统计计量 | 知乎热议:经济学专业博士如何学好高级计量?
The following article is from 连享会 Author 连享会
本文转载自公众号连享会(ID:lianxh_cn),作者:连享会
作者:杨学敏(中山大学)
邮箱:amelia_xmyang@126.com
目录:
1.心理建设篇 2.学习方法篇 3.学习方法篇
3.1 统计基础类 3.2 高级计量经济学 3.3 微观计量、因果推断
编者按:
自打背负着「家族荣耀」的担子开启我的博士生涯起,我就一直梦想着成为一个硬派技术控 …… 想想那种手起刀落的感觉就让人兴奋。
然而,很快,就发现,自己,放弃挥舞三节棍 …… 就连单节棍也搞不定呀!…… 计量好难!
说点正经话吧:经济学专业博士如何学好高级计量,该看什么书?和其相关的数学又应该学到什么程度?
今天闲逛知乎,居然发现这是一个热议的问题,让我窃喜!居然发现这么多同道中人!
热闹!有吐槽的,有认为要扎好马步的,也有认为计量只是工具,了解原理就好……,不一而足。
花点时间,梳理出来,共勉。
希望,不久的将来,我能抡得起双节棍!吼吼哈哈!
Source:https://www.zhihu.com/question/359380629
Part1心理建设篇
信念感是相当重要啊!!!
这意味着对手中的工具有一种信念感
。我一开始刚进博士项目时喜欢理论和建模,后来喜欢宏观和计算,对于计量有所偏见,认为线性模型太简单,解释不了我要解释的现象。带着这种偏见自然也没能在一二年级打好基础。后来到了写论文阶段,又变得对于模型非常谨慎,追求实证结果,所以又回来恶补了计量,绕了很多弯路。所以,看清楚一个工具的价值,然后潜心理解,才能有所收获
。对于接触数据的人,计量的重要性毋庸置疑。(来源:网友“Mercer”) 没有信念,真的会被三高摧残! (来源:网友“石膏小狗”)
做研究就像搭积木,慢慢来,比较快
积木块越多,能搭的城堡越大。 (来源:网友“树苗”) 以前不爱了解不同领域的东西,不爱积累工具,后来做研究发现还是见多识广好! (来源:网友“Mercer”)
好的计量工具是理清思路、扎实写作和偶尔灵光一现的必要条件啊!
(来源:网友“假如爱有天意”)
Part2学习方法篇
首先, 要对计量的基础理论有所了解
。其实所有模型都是一个解决思路,一次课就能讲完基本原理。其次, 需要弄清楚不同模型(不同工具)的适用范围和优缺点,在合适的地方应用合适的工具解决问题即可
。这样一来就不用纠结于技术细节,而是对每个模型都有一种感性的认识。最后, 在应用时,建议找一个项目边看书边动手做
。光看书不做永远都学不会计量!!!(以上来源:网友“jj1010zz”)
作为一个经济学博士深深领会到高级计量的重要性。我的方法就是 干中学
,高级计量的课程一遍下来每个人都是懵逼的,但是好在有了基本的认识,知道每个方法和问题的出处。接下来,最重要的是在做研究和写论文过程中反复的实践练习
。比如工具回归在实证的时候都会用,每用一次查一下书,推导一下公式,其基本原理理解便会越来越深刻。(来源:网友“读孤九本”)
对重要定理或者命题,做到能够复现证明
,否则就很难真正弄清楚定理成立的原因,当条件变化的时候也就不知道如何调整结论。而对于不那么重要的定理和命题,知道证明的思路和大致过程即可。对于相近的概念,要能分清它们的区别和联系
,为什么会有这样的区别。比如GLS和WLS,IV和2SLS。微积分、线性代数和概率论的数学基础基本就够用
。如果遇到自己不熟悉的数学概念,临时去有针对性地补这一部分的数学知识就好。此外,费曼学习法推荐了解一下~
(以上来源:网友“Karas”)
如果想打好一个坚实的理论基础, 概率论和数理统计要学到能够熟练地在矩阵形式下操作的程度
。以及深刻理解各种
asymptotic distribution
的推导
,主要方法包括Slustky、Delta Method,continue mapping theorem
等等。另外, 关于推导分布很重要的一点就是理解各种收敛,以及收敛的关系
。这里,我们老师用了类似于实变函数的等价无穷小,高阶无穷小这些东西。目前看来,这样的学习过程是痛苦的,但是是有益的。每天写作业推导完各种奇葩的分布后,你会发现教材上写的东西都是儿童玩具。(以上来源:网友“Karas”)
做理论——得多学 bayes approach
,频率学派的话要搞懂依概率收敛``
slutsky
等等基础性东西做应用——要有意识学会
argue内生性问题
,认真学面板数据模型
。(以上来源:“匿名用户”)
Part3学习资源篇
3.1统计基础类
NYU DS硕士统计课。基础知识覆盖很全面,notes也写的很清晰漂亮:DS-GA 1002: Statistical and Mathematical Methods[1]. Notes: OLS in Matrix Form[2] Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares[3] 斯坦福统计系大佬的蒙特卡洛方法,是一本非常详尽的关于这方面的教材:蒙特卡洛方法[4] 杜克大学基于Python的计算统计课程,适合干中学:Python的计算统计课程[5] 普林斯顿金融教授Jianqing Fan的统计课程:Jianqing Fan的统计课程[6] (以上来源:来源:网友“Mercer”)
3.2 高级计量经济学
以下五本书学透基本上可以说高级计量经济学就学的很好了,书不用找太多,数学基础的话只需要概率论与数理统计、矩阵代数。
洪永淼教授《高级计量经济学》
,这本书吹爆,B站上有视频课
,配合使用就好。其实我觉得这本书可以直接看第八章(广义矩方法)和第九章(极大似然估计)。当然,要先熟悉一下符号。厦大的黄皮书 高级计量经济学导论
。这本书的内容还是中级计量经济学的框架,数理推导比较友好,有实例,适合用于快速复习。对中级的内容熟悉,矩阵代数学得不错的话,这本书一到两天就可以刷完了。对中级计量不熟悉的话,可以参考伍德里奇《计量经济学导论》
。这是一部大部头著作,不用全看,找到你不熟悉的领域,对应复习一下就行了。洪永淼教授《高级计量经济学》
,这本书吹爆,B站上有视频课
,配合使用就好。其实我觉得这本书可以直接看第八章(广义矩方法)和第九章(极大似然估计)。当然,要先熟悉一下符号。(以上来源:网友“云卷云舒”) 本科大四的时候自己干翻一本 Hayashi
,基本帮忙解决了PhD期间遇到的问题
!另外,修统计推断用的课本也值得推荐—Casella and Berger
。(来源:网友“Good Inflation”) 陈强的 高级计量经济学
还不错!对着stata做就行了。(来源:网友“爱英斯塔”)
3.3 微观计量、因果推断
芝加哥大学 Chris Hansen 应用计量课件(含代码)。介绍了回归,IV,Panel,Causal inference,sparse econometrics,个人感觉内容很扎实也很简练:C. Hansen 课程主页[7] NBER 2007 暑期课。这个不用多说是经典了!主要是微观计量,覆盖很全面,另外还有Imbens大佬的choice model: NBER 2007 暑期课主页[8] (以上来源:网友“Mercer”)
时间序列、实证宏观金融
University of Washington 的 Zivot开的时间序列课程,涵盖了比较基础的一部分内容,偏向统计系的时间序列分析 Econ 584 Notes: Zivot - 时间序列[9] UPenn Frank Schorfheide 实证宏观课程,主要涵盖贝叶斯估计,SVAR,DSGE模型估计等: 实证宏观课程[10] Lutz Kilian的SVAR教材, 算是了解VAR与SVAR在宏观中应用的集大成著作: Lutz Kilian的SVAR教材[11] Sequential Monte Carlo Methods[12] UC伯克利 Michael Jordan 贝叶斯方法: https://people.eecs.berkeley.edu/~jordan/courses/260-spring10/[13] UCL 统计大牛David Barber 的贝叶斯方法教材 Bayesian Reasoning and Machine Learning: 贝叶斯方法教材[14] (以上来源:网友“Mercer”)
推荐一本时间序列的书,这本书最出色的地方在于 简明,简明,简明
。基本没有推导,在简要介绍了传统的时间序列方法以后,浓墨重彩的讲了state space model
,以及如何用 simulation 方法 estimation
。我记得教授讲过,Dickey Fuller statistic的distribution?现在是什么年代了,记那干嘛,tabulate!我认为这本书(slides deck)把时间序列计量经济学的想法和世界观讲的很清楚
,这些东西许多教科书不会讲,讲了也会淹没在大堆大堆的推导和证明里:时间序列教材[15](来源:网友“阳羽”)
软件和代码
纽约联储研究员开发的基于Python的 high-dimensional fixed-effects package,对应STATA中的HDFE:pyhdfe[16] ,对STATA导出表格比较绝望的同学可以试着用Python流水线操作。作者同时还开发了基于Python的BLP模型:pyblp[17] 斯坦福Jens Hainmueller教授写的 synthetic control package:synthpage[18] (以上来源:网友“Mercer”)
新方法
Local projection method[19] Granular Instrumental Variables[20] Bartik Instruments: What, When, Why, and How 原文代码[21] (来源:网友“Mercer”)
参考资料
DS-GA 1002: Statistical and Mathematical Methods: https://cims.nyu.edu/~cfgranda/pages/DSGA1002_fall15/index.html
[2]Notes: OLS in Matrix Form: https://web.stanford.edu/~mrosenfe/soc_meth_proj3/matrix_OLS_NYU_notes.pdf
[3]Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares: https://stanford.edu/~boyd/vmls/vmls.pdf
[4]蒙特卡洛方法: https://statweb.stanford.edu/~owen/mc/
[5]Python的计算统计课程: https://people.duke.edu/~ccc14/sta-663-2020/
[6]Jianqing Fan的统计课程: https://fan.princeton.edu/fan/classes/245.html
[7]C. Hansen 课程主页: https://voices.uchicago.edu/christianhansen/teaching/appliedeconometrics/
[8]NBER 2007 暑期课主页: https://www.nber.org/minicourse3.html
[9]Zivot - 时间序列: https://faculty.washington.edu/ezivot/econ584/584notes.htm
[10]实证宏观课程: https://web.sas.upenn.edu/schorf/classes/
[11]Lutz Kilian的SVAR教材: https://sites.google.com/site/lkilian2019/textbook/preliminary-chapters
[12]Sequential Monte Carlo Methods: https://www.stats.ox.ac.uk/~doucet/samsi_course.html
[13]https://people.eecs.berkeley.edu/~jordan/courses/260-spring10/: https://people.eecs.berkeley.edu/~jordan/courses/260-spring10/
[14]贝叶斯方法教材: http://web4.cs.ucl.ac.uk/staff/D.Barber/pmwiki/pmwiki.php?n=Brml.HomePage
[15]时间序列教材: https://www.sas.upenn.edu/~fdiebold/Teaching706/econ706Penn.html
[16]pyhdfe: https://github.com/jeffgortmaker/pyhdfe
[17]pyblp: https://github.com/jeffgortmaker/pyblp
[18]synthpage: https://web.stanford.edu/~jhain/synthpage.html
[19]Local projection method: https://sites.google.com/site/oscarjorda/home/local-projections
[20]Granular Instrumental Variables: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3368612
[21]Bartik Instruments: What, When, Why, and How 原文代码: https://www.aeaweb.org/articles?id=10.1257/aer.20181047
本文转载自公众号:连享会(ID:lianxh_cn),作者:连享会。
点击搜索你感兴趣的内容吧
往期推荐
数据Seminar
这里是大数据、分析技术与学术研究的三叉路口
推荐 | 彭绮荣
欢迎扫描👇二维码添加关注