一、课程简介

2025年暑期Stata课程专为希望在数据分析和计量经济学领域精进技能的学员设计，课程聚焦Stata 软件在学术研究和实务操作中的强大应用，致力于提升学员的数据管理和模型构建能力。本课程提供完整的代码、配套数据和案例解析，分为初级和高级两个层次，逐步带领学员从 Stata 的基础操作到高阶分析，掌握广泛应用于经济、金融、管理等多个领域的前沿分析技术。

在课程内容上，我们结合当前的研究热点，涵盖了从数据预处理、可视化到线性回归、工具变量、面板数据模型（静态和动态）、双重差分、断点回归、合成控制、机器学习与因果推断等多种常用的计量分析方法，力求让学员掌握多元化的模型选择和分析策略。特别值得关注的是，课程全面引入 AI 辅助技术，帮助学员高效完成数据清洗、变量选择、模型优化等繁琐任务。AI 的引入不仅提升了学习效率，更帮助学员掌握数据分析的自动化与智能化技能。

高级课程则专注于前沿计量模型和因果推断方法，重点讲授面板模型的最新发展（如非平稳、动态和非线性面板数据模型）、因果推断效应（异质性双重差分、断点回归和合成控制法）以及复杂异质性处理效应等前沿方法。AI 在高级课程中的应用更为突出，包括自动化高维面板数据模型估计、模型选择和动态效果分解等，帮助学员快速适应计量经济学和数据科学的最新趋势。通过深入学习，学员不仅能理解模型背后的理论，还将具备直接应用于学术论文撰写和复杂数据项目分析的能力。

无论是学术研究、政策分析还是行业数据研究，课程都将为学员提供强大支持，并通过 AI 辅助工具提升分析效率，让学员从繁杂的数据处理中解放出来，专注于模型构建和结果分析。

二、课程对象

社会科学、经济管理、公共政策、教育学、医学统计等领域的学术研究人员和行业从业者，适合高校教师、科研院所研究员、在校博硕士研究生、优秀本科生、数据分析师、政府部门统计人员及需要使用 Stata 进行数据分析和计量研究的各类专业人士。无论您是从事经济、管理、金融、社会学、教育学、政治学、公共卫生，还是对数据分析、量化研究有浓厚兴趣的跨领域研究者，本课程都能满足您的学习需求。

特别是那些希望通过 Stata 软件进行高效、精准的数据分析的学员，将从课程中收获系统的实操指导和前沿的分析思维。课程中引入的 AI 辅助技术，能够帮助学员快速掌握数据清理、变量选择、模型构建等实用技能，从而在科研和实际工作中实现创新性突破。这些内容使课程具备了广泛的适用性和前瞻性，能够吸引各个领域中希望掌握 Stata 软件与数据分析技能的学员。

三、课程特色

高级班课程设置，在初级班课程中的优势与特色外，还从以下几个方面进行了考虑：

一、注重计量理论模型的连续性

高级班课程设计时，重点考虑了全程班学员已具备初级班课程的计量基础，以及高级班学员计量基础较好的特点，设计了长面板与动态面板数据模型、非平稳与非线性面板数据模型、因变量受限的面板数据模型，以及空间面板数据模型等内容，与初级课程保持了连续性。

二、注重计量理论模型的系统性

高级班课程在计量模型选择中，注重计量模型体系的系统性，重点讲授面板类计量模型和政策评价类计量模型，这两大领域模型的应用与创新是当前应用类实证论文与理论计量发展的焦点之一。面板类模型既包括线性面板数据模型，也包括非线性面板数据模型，既包括连续被解释变量的面板数据模型，也包括受限因变量面板数据模型，既包括截面个体独立的传统面板模型，也包括空间个体相依的空间面板数据模型。政策评价类计量模型，则包括DID的扩展模型、断点回归与合成控制。面板类模型与政策评价类模型，形成两个相对独立，又有一定联系的完整体系。

三、注重计量理论模型的前沿性

高级班课程计量模型的讲授中，注重计量模型的前沿性，既对当前主流实证文献中，面板数据模型和政策评价类模型的应用进行讲授，也对这两个领域的前沿方法与软件实现深入学习，主要包括具有内生性与门限效应的动态面板数据模型、高维固定效应泊松面板数据模型、动态Probit面板数据模型，以及异质性处理效应下的双向固定效应模型、双向稳健DID和多阶段DID。

四、课程大纲 (蓝色为本次新增内容)

第1讲 长面板与动态面板数据模型（3h）

1.1 长面板估计策略

1.2 长面板估计方法选择：稳健 vs. 效率

1.3 组内自相关与组间同期相关检验

1.4 偏差校正LSDV估计

1.5 面板工具变量估计法

1.6 工具变量高维固定效应面板

1.7 动态面板数据的差分与系统GMM估计

1.8 不规则时间间隔的动态面板数据

1.9 Bartik工具变量在因果识别中的应用与检验

1.10 AI赋能长面板与动态面板数据模型学习案例

1.11 例文软件实现与解读：

① Acemoglu D, Naidu S, Restrepo P, et al. Democracy does cause growth.Journal of political economy, 2019.

② Borusyak K, Hull P, Jaravel X. Quasi-experimental shift-share research designs[J]. The Review of Economic Studies, 2022.

第2讲 非平稳与非线性面板数据模型（3h）

2.1 跨截面相依检验

2.2 面板单位根检验

2.3 面板协整检验

2.4 异质性数据的面板Granger检验-xtgrangert

2.5 静态面板门槛数据模型

2.6 具有内生性与门限效应的动态面板数据模型

2.7 共同因子数量测度

2.8 具有共同相关因子的动态面板数据模型

2.9 面板交互固定效应的处理效应估计

2.10 面板向量自回归模型（PVAR和XTVAR）

2.11 AI赋能非平衡与非线性面板数据模型学习案例

2.12 例文软件实现与解读：

③Ditzen J., Estimatinglong run effects and the exponent of cross-sectional dependence: an update toxtdcce2, The Stata Journal,2021.

④ 王维国,王鑫鹏.创新转化效率、要素禀赋与中国经济增长[J].数量经济技术经济研究,2022.

⑤ Li X., Shen Y., Zhou Q., Confidenceinterverbal of treatment effects in panel data models with interactive fixed effects, working paper, 2024

第3讲 因变量受限的面板数据模型（3h）

3.1 面板二值选择模型

3.2 面板logit的边际效应与处理效应

3.3 面板混合选择模型：cmxtmixlogit

3.4 面板Tobit模型

3.5 面板计数模型：泊松与负二项模型

3.6 多项选择面板回归模型

3.7 高维固定效应泊松面板模型

3.8 动态面板Probit模型

3.9 非平衡面板的动态面板Probit模型

3.10 AI赋能因变量受限的面板数据模型学习案例

3.11 例文软件实现与解读：

⑥ 吴小康,于津平.科技中介与全国统一技术大市场建设[J].数量经济技术经济研究,2023.

第4讲 异质性DID模型（3h）

4.1 如何在多期与处理时间变化时，选择合适的DID估计量？

4.2 负权重的诊断：de Chaisemartin and D’Haultfoeuille 分解

4.3 禁止比较组的诊断：Bacon分解

4.4 组别-时期平均处理效应估计：csdid和did_multiplegt

4.5 插补估计量：did_imputation

4.6 堆叠回归估计量：stackedev

4.7 通过TWFE的事件研究：eventstudyinteract与jwdid

4.8 Stata官方异质性双重差分命令：xthdidregress

4.9 放松或允许违背平行趋势假设

4.10 稳健性推论和敏感性分析

4.11 异质性处理效应应用建议

4.12 AI赋能异质性DID学习案例

4.13 例文软件实现与解读：

⑦ De Chaisemartin C, d’Haultfoeuille X. Two-way fixed effects and differences-in-differences with heterogeneous treatment effects: Asurvey[J]. The Econometrics Journal, 2023.

⑧ Roth J, Sant’Anna P H C, Bilinski A, et al. What’s trending indifference-in-differences? A synthesis of the recent econometrics literature,Journal of Econometrics, 2023.

⑨ 余长林,马青山.特高压输电与区域经济发展——来自特高压工程的经验证据[J].数量经济技术经济研究,2023.

第5讲 断点回归与合成控制（3h）

5.1 精确断点回归

5.2 断点回归的检验（连续性检验、安慰剂检验）

5.3 模糊断点估计

5.4 多断点回归

5.5 断点回归设计的实证指南:操作规范、应用误区与实践拓展

5.6 聚束效应-另类断点回归-bunching

5.7 合成控制法

5.8 非参数合成控制法

5.9 合成控制与合成双重差分的比较

5.10 AI赋能断点回归与合成控制学习案例

5.11 例文软件实现与解读：

⑩ 黄炜, 向科谚, 袁洛琪. 断点回归设计的实证指南:操作规范、应用误区与实践拓展, 数量经济技术经济研究, 2025

⑪ 席鹏辉, 李瑶. 战略性新兴产业发展与重点税源维护：基于断点回归的证据, 数量经济技术经济研究, 2025.

⑫ Clarke, D Pailañir, S. Athey and G. Imbens. Synthetic Difference-in-Differences Estimation. IZA Discussion Paper, 2023.

第6讲 基于机器学习的因果推断（3h）

6.1 机器学习：决策树与集成算法

6.2 Stata与机器学习集成：h2ml命令应用

 6.2.1 H2O数据准备

    6.2.2 变量选择与交叉验证

    6.2.3 h2oml rf：用于回归和分类

    6.2.4 h2oml gbm：用于回归和分类

    6.2.5 h2oml估计后检验：混淆矩阵

    6.2.6 h2omlgof:机器学习模型拟合比较

6.3 Lasso与ridge、 elasticnet的应用比较

6.4 Lasso用于预测和因果推断

    6.4.1 变量选择与系数估计

    6.4.2 获得标准误

6.5 不同结果变量的Lssso推断命令

    6.5.1 连续结果变量

    6.5.2 两元选择结果变量

    6.5.3 计数结果变量

6.6 系数解释：边际效应、对比、获胜率、发生率

6.7 实例：探讨母亲教育和吸烟习惯对出生体重的影响

6.8 扩展Lasso模型

    6.8.1 adaptive Lasso

    6.8.2 ivlasso

    6.8.3 pdslass

    6.8.4 dslasso

6.9 AI辅助Lasso在预测与因果推动中的应用

6.10 例文软件实现与解读：⑬ Ahrens A, Hansen C B, Schaffer M E.lassopack: Model selection and prediction with regularized regression in Stata[J]. The Stata Journal, 2020, 20(1): 176-235.

优惠：

现场班老学员9折优惠；
同一单位三人以上同时报名9折优惠；

以上优惠与学生优惠价不叠加。

课程提供发票，开课通知及结业证书；课程资料包含do文档，讲义，数据及范例论文。

联系方式：

尹老师

电话：13321178792

QQ：42884447

WeChat：JGxueshu