经济学专业本科生课程
Introduction to Econometrics · Chapter 1
"Let the data speak"
读懂数据,让数据来讲故事
立足数据,用基本计量方法做实证分析
截面
一个时点·多个体
时间序列
一个个体·多时期
面板
多个体·多时期
课堂出勤 10% 平时作业 40% 期末考试 50%
教材:斯托克、沃森《计量经济学导论》(第三版),中国人民大学出版社
参考:Stock & Watson, Introduction to Econometrics (3e);Angrist & Pischke, Mostly Harmless Econometrics
线性回归基础 → 一元/多元线性回归 → 面板数据回归 → 二元因变量 → 实验与准实验 → 匹配 → 工具变量 → 双重差分 → 断点回归 → 用 Stata 实现各类模型
四个例子;因果问题与预测问题的区别
经济模型 → 计量经济模型 → 软件估计与汇报
为什么"同时发生"不等于"因为所以";随机对照实验的角色
实验数据 vs 观测数据;截面 / 时间序列 / 面板;本课程的范围
缩小班级规模会提高小学教育质量吗?
住房贷款市场中存在种族歧视吗?
烟草税能在多大程度上减少吸烟?
明年的通货膨胀率是多少?
问题 1–3:因果 问"一个变量是否是另一个结果的原因",问题 3 还要求出幅度(百分之几)。这类是政策评估的核心。
问题 4:预测 只要求一个数值,不问谁导致谁。方法工具有重叠,但判断标准完全不同。
由经济学知识写出变量间的逻辑关系。如消费者效用最大化给出需求关系;或凭直觉写 Wage = f(education, experience, training)。
把经济模型变成可估计的形式:加入误差项、确定函数形式与变量口径,使之与数据特点匹配。
用 Stata / R / SAS 等估计模型,汇报系数、标准误与检验,得出结论并讨论局限。
经验/实证分析 利用数据检验某种理论或估计某种关系。三步里最容易偷懒的是第 2 步:函数形式和变量口径的选择,往往决定了结论是否站得住。
某一给定行为或处理对结果的影响。难点:一个处理的变化常常同时带动其他因素变化,于是分不清结果是谁引起的。
光合作用例子:处理组有光、对照组无光,其余条件(二氧化碳、水、温度)完全一致;结果差异只能归因于光。随机化就是"其余条件一致"的现实实现手段。
回到四个问题:问题 1–3 都是在问因果,即"一个变量是否是另一个结果的原因";问题 4 不涉及因果,是预测。本课程后续大部分工具(第七、八章)都是为因果问题服务的。
来自为评价一种处理或研究因果关系而专门设计的试验。例:田纳西州把数千名学生随机分配到不同规模班级,若干年后参加标准化考试,以研究班级规模对成绩的影响。
通过观察试验之外的实际行为获得。例:对消费者的电话调查;信贷申请记录里申请人的信息。经济学研究绝大多数用的是观测数据。
含义 实验数据里随机化替我们控制了混淆;观测数据里没有这层保护,混淆要靠研究设计去处理——这正是本课程后面所有方法的用武之地。
多个实体在一个时期的观测
一个实体在多个时期的观测
多个实体分别在两个或多个时期的观测
本课程范围 主要针对截面数据与面板数据的常用计量方法;时间序列的处理不在本课程考量范围之内。
先自己判断,再点选项核对。
① 2023 年全部 A 股上市公司的财务指标
② 上海市 1978–2023 年的年度 GDP
③ 同一批 5000 户家庭,2010、2014、2018、2022 四次追踪调查
④ 每年重新随机抽 1000 名消费者调查,连续 10 年
这节课讲了什么
因果问题 vs 预测问题;本课程重心在因果
经济模型 → 计量模型 → 软件估计;第 2 步的选择最容易被忽略
随机对照实验是理想参照;观测数据要靠研究设计补保护
截面 / 时间序列 / 面板;关键判据是"各期是否同一批个体"
情境:你想研究"最低工资上调对就业的影响"。
请回答(点一下看提示):
计量经济学给我们的不是"答案生成器",
而是一套把直觉变成可检验命题、再接受数据裁决的程序。
中国丰富的政策实践与微观数据,正等待被这样善用。
经世济民,学以致用。
课后思考:想一个你自己关心的经济问题,判断它是因果还是预测、需要哪类数据、混淆可能来自哪里。