Stata: VAR (向量自回归) 模型简介

发布时间:2020-02-05 阅读 138

编译: 许梦洁 (Frankfurt School of Finance and Management)
E-mail: m.xu@fs.de

Stata连享会   主页 || 视频 || 推文

连享会 - Stata 暑期班

线上直播 9 天:2020.7.28-8.7
主讲嘉宾:连玉君 (中山大学) | 江艇 (中国人民大学)
课程主页https://gitee.com/arlionn/PX | 微信版

Stata 连享会时间序列专题:


目录


1. 引言

在单变量回归中,一个平稳的时间序列 yt 经常被模型化为 AR 过程:

当我们分析多个时间序列时,一个对 AR 模型自然的拓展就是 VAR 模型, 在这个模型中一组向量里的每个时间序列被模型化为决定于自己的滞后项以及这组向量里所有其他变量的滞后项。两阶 VAR 模型如下式:

经济学家通常使用这种形式的模型分析宏观数据、做出因果推断并提供政策建议。

在这篇推文中,我会用美国失业率、通胀率以及名义利率估计一个三变量 VAR 模型。这个 VAR 模型类似于宏观经济中做货币政策分析的模型。这篇文章的主要关注点在于该模型的基本估计和估计结果评估,数据和 do 文件在文末提供。背景知识和理论细节可以在这篇文章中获得。

2. 数据和估计

当使用 VAR 模型进行估计时,我们需要做两个决定。第一个是需要选择将那些变量放入 VAR 模型中,这个决定一般取决于研究问题和相关文献。第二个决定是需要选择滞后阶数。决定了滞后阶数后,就可以开始估计。得到估计结果后,需要对结果进行评估分析看其是否符合模型设定。

本文使用 1995-2005 年间美国失业率、CPI 和短期名义利率的季度观测值对模型进行估计,数据来源于联邦经济数据库。在 stata 数据集中,inflation为 CPI,unrate 为失业率,ffr则表示利率。因此,本文估计的 VAR 模型为:

其中,a0 是由截距项组成的向量,A1 到 AK 均为 3×3 的系数矩阵。包含这些变量的 VAR 模型或相近的模型变体经常出现在货币政策分析中。

下一步是决定一个合理的滞后阶数,我使用 varsoc 命令执行滞后结束选择测试。

  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
. varsoc inflation unrate ffr, maxlag(8)
Selection-order criteria Sample: 41 - 236 Number of obs = 196 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 0 | -1242.78 66.5778 12.712 12.7323 12.7622 | | 1 | -433.701 1618.2 9 0.000 .018956 4.54796 4.62922 4.74867 | | 2 | -366.662 134.08 9 0.000 .010485 3.95574 4.09793 4.30696* | | 3 | -351.034 31.257 9 0.000 .009801 3.8881 4.09123 4.38985 | | 4 | -337.734 26.6 9 0.002 .009383 3.84422 4.1083 4.4965 | | 5 | -319.353 36.763 9 0.000 .008531 3.7485 4.07351 4.5513 | | 6 | -296.967 44.77* 9 0.000 .007447* 3.61191* 3.99787* 4.56524 | | 7 | -292.066 9.8034 9 0.367 .007773 3.65373 4.10063 4.75759 | | 8 | -286.45 11.232 9 0.260 .008057 3.68826 4.1961 4.94265 | +---------------------------------------------------------------------------+ Endogenous: inflation unrate ffr Exogenous: _cons

varsoc 展示了之后滞后阶数选择检验的主要结果,检验的细节可以通过 help varsoc 得到。似然比和 AIC 都推荐选择六阶滞后,因此本文选择六阶滞后。

有了变量和滞后阶数,需要估计系数矩阵和误差项的协方差矩阵。系数估计可以通过对 VAR 模型中的每个等式做 OLS 回归得到,误差项的协方差矩阵则需要根据样本残差的协方差矩阵进行估计。var命令可以同时实现这两个矩阵的估计,其结果中系数矩阵会默认给出,误差项的协方差矩阵则可以 e(Sigma) 中找到:

  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
. var inflation unrate ffr, lags(1/6) dfk small
Vector autoregression
Sample: 39 - 236 Number of obs = 198Log likelihood = -298.8751 AIC = 3.594698FPE = .0073199 HQIC = 3.97786Det(Sigma_ml) = .0041085 SBIC = 4.541321
Equation Parms RMSE R-sq F P > F----------------------------------------------------------------inflation 19 .430015 0.9773 427.7745 0.0000unrate 19 .252309 0.9719 343.796 0.0000ffr 19 .795236 0.9481 181.8093 0.0000----------------------------------------------------------------
------------------------------------------------------------------------------ | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------inflation | inflation | L1. | 1.37357 .0741615 18.52 0.000 1.227227 1.519913 L2. | -.383699 .1172164 -3.27 0.001 -.6150029 -.1523952 L3. | .2219455 .1107262 2.00 0.047 .0034489 .440442 L4. | -.6102823 .1105383 -5.52 0.000 -.8284081 -.3921565 L5. | .6247347 .1158098 5.39 0.000 .3962065 .8532629 L6. | -.2352624 .0719141 -3.27 0.001 -.3771708 -.093354 | unrate | L1. | -.4638928 .1386526 -3.35 0.001 -.7374967 -.1902889 L2. | .6567903 .2370568 2.77 0.006 .1890049 1.124576 L3. | -.271786 .2472491 -1.10 0.273 -.759684 .2161119 L4. | -.4545188 .2473079 -1.84 0.068 -.9425328 .0334952 L5. | .6755548 .2387697 2.83 0.005 .2043893 1.14672 L6. | -.1905395 .136066 -1.40 0.163 -.4590393 .0779602 | ffr | L1. | .1135627 .0439648 2.58 0.011 .0268066 .2003187 L2. | -.1155366 .0607816 -1.90 0.059 -.2354774 .0044041 L3. | .0356931 .0628766 0.57 0.571 -.0883817 .1597678 L4. | -.0928074 .0620882 -1.49 0.137 -.2153263 .0297116 L5. | .0285487 .0605736 0.47 0.638 -.0909816 .1480789 L6. | .0309895 .0436299 0.71 0.478 -.0551055 .1170846 | _cons | .3255765 .1730832 1.88 0.062 -.0159696 .6671226-------------+----------------------------------------------------------------unrate | inflation | L1. | .0903987 .0435139 2.08 0.039 .0045326 .1762649 L2. | -.1647856 .0687761 -2.40 0.018 -.3005019 -.0290693 L3. | .0502256 .064968 0.77 0.440 -.0779761 .1784273 L4. | .0919702 .0648577 1.42 0.158 -.036014 .2199543 L5. | -.0091229 .0679508 -0.13 0.893 -.1432106 .1249648 L6. | -.0475726 .0421952 -1.13 0.261 -.1308366 .0356914 | unrate | L1. | 1.511349 .0813537 18.58 0.000 1.350814 1.671885 L2. | -.5591657 .1390918 -4.02 0.000 -.8336363 -.2846951 L3. | -.0744788 .1450721 -0.51 0.608 -.3607503 .2117927 L4. | -.1116169 .1451066 -0.77 0.443 -.3979565 .1747227 L5. | .3628351 .1400968 2.59 0.010 .0863813 .639289 L6. | -.1895388 .079836 -2.37 0.019 -.3470796 -.031998 | ffr | L1. | -.022236 .0257961 -0.86 0.390 -.0731396 .0286677 L2. | .0623818 .0356633 1.75 0.082 -.0079928 .1327564 L3. | -.0355659 .0368925 -0.96 0.336 -.1083661 .0372343 L4. | .0184223 .0364299 0.51 0.614 -.0534651 .0903096 L5. | .0077111 .0355412 0.22 0.828 -.0624226 .0778449 L6. | -.0097089 .0255996 -0.38 0.705 -.0602247 .040807 | _cons | .187617 .1015557 1.85 0.066 -.0127834 .3880173-------------+----------------------------------------------------------------ffr | inflation | L1. | .1425755 .1371485 1.04 0.300 -.1280603 .4132114 L2. | .1461452 .2167708 0.67 0.501 -.2816098 .5739003 L3. | -.0988776 .2047683 -0.48 0.630 -.502948 .3051928 L4. | -.4035444 .2044208 -1.97 0.050 -.8069291 -.0001598 L5. | .5118482 .2141696 2.39 0.018 .0892262 .9344702 L6. | -.1468158 .1329922 -1.10 0.271 -.40925 .1156184 | unrate | L1. | -1.411603 .2564132 -5.51 0.000 -1.917585 -.9056216 L2. | 1.525265 .4383941 3.48 0.001 .660179 2.39035 L3. | -.6439154 .4572429 -1.41 0.161 -1.546195 .2583646 L4. | .8175053 .4573517 1.79 0.076 -.0849893 1.72 L5. | -.344484 .4415619 -0.78 0.436 -1.21582 .5268524 L6. | .0366413 .2516297 0.15 0.884 -.459901 .5331835 | ffr | L1. | 1.003236 .0813051 12.34 0.000 .8427961 1.163676 L2. | -.4497879 .1124048 -4.00 0.000 -.6715968 -.2279789 L3. | .4273715 .1162791 3.68 0.000 .1979173 .6568256 L4. | -.0775962 .114821 -0.68 0.500 -.3041731 .1489807 L5. | .259904 .1120201 2.32 0.021 .0388542 .4809538 L6. | -.2866806 .0806857 -3.55 0.000 -.445898 -.1274631 | _cons | .2580589 .3200865 0.81 0.421 -.3735695 .8896873------------------------------------------------------------------------------
. matlist e(Sigma)
| inflation unrate ffr-------------+--------------------------------- inflation | .1849129 unrate | -.0064425 .0636598 ffr | .0788766 -.09169 .6324

var命令的报告结果以矩阵形式报告,每个方程以其因变量的名字命名,因此会报告三个方程:通胀方程、失业率方程以及利率方程。 e(Sigma) 中则保存 VAR 模型估计残差的协方差矩阵。注意各个方程的残差相关。

如你所见,估计系数表格非常长。即使不考虑常数项,一个有 n 个变量和 k 阶滞后的 VAR 模型中也会有 kn2 个系数。我们的 3 变量,6 阶滞后的 VAR 则有将近 60 个系数,但是我们却仅有 198 个观测。 选项 dfksmall 将对默认情形下报告的大样本统计量进行小样本调整。虽然结果会报告系数、标准误、t 统计量、p 统计量等,但是并不能给我们直观的信息含量,因此很多论文甚至都不会报告这些系数表格,但是他们会报告一些更有信息量的统计量。接下来的两部分将会介绍两个 VAR 结果分析中常用的统计手段:格兰杰因果检验和脉冲响应函数。

3. 解读 VAR 结果:格兰杰因果检验

如果给定 yt 的滞后阶数,xt 的滞后滞后项在以 yt 为因变量的方程中联合统计显著,则称 xt 是 yt 的格兰杰原因 。例如,如果利率滞后项对失业率是联合显著的,则可以称利率是失业率的格兰杰原因。vargranger 命令可以进行格兰杰因果检验。

  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
. quietly var inflation unrate ffr, lags(1/6) dfk small
. vargranger
Granger causality Wald tests +------------------------------------------------------------------------+ | Equation Excluded | F df df_r Prob > F | |--------------------------------------+---------------------------------| | inflation unrate | 3.5594 6 179 0.0024 | | inflation ffr | 1.6612 6 179 0.1330 | | inflation ALL | 4.6433 12 179 0.0000 | |--------------------------------------+---------------------------------| | unrate inflation | 2.0466 6 179 0.0618 | | unrate ffr | 1.2751 6 179 0.2709 | | unrate ALL | 3.3316 12 179 0.0002 | |--------------------------------------+---------------------------------| | ffr inflation | 3.6745 6 179 0.0018 | | ffr unrate | 7.7692 6 179 0.0000 | | ffr ALL | 5.1996 12 179 0.0000 | +------------------------------------------------------------------------+

像之前一样,方程之间通过被解释变量进行区分。对于每个方程,vargranger 都可以先单独检验每个变量在 VAR 模型中的因果关系,然后检验所有变量整体的格兰杰因果关系。在对失业率方程进行的格兰杰因果检验中,如上表所示,"ffr excluded" 检验的原假设是所有利率及其滞后项的系数在对失业率的预测中均为 0 ,备择假设是至少有一个不为 0 。p 值为 0.27 并未落在 5% 显著性水平的拒绝域内,因此我们不能拒绝利率不会影响失业率的原假设,也就是说我们的数据和模型不支持利率是失业率的格兰杰原因的假设。相反地,在利率方程中,通胀和失业率的滞后项都是统计显著的,因此可以说通胀和失业率是利率的格兰杰原因。

每个方程中"all excluded" 行都剔除了全部的滞后项,在方程中只留了自相关系数,这是一个对方程中其他所有滞后项的统计显著性的检验,它可以被当做是一个纯粹的自回归模型设定(原假设)和 VAR 模型设定(备择假设)之间的检验。

你可以通过对每个方程跑 OLS 回归然后使用 test 命令检验相应的原假设来得到与格兰杰因果检验相同的结果,其结果与 vargranger 命令得到的结果应该是匹配的:

  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
. quietly regress unrate l(1/6).unrate l(1/6).ffr l(1/6).inflation
. test l1.inflation=l2.inflation=l3.inflation> =l4.inflation=l5.inflation=l6.inflation=0
( 1) L.inflation - L2.inflation = 0 ( 2) L.inflation - L3.inflation = 0 ( 3) L.inflation - L4.inflation = 0 ( 4) L.inflation - L5.inflation = 0 ( 5) L.inflation - L6.inflation = 0 ( 6) L.inflation = 0
F( 6, 179) = 2.05 Prob > F = 0.0618
. test l1.ffr=l2.ffr=l3.ffr=l4.ffr=l5.ffr=l6.ffr=0
( 1) L.ffr - L2.ffr = 0 ( 2) L.ffr - L3.ffr = 0 ( 3) L.ffr - L4.ffr = 0 ( 4) L.ffr - L5.ffr = 0 ( 5) L.ffr - L6.ffr = 0 ( 6) L.ffr = 0
F( 6, 179) = 1.28 Prob > F = 0.2709

连享会计量方法专题……

4. 解读 VAR 模型结果:脉冲响应分析

解读 VAR 模型结果的第二个统计手段是对系统施加一些外生冲击,然后看这些冲击对于内生变量的影响。但是需要记住系统的每个方程的冲击之间并不是相互独立的,因此就我们现有模型而言,当我们讨论一个对通胀的冲击时,其结果常常是模糊的,因为这个冲击也会同时影响该方程中利率和失业率及其滞后项。

  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
. matlist e(Sigma)
| inflation unrate ffr-------------+--------------------------------- inflation | .1849129 unrate | -.0064425 .0636598 ffr | .0788766 -.09169 .6324

解决这个问题的一个方法是假设存在一个结构性冲击向量 ut ,定义其其分量相互独立,并且这个冲击向量与原来的冲击之间存在如下关系:

如果我们定义误差项的协方差矩阵为 Σ ,则矩阵 A 与 Σ 之间的关系为:

因为我们有从样本估计出的协方差矩阵 Σ^ ,我们于是可以由以上等式构造出 A^ :

很多 A 矩阵都满足方程 (1) 。一种可能的方法是假设  A 是一个下三角矩阵,则 A 即可以通过对 Σ 进行 Cholesky 分解得到。这种分解方法非常常见,因此使用 var 命令时可以直接指定使用 Cholesky 分解。

对矩阵 A 做出下三角的假设在 VAR 模型的变量的顺序做出了要求,因为不同的顺序将会得到不同的 A 。变量顺序的经济学含义是对任意一个方程,其因变量都会被顺序在其之前变量的冲击影响,而不会被顺序在其之后的变量影响。对于这篇推文,我会对我们所用变量的顺序做出如下的设定:通胀冲击可以同期影响所有三个变量;失业率冲击只会同期影响利率,但不会影响通胀;利率冲击顺序在最后,因此既不会同期影响失业率,也不会同期影响通胀。

有了 A ,我们就可以制造方程间相互独立的冲击并且在 VAR 模型中观察这些冲击对变量施加的影响了。我们可以通过 irf create 命令建立脉冲响应方程,然后使用 irf graph 命令对脉冲响应结果画图。

  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
  • ounter(line
. quietly var inflation unrate ffr, lags(1/6) dfk small
. irf create var1, step(20) set(myirf) replace(file myirf.irf now active)(file myirf.irf updated)
. irf graph oirf, impulse(inflation unrate ffr) /// response(inflation unrate ffr) /// yline(0,lcolor(black)) /// xlabel(0(4)20) /// byopts(yrescale)

在跑出 VAR 之后,irf create 命令会创建一个 .irf 文件来保存 VAR 模型的结果。多个不同的 VAR 结果会被分别保存在不同的文件找那个,因此我们需要给每个 VAR 命名,在我们的例子中我们命名为 var1set( ) 选项给 .irf' 文件命名并将该文件设置为"活动的"。 .irf' 文件将在之后的分析中使用。 step(20) 选项则指定 irf create 命令去获得 20 期的脉冲响应结果。

irf graph 命令根据 .irf' 文件中的某些统计量画图。在该文件中的众多统计量中,我们对正交脉冲响应方程最感兴趣,因此我们在 irf graph 命令后指定 oirfimpulse( )response( ) 选项则分别指定对以哪些方程为自变量的方程造成冲击,以及对哪些变量需要绘图,这里我们将对所有变量进行冲击并绘图,脉冲响应图如下:

VAR 脉冲响应函数 (Stata 连享会)
VAR 脉冲响应函数 (Stata 连享会)

脉冲响应图每行放置同一冲击的影响,每列放置同一受冲击影响的变量。每张图的横轴是 VAR 的时间轴,在这里时间单位为季度,因此这里显示的是冲击在未来 20 个季度之内的影响。纵轴为 VAR 模型中的变量,由于数据中每个变量都使用百分比来衡量,因此在所有面板中纵轴表示的都是百分比的变化。

第一行表示的是一个单位的利率冲击对系统的影响。对利率的影响是持续的,并且在冲击开始后的 12 个季度内都保持在较高的水平;通胀在 8 个季度后有轻微下降,但是该冲击对通胀的影响在任意时间段内都是不显著的;失业率在12个月后有轻微下降,在下降之前最高会有 0.2% 的增加。

第二行则给出了通胀冲击对系统的影响。一个未预期到的通胀冲击将给失业率和利率带来持续正的影响,并且该冲击的影响在冲击发生 5 年后依然显著。

最后,第三行展示了失业率冲击对系统的影响。失业率冲击将会导致通胀率在冲击发生后一年内下降约 0.5 个百分点,利率则在同样时间段内下降约 1 个百分点。

这里使用的 VAR 和顺序都很清楚。所有的推断都基于 A 矩阵,也就是 VAR 模型中变量的顺序。不同的顺序会产生不同的 A 矩阵,从而得到不同的脉冲响应结果。此外,除了简单地指定变量顺序外,还有别的识别策略,我将在知乎的推文中讨论。

5. 结论

在这篇推文中,我们估计了一个 VAR 模型并讨论了该模型中两个常见的统计工具:格兰杰因果检验和脉冲响应分析。在我们的下一篇推文中,我们会对脉冲响应方程进行更深的讨论并给出对 VAR 模型进行结构推断的其他方法。

连享会 - 效率分析专题

已上线:可随时购买学习+全套课件,课程主页 已经放置板书和 FAQs
主讲嘉宾:连玉君 | 鲁晓东 | 张宁
课程主页微信版https://gitee.com/arlionn/TE

连享会-效率分析专题视频
连享会-效率分析专题视频

   

相关课程

连享会-直播课 上线了!
http://lianxh.duanshu.com

免费公开课:


课程一览

支持回看,所有课程可以随时购买观看。

专题 嘉宾 直播/回看视频
Stata暑期班 连玉君
江艇
线上直播 9 天
2020.7.28-8.7
效率分析-专题 连玉君
鲁晓东
张 宁
视频-TFP-SFA-DEA
已上线,3天
文本分析/爬虫 游万海
司继春
视频-文本分析与爬虫
已上线,4天
空间计量系列 范巧 空间全局模型, 空间权重矩阵
空间动态面板, 空间DID
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-
直击面板数据模型 [免费公开课,2小时]

Note: 部分课程的资料,PPT 等可以前往 连享会-直播课 主页查看,下载。


关于我们

  • Stata连享会 由中山大学连玉君老师团队创办,定期分享实证分析经验。直播间 有很多视频课程,可以随时观看。
  • 连享会-主页知乎专栏,300+ 推文,实证分析不再抓狂。
  • 公众号推文分类: 计量专题 | 分类推文 | 资源工具。推文分成 内生性 | 空间计量 | 时序面板 | 结果输出 | 交乘调节 五类,主流方法介绍一目了然:DID, RDD, IV, GMM, FE, Probit 等。
  • 公众号关键词搜索/回复 功能已经上线。大家可以在公众号左下角点击键盘图标,输入简要关键词,以便快速呈现历史推文,获取工具软件和数据下载。常见关键词:
    • 课程, 直播, 视频, 客服, 模型设定, 研究设计, 暑期班
    • stata, plus,Profile, 手册, SJ, 外部命令, profile, mata, 绘图, 编程, 数据, 可视化
    • DID,RDD, PSM,IV,DID, DDD, 合成控制法,内生性, 事件研究, 交乘, 平方项, 缺失值, 离群值, 缩尾, R2, 乱码, 结果
    • Probit, Logit, tobit, MLE, GMM, DEA, Bootstrap, bs, MC, TFP, 面板, 直击面板数据, 动态面板, VAR, 生存分析, 分位数
    • 空间, 空间计量, 连老师, 直播, 爬虫, 文本, 正则, python
    • Markdown, Markdown幻灯片, marp, 工具, 软件, Sai2, gInk, Annotator, 手写批注, 盈余管理, 特斯拉, 甲壳虫, 论文重现, 易懂教程, 码云, 教程, 知乎

连享会主页  lianxh.cn
连享会主页 lianxh.cn

连享会小程序:扫一扫,看推文,看视频……


扫码加入连享会微信群,提问交流更方便

✏ 连享会学习群-常见问题解答汇总:
https://gitee.com/arlionn/WD