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