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
关于因果推断书籍，参看：1.一本最新因果推断书籍, 包括了机器学习因果推断方法, 学习主流和前沿方法，2.社会经济政策的评估计量经济学, 提供书籍和数据和程序文件，3.诺奖得主Angrist的因果推断课程文献读物单子再次更新了, 还提供了其他三门课程，4.全面且前沿的因果推断课程, 提供视频, 课件, 书籍和经典文献，5.从网页上直接复制代码的因果推断书籍出现了, 学会主流方法成效极快，6.推荐书籍"用R软件做应用因果分析", 有需要的学者可以自行下载！7.哪本因果推断书籍最好？我们给你整理好了这个书单！8.“不一样”的因果推断书籍, 很多观点让我们能恍然大悟, 涵盖了不少其他书里没有的因果推断方法！9.搞懂因果推断中内生性问题解决方法必读的书籍和文献已搜集好！10.一位“诗人”教授写了本因果推断书籍, 现在可以直接下载PDF参看！11.使用R软件学习计量经济学方法三本书籍推荐，12.机器学习与Econometrics的书籍推荐, 值得拥有的经典，13.史上最全的因果识别经典前沿书籍, 仅此一份，14.用R语言做Econometrics的书籍推荐, 值得拥有的经典，15.Stata学习的书籍和材料大放送, 以火力全开的势头，16.USA经管商博士最狂热崇拜的计量书籍震撼出炉，17.推荐使用Python语言做因果推断前沿方法的书籍,18.哈佛教授因果推断经典之作推荐！通过数据,代码和示例手把手教你！推荐一本专攻处理效应分析的书籍《Matching, Regression Discontinuity, Difference in Differences, and Beyond》，里面包括各种主流的政策评估计量方法。当然，书里也是提供了极为丰富的数据和操作代码和说明，可以到网上或社群下载使用。正文
处理效应分析广泛用于各个科学学科，因为政策/计划/药物的任何可控变量都可以称为“处理”。例如，著名的处理效应分析方法“倾向得分匹配”（Rosenbaum 和 Rubin 1983）在 Google Scholar 中被引用超过 14,500 次。在经济学中，以“倾向得分匹配”为关键词，在Labor Economics发表不少于93篇论文，在Health Economics发表论文84篇，在Journal of Public Economics发表论文81篇，甚至在Journal of International Economics发表论文34篇，在Journal of Monetary Economics发表论文9篇。而倾向得分匹配只是众多方法之一，这些数字充分表明处理效应分析在经济学中的流行度，并且在未来几年将变得更加流行。我在 2005 年写了一本关于处理效应的书籍，名为 Micro-Econometrics for Policy, Program, and Treatment Effects。十年过去了，这一领域的研究取得了长足的进步；事实上，经济学期刊上的上述大部分论文都是在 2005 年之后发表的。因此，似乎是时候将 2005 年的书修订为第二版了。但由于处理效应分析的普遍性，覆盖整个领域的要求显得太高了。因此，我决定在新书中只介绍最流行和最适用的方法：匹配、断点回归设计 (RDD)、双重差分 (DID) 等。经济学（和其他科学学科）的研究生和研究人员都会从阅读本书受益。阅读本书对知识的要求，包括学习过线性模型的最小二乘估计（LSE）和工具变量估计（IVE），以及二值和有序响应的最大似然估计的一些基本知识（probit/logit和有序probit/logit）。此外，接触一些核非参估计方法也会有所帮助。本书由六章和一个附录组成。带星号的部分是偏题的或技术性的内容。它们与附录类似，可选择性地进行学习。书籍中的许多程序使用的都是模拟数据，因为正文中的许多数据集要么是专有的，要么正在用于正在进行的研究中，但是具有模拟数据的程序可以很容易地修改以供实际数据使用。第 1 章是我 2005 年那本著作第 2 章的小修订版；它介绍了术语并列出了处理效应（即因果关系）分析的基础知识。普通读者可能想浏览本章以了解处理效应分析中出现的问题，并了解这些问题是否足够吸引人继续阅读其余章节。熟悉基础的读者可以跳过本章。第 2 章是关于“匹配”的，其中处理组和对照组之间的平均差异通过匹配控制的协变量进行检查。尽管匹配本质上是非参数的，但无需正式求助于非参数估计即可涵盖其中的大部分内容。本章与我 2005 年的书的第 3 章和第 4 章有很多重叠，但读者会发现从那时起有更新很多文献。第 3 章是“非匹配”方法，它检查处理组和对照组之间的平均差异，就像匹配一样，但非匹配方法控制协变量的方式与匹配不同：它们是“加权”、“回归插补”和“完全配对”。第 3 章还有 研究“样本选择模型”中的处理效应，其中处理行为可以影响活动的参与决定和活动的后续表现。样本选择模型的主要困难在于只有当一个人参与该行为时才能观察到其表现。第 4 章介绍了“断点回归设计 (RDD)”。RDD 符合“局部随机化”，这使其成为观测性研究中特别有吸引力的研究设计。然而，RDD 要求以特定方式确定受到处理的状态：一个连续变量跨越阈值（例如，一个跨越临界值的测试分数）。这在一定程度上限制了 RDD 的适用性，因为并非所有处理都以这种方式确定。第 5 章是关于“双重差分(DID)”。可能最基本的处理效应分析是比较政策处理前后(BA )的变化，但当时间间隔过长导致政策处理以外的变量发生变化时，比较政策处理前后的变化就会不合适。DID通过将BA与匹配相结合来解决这个问题。在其他变量的变化中，由观测变量引起的变化通过控制DID中的协变量来解释，而由不可观测变量引起的变化则在一定程度上被第二次差分所抵消。第 6 章是关于“三重差分 (TD) 及以上”，其中一个额外的差分是从 DID 完成的；差分可以是时间方面的或横截面组方面的。当单重和双重的必要假设有问题时，使用 TD进行估计。TD 还可以为 DID 的基本假设提供检验。比TD更进一步，会出现“四重差分”，它可以在比TD更弱的假设下估计处理效果，并为TD假设提供检验。附录包含对核非参数回归的回顾，对 DID 的补充讨论，以防止正文中的章节过长，以及对 bootstrap 的介绍。附录还讨论了如何检测未观察到的混杂因素、对 IVE 的评论以及处理未观察到的混杂因素的选择校正方法。这些内容来自 Lee（2005 年，第 5 章和第 6 章），尽管它们很重要，但由于它们不是本书的主题，它们被放在了附录中。有许多经验性的例子，在覆盖长度方面有所不同。一个极端是在一两句话中简要提及，另一个是在单独的部分中进行详细检查；在后者中，部分标题将类似于“D 对 Y 的影响”，其中 D 是处理变量，Y 是响应变量。我希望在本书中涵盖几个主题，但由于各种限制而未能涵盖：“分位数处理效应”和“动态处理效应”，尽管对 RDD 进行了简要检查。在这里，我列出了一些最近的参考资料，供感兴趣的读者参考。分位数处理效应概括了普遍的平均效应（Machado 和 Mata 2005、Chernozhukov 和 Hansen 2008、Firpo 等人 2009、Rothe 2012 以及其中的参考文献）。动态处理效应考虑了随着时间的推移根据中间反应调整的多种处理（Robins 和 Hernán 2009、Lee 和 Huang 2012、Chakraborty 和 Moodie 2013 以及其中的参考文献）。此外，还有“直接和间接/中介效应”问题（Pearl 2010, Imai et al. 2010, VanderWeele 2015，以及其中的参考资料）
下这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。