高级计量经济学 (2025秋冬)
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,要求选课学生掌握概率论、统计学、微积分、线性代数、中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中的其他内容自行学习。实证方面的练习为课后自主进行。
本门课程总共为36学时,每周3课时,共进行12周。由于课堂中的时间极为有限,无法对庞大且多样的计量经济学理论体系进行有效阐述,因此我们采用“研讨”模式,以学生阅读文献并轮流讲解、教师提问点评的形式开展。这样做的目的并不在于系统地传授知识,而在于培养学生独立研读高级文献的能力。只有掌握了对高难度内容的自学能力,才能持续深入地了解计量经济学,才能为日后独立进行学术研究打下必要的坚实基础。
基本信息
课程代码/国际课程代码:6002033
上课时间与地点:(2025秋冬)2-13周 星期一/6-8节,粤海校区汇文楼H1-301
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:(2025秋冬)粤海校区办公室,星期一 15:45-16:30
成绩评价:课堂分享 (60%) + 期末考核 (40%)
主要参考书:
Davidson, R. & MacKinnon, J. G. (2021). Estimation and Inference in Econometrics. Oxford University Press. 本书可以在作者网站下载:http://qed.econ.queensu.ca/pub/dm-book/
参考资料
计量经济学基础
- DeGroot, M. H. & Schervish, M. J. (2012). Probability and Statistics, 4th Edition. Pearson.
- Hansen, B. E. (2022). Probability and Statistics for Economists. Princeton University Press.
- Leon, S. J. & de Pillis, L. (2020). Linear Algebra with Applications, 10th Edition. Pearson.
初等至中等难度
- Wooldridge, J. M. (2020). Introductory Econometrics: A Modern Approach, 7th Edition. Cengage Learning.
- Stock, J. H. & Watson, M. W. (2020). Introduction to Econometrics, 4th Edition. Pearson.
- Maddala, G. S. & Lahiri, K. (2009). Introduction to Econometrics, 4th Edition. Wiley.
- 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
- Goldberger, R. S. (1991). A Course in Econometrics. Harvard University Press.
- William H. Greene (2020). Econometric Analysis, 8th Edition, Global Edition. Pearson.
- Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data, 2nd Edition. MIT Press.
- Cameron, A. & Trivedi, P. (2015). Microeconometrics: Methods and Applications, Cambridge University Press.
- Davidson, R. & MacKinnon, J. G. (2004). Econometric Theory and Methods. Oxford University Press.
- Hansen, B. E. (2022). Econometrics. Princeton University Press.
- 陈强,高级计量经济学及Stata应用(第二版),高等教育出版社,2014.
- 洪永淼,高级计量经济学,高等教育出版社,2011.
因果推断
- Scott Cunningham, Causal Inference: The Mixtape. [Website]
- Angrist, J. D. & Pischke, J.-S. (2014). Mastering ‘Metrics: The Path from Cause to Effect. Princeton University Press.
- Angrist, J. D. & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.
- Morgan, S. L. & Winship, C. (2015). Counterfactuals and Causal Inference: Methods and Principles for Social Research, 2nd Edition. Cambridge University Press.
- Pearl, J. (2009). Causality: Models, Reasonings, and Inference, 2nd Edition. Cambridge University Press.
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley.
- Hernán, M. A. & Robins, J. M. (2020). Causal Inference: What If. CRC Press. [PDF]
- Huntington-Klein, N. (2022). The Effect: An Introduction to Research Design and Causality. CRC Press. [Website]
以往教学资料
伴随着《深圳大学关于制定学术学位研究生培养方案的指导意见》(深大校发〔2025〕124 号)的发布,本门课程自2025-2026学年起对内容和教学方法进行修订。以下为2024年的教学资料,仅供参考。
- Lecture 0
- 导论 [slides]
课外阅读 Hong (2020, Chapter 1)
- 导论 [slides]
- Lecture 1
- 概率与统计 [slides 1], [slides 2]
- Lecture 2
- 线性代数 [slides]
- Lecture 3
- 线性回归模型(一)最小二乘解 [slides]
- Lecture 4
- 线性回归模型(二)几何特征 [slides]
- Lecture 5
- 线性回归模型(三)Frisch-Waugh-Lovell 定理 [slides]
- Lecture 6
- 线性回归模型(四)OLS估计量的统计学性质 [slides]
- Lecture 7
- 假设检验 [slides]
- Lecture 8
- 大样本检验、区间估计、异方差稳健标准误 [slides]
- Lecture 9
- 非线性回归, NLS, GLS [slides]
- Lecture 10
- 工具变量估计 [slides]
- Lecture 11
- 最大(极大)似然估计 [slides]
- Lecture 12
- 面板数据模型 [slides]
- Lecture 13
- Neyman-Rubin 潜在结果模型 [slides]
- Lecture 14
- 基于可观测协变量的因果推断:匹配 [slides]
- Lecture 15
- 基于不可观测协变量的因果推断(一):双重差分与合成控制 [slides]
- Lecture 16
- 基于不可观测协变量的因果推断(二):IV与LATE [slides]
- Lecture 17
- 基于不可观测协变量的因果推断(三):断点回归设计 [slides]
期末考核
期末考核采取课程论文形式,具体要求如下
(待更新)