HUANG, Jia-Ping

Logo

Jia-Ping HUANG is a lecturer at Shenzhen University.

> Teaching > Econometrics

高级计量经济学 (2023学年)

本页面包含深圳大学中国经济特区研究中心理论经济学博士课程 高级计量经济学 的相关内容，包括课程信息、课程资料、作业发布等。本页面内容随课程进程推进而不断更新，请选课同学定期关注。

本门课程以理论学习为主，要求选课学生掌握本科阶段的概率论、统计学、微积分、线性代数、初级计量经济学的基本内容，并了解至少一种计量分析软件（例如 Stata 或 R 等) 的使用方法。不具备以上知识储备的同学可参考下面列出的参考书或本网站内容自行学习。实证练习为课后自主进行。鉴于本专业学生在数理经济学方面的基础可能比较薄弱，本门课程将难度设定为等同或略高于一般硕士阶段的水平，并在教学过程中更加重视对基础的巩固。

本门课程分两学期进行，每周2课时。第一学期以回归分析为中心，学习内容包括概率论和数理统计以及线性代数的相关知识、线性回归模型、最小二乘估计及其性质（重点学习FWL定理和Gauss-Markov定理）、假设检验、异方差稳健标准误、非线性回归、广义最小二乘估计、工具变量估计、GMM、回归方程组等。第二学期的学习内容包括面板数据模型、最大似然估计和离散因变量模型、机器学习方法、非参数估计、Neyman-Rubin 潜在结果模型和计量经济学中的因果推断、以及文献阅读与分享。

基本信息

课程代码/国际课程代码：6002033
上课时间与地点：星期二 9-10节，粤海校区汇文楼 H2-303
任课教师：黄嘉平
联系方式：请发邮件至 huangjp #at# szu . edu . cn
办公室：粤海校区汇文楼1510
接访时间：

  • 2023年秋冬：粤海校区办公室，星期二14:30-15:30

成绩评价：课堂表现 (20%) + 期中考核 (40%) + 期末考核 (40%)
教学辅助工具：微助教（主要用于签到和发布资料）
主要参考书：

  1. Davidson, R. & MacKinnon, J. G. (2021). Econometric Theory and Methods. Oxford University Press.
    本书可以在作者网站下载：http://qed.econ.queensu.ca/ETM/
  2. Angrist, J. D. & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.

参考资料

计量经济学基础

  1. DeGroot, M. H. & Schervish, M. J. (2012). Probability and Statistics, 4th Edition. Pearson.
  2. Hansen, B. E. (2022). Probability and Statistics for Economists. Princeton University Press.
  3. Leon, S. J. & de Pillis, L. (2020). Linear Algebra with Applications, 10th Edition. Pearson.

初等至中等难度

  1. Wooldridge, J. M. (2020). Introductory Econometrics: A Modern Approach, 7th Edition. Cengage Learning.
  2. Stock, J. H. & Watson, M. W. (2020). Introduction to Econometrics, 4th Edition. Pearson.
  3. Maddala, G. S. & Lahiri, K. (2009). Introduction to Econometrics, 4th Edition. Wiley.
  4. 硕士高级计量经济学2021年资料（内容比较简单，等同或略高于本科水平）.

中等以上难度

  1. Goldberger, R. S. (1991). A Course in Econometrics. Harvard University Press.
  2. William H. Greene (2020). Econometric Analysis, 8th Edition, Global Edition. Pearson.
  3. Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data, 2nd Edition. MIT Press.
  4. Cameron, A. & Trivedi, P. (2015). Microeconometrics: Methods and Applications, Cambridge University Press.
  5. Davidson, R. & MacKinnon, J. G. (1993). Estimation and Inference in Econometrics. Oxford University Press.
  6. Hansen, B. E. (2022). Econometrics. Princeton University Press.
  7. 陈强，高级计量经济学及Stata应用（第二版），高等教育出版社，2014.
  8. 洪永淼，高级计量经济学，高等教育出版社，2011.

因果推断

  1. Scott Cunningham, Causal Inference: The Mixtape. [Online version]
  2. Angrist, J. D. & Pischke, J.-S. (2014). Mastering ‘Metrics: The Path from Cause to Effect. Princeton University Press.

进度与资料

以下为教学计划。实际教学进度可能根据实际情况进行必要的调整。

第一学期

  • Lecture 0
  • Lecture 1
  • Lecture 2
    • 线性代数
  • Lecture 3
    • 线性回归模型
  • Lecture 4
    • 最小二乘回归（一）：最小二乘解
  • Lecture 5
    • 最小二乘回归（二）：Frisch-Waugh-Lovell 定理
  • Lecture 6
    • 最小二乘回归（三）：OLS估计量的统计学特征
  • Lecture 7
    • 最小二乘回归（四）：Gauss-Markov 定理
  • Lecture 8
    • 假设检验与区间估计
  • Lecture 9
    • 异方差性与稳健标准误
  • Lecture 10
    • 重采样（Resampling）
  • Lecture 11
    • 非线性回归
  • Lecture 12
    • GLS, IV, and GMM
  • Lecture 13
    • 回归方程组

第二学期

  • Lecture 14
    • 面板数据模型（一）
  • Lecture 15
    • 面板数据模型（二）
  • Lecture 16
    • 最大似然估计
  • Lecture 17
    • 离散因变量模型（一）
  • Lecture 18
    • 离散因变量模型（二）
  • Lecture 19
    • 机器学习方法
  • Lecture 20
    • 非参数估计
  • Lecture 21
    • Neyman-Rubin 潜在结果模型
  • Lecture 22
    • 基于可观测协变量的因果推断：匹配
  • Lecture 23
    • 基于不可观测协变量的因果推断（一）：双重差分
  • Lecture 24
    • 基于不可观测协变量的因果推断（二）：合成控制
  • Lecture 25
    • 基于不可观测协变量的因果推断（三）：IV与LATE
  • Lecture 26
    • 基于不可观测协变量的因果推断（四）：断点回归设计

Hosted on GitHub Pages using the Minimal theme with customizations.
Copyright ©2017-2023 Jia-Ping HUANG. All rights reserved.