知乎热议：初学者如何学好计量经济学

发布时间：2022-01-01 阅读 2625

Stata连享会主页 || 视频 || 推文 || 知乎 || Bilibili 站

温馨提示： 定期清理浏览器缓存，可以获得最佳浏览体验。

New！ lianxh 命令发布了：
随时搜索推文、Stata 资源。安装：
. ssc install lianxh
详情参见帮助文件 (有惊喜)：
. help lianxh
连享会新命令：cnssc, ihelp, rdbalance, gitee, installpkg

✌ 课程详情： https://gitee.com/lianxh/Course

⛳ 课程主页： https://gitee.com/lianxh/Course

⛳ Stata 系列推文：

全部 | Stata入门 | Stata教程 | Stata资源 | Stata命令
计量专题 | 论文写作 | 数据分享 | 专题课程
结果输出 | Stata绘图 | 数据处理 | Stata程序
回归分析 | 面板数据 | 交乘项-调节 | IV-GMM
内生性-因果推断 | 倍分法DID | 断点回归RDD | PSM-Matching | 合成控制法
Probit-Logit | 时间序列 | 空间计量 | 分位数回归 | 生存分析 | SFA-DEA
文本分析-爬虫 | Python-R-Matlab | 机器学习
Markdown | 工具软件 | 其它

☝ PDF下载 - 推文合集

作者： 萧泳銮 (广东外语外贸大学)
邮箱： m18933367291@163.com

编者按： 经常会有同学问，入门级的选手，如何学好计量经济学？为此，本文为大家精心梳理了知乎上各位大神们相关的学习经验与资源~希望对大家有一些启发^^

Source： https://www.zhihu.com/question/397614398

1. 学习建议篇

Andrea 的分享

我是一个已经带过五个学期本科课程 Introduction to Econometrics 的助教。在我个人经验里，学生问这个问题的频次，是超过问作业题目/考试题目/empirical project/STATA/EViews/R等等的。那么如何学好计量经济学呢？
建议如下:

请认真听课。这一项包括： 不翘课；对每节课的内容心中有数，听不懂的没有关系，大家都听不懂。但是重要的是一定要知道这节课老师讲了哪些东西：细节没搞明白可以把知识点列出来，知识点没搞清楚可以先把标题、概念名称、哪怕只是章节号码誊抄下来呢。原因是：
在有限的时间里完成一个既定目标（比如学习一门课程）。知道需要做什么已经不太容易了；知道不需要做什么，有时更难。对于大部分初学者，计量的内容有些反直觉，上课跟不上节奏是很正常的事情。大部分introductory level的计量课本，对于introductory level的计量课程来说，内容还是太多，老师不可能全部cover到。 所以学好一门课程，知道课程大纲是什么，要学什么不学什么，简直太重要。不止一次有学生来问老师skip掉的内容，TA硬着头皮满头大汗上高阶内容，学生硬着脖子和面部肌肉假装自己一定听得懂，最后轻则浪费了时间，重则赌咒一辈子不再碰这些知识。如果老师跳过了哪部分内容，那一定是为学生着想的，不要天上掉下来的馅饼捡不着。
之后可以把所有学过的内容的标题，用一张A4纸写下来。盯着看一会儿，你就能对于每个内容和知识点为什么会出现，为什么出现在这里，以致整本书整节课的安排， 有一个超越了具体细节的模糊感觉：这个感觉很重要。计量课本里没有知识是凭空出现独立存在的，学生觉得内容难，很多时候是因为不理解这些知识点的意义是什么，从而觉得繁杂。 理解每一个知识点的目的和使命，进一步将整本书的知识点通过逻辑链串联起来，看标题和目录就能有事半功倍效果的。 计量经济学从形式上来说，是纯粹的线性代数版概率论；但是计量又不是线性代数。它只是挑取了线性代数里面它用得着的部分，讲了一个非常有逻辑的故事。知道故事很重要，因为大部分人就算上满三个学期的linear algebra，也不自动就会回归分析。计量之于纯数的附加值，就是知道每一个methodology的故事逻辑是什么。毕竟整个经济学，乃至更广大的数量化的社会科学，做的就是用数学讲故事。
请选一本经典教材。跟过几个老师的课，即使是系里定的统一的教学大纲，老师之间也相互商量，由于教学风格不同的原因，课程体验差别还是很大的。老师教学风格接受不了，老师上课听得云里雾里怎么办？解决方法就是一本好教材。一般来说， 英文的计量初阶教材，都恨不得假定读者是一群只会加减乘除的初学者，每一个概念公式计算都要大段大段地从各个角度反复论述，生怕你有一丁点困惑。一本好教材真的就是这门课的定海神针，保你不在知识的海洋里漂远跑偏乃至溺水身亡的；很多人推荐 Woodbridge , Stock & Wartson 也很好。mostly harmless 这本其实是打内功的，没有基础看会难。不推荐看纯公式推导，轻内容讲解的教材。
(以上来源于网友“Andrea”)

经济小海狸的分享

首先我觉得要打好概率论的数学基础，这个十分重要
- 譬如条件概率、条件期望迭代定理、贝叶斯定理等等都要烂熟于心，各个分布的性质也应该牢记。
- 掌握大数定理，中心极限定理，尽管初级计量不需要很懂，但是高级计量很经常用。
数学基础打好了，就是围绕计量的根本目的，即研究因果关系这一点展开。 初学者必然要学高斯马尔可夫，然后下一步是进阶的识别策略。在这里如果你学理论比较多，你会越学越发现数学和统计是多么重要。
其实计量如果只是为了会用不求甚解，那么，把教科书上的方法弄懂，会用 Stata 就可以。Stata 我觉得听课没啥用，最好的办法还是实践，比如拿一套数据，你从最初级的ols，再到进阶的 did 之类的，都操作几遍，自然就会了。
简而言之，理论靠数学，操作靠实践。
（以上来源于网友“经济小海狸”）

2. 心理建设篇

Andrea 的分享

本来到这里我应该说一句诸如“其实学好计量经济学不难”之类的正能量，但是回顾了一遍将近三百多的学生，几乎没有可以轻松地来一句“计量啊挺简单的”的人。
从我自身经验出发，学好这门课最重要的还是在于理解。如果觉得数学部分吃力，可以先不抠那些细节性的东西。而是问问自己，可不可以用非数学的语言讲明白这门课里的所有方法乃至所有知识点？ 其实你会发现，这个目标好像更容易达到些，并且，相信我，达到这个目标会让你受益更大。经典数学的所有内容都是可以用非数学语言表述和理解的（分析，拓扑），更何况计量这种充满现实意义背景的学科。所以，技术细节可能会难，但是任何时候，都一定不要忘了问自己一句，这玩意儿是在干嘛？
（以上来源于网友“Andrea”）

张 X 的分享

我感觉得看学计量的目的是什么，虽然目标导向有点功利性但确实最有效
如果为了考试，那就好好听课就行；如果为了搞实证，就要对常用方法有个总览认识，具体用某一方法做研究时去查阅相关方法文献，对该方法适用范围研究范式进行细致的了解；如果搞理论计量，就要看个人了。
（以上来源于网友“张X”）

3. 计量干货篇

Andrea 的分享

以下有关计量经济学的一些干货例子，希望能给大家学习计量时带来一些思路：

本科计量经济学入门, 99% 都在围绕一件事情展开, 就是 线性回归linear regression。
做线性回归这件事大体可以划分为三步：建模、估计、推断。

建模最重要的就是 模型的假设assumptions:
比如最简单OLS假设之一是 $E (ϵ_{t}^{2} ∣ x) = σ^{2}$ 即同方差性, 但如果放松这一假设，如更宽泛的 $E (ϵ ϵ^{'} ∣ x) = Ω$ , 就会产生异方差性, 和对应的 GLS (怎么做test, 推断怎么做, 就是这个假设的一系列衍生问题。)
再比如,线性回归最核心的假设是 $E (ϵ ∣ x) = 0$ , 这个假设的次一级结论是回归项 (自变量) 和误差项是不相关的。有了这个假设, 线性回归的推断才能说是因果推断, 即 causality, 而不仅仅是相关correlation。后面的稍高级方法, 无论是各种面板数据分析的方法 (固定效应随机效应)，还是各种工具变量GMM的方法, 和最初最简单OLS的关系就在于, 用 OLS的话, 这个 $E (ϵ ∣ x) = 0$ 的assumption可能不满足, 简单OLS因此用不了，所以要运用高级方法。

再举一个例子吧。简单OLS要求 $[x_{i}, y_{i}]$ 是i.i.d, 即样本是independent and identically distributed。如果放松这个假设,就有了 时间序列模型。当然随之其他假设也要变。

下一步是 估计。估计就是,模型建立好了,数据也有了，该怎么求参数呢? 估计的方法分两大类：最小二乘法 (least squares)比如晋通最小二乘法 (ordinary least square)，或者广义最小二乘法 (generalized least squares) $;$ 另一类是 最大似然估计 (maximum likelihood estimation，MLE)。最小二乘相对应用比较广.因为最大似然是要求对分布函数有假设的,比如假设扰动项为正态分布。另外，非线性回归比如logit和probit用的都是MLE来估计的, 这两者的差别就在于，一个假设扰动项服从logit分布, 一个假定扰动项服从正太分布。最终的集大成者是GMM，统一了MM和MLE这两类估计法。
估计的问题, 一方面是要会估计。比如基础性的单变量回归的系数得会依着OLS一步一步推出来吧; 最大似然估计也能写出log likelihood function，然后会求导。另一方面涉及原理和理解, 比如什么时候BLUE，啥是BLUE,以及为啥讲BLUE。
推断，在把参数估计出来之后，第一步要看各个系数显不显著。单变量就看一个系数显著不显著, 用t检验; 多变量就看一群系数一起显著不显著，用F检验。为啥? 因为如果系数都不显著, 说明自变量和因变量之间没有关系, 整个模型没有意义。当然推断的事情不仅于此, 但是对于入门来说, 这是件重要的事情。

理解了最简单的计量框架, 就会发现每个节点处都能填好多东西，比如讲模型fitness的 $R^{2}$ 和RMSE估计的时候, 改变变量的单位或者作对数转换，会对参数估计有什么影响和解释; 推断的时候一整套残差分析ANOVA流程等等。

等学到面板和工具变量的时候，课程就进入到 “心意混元" 阶段了。到了这个时候, 无论是估参, 还是各个test背后原理相对入门来说都太复杂了 (详情可以见Greene或者 Hamilton) 需要用到矩阵才能讲解清楚。所以老师以及教材都更偏重原理性和理解性的讲解，主要是在wave hands讲ideas。这时候要学好，最重要的是理解。比如Hausman内生性检验的原理是什么? 凭什么就可以检验内生性了? 检验过度识别约束是在做什么等等。`
（以上来源：网友“Andrea”）

专题	嘉宾	直播/回看视频
⭐ 最新专题		文本分析、机器学习、效率专题、生存分析等
研究设计	连玉君	我的特斯拉-实证研究设计，-幻灯片-
面板模型	连玉君	动态面板模型，-幻灯片-
面板模型	连玉君	直击面板数据模型 [免费公开课，2小时]