高级计量经济学 (2026年春夏)

本页面包含深圳大学经济学院国际商务（专业学位）硕士课程 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。

本门课程的主要目标是加深同学们对计量经济理论的理解，使大家能够读懂学术论文中对方法的描述和对分析结果的讨论，达到能够自己设计实证研究策略、并完成建模和分析的水平。同时，针对研究生阶段常见的各种误解和误用现象，通过蒙特卡洛仿真的方式验证方法的适用性，为提升研究质量打基础。

为了更好地学习领会课程内容，选课学生应掌握本科阶段的概率论、统计学、微积分、线性代数和初级计量经济学的基本知识，其中条件分布、大数定律、中心极限定理、以及线性代数的内容尤其重要。不具备以上知识储备的同学可参考下面给出的参考书或本网站内容自行学习。了解至少一种计量分析软件的使用方法是必不可少的，在本门课程的仿真部份，我们选择 R 语言进行讲解和演示。如果你从未使用过 R 语言，可以通过 Teaching 页面提供的资料提前了解。

基本信息

课程代码/国际课程代码：1206078 / MAS5011E
上课时间与地点：第1-12周，星期四 7-8节，丽湖校区四方楼 西204
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：可以在丽湖校区接访，需通过邮件或企业微信预约时间和地点
成绩评价：出席率和随堂测验 (20%) + 作业 (30%) + 期末考核 (50%)
教学辅助工具：微助教（网页版，微信版可在微信中搜索“微助教服务号”），主要用于签到、课堂互动和收作业。

参考资料

主要参考书

  1. Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. [Online version]
  2. 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/

计量经济学的理论基础

  1. DeGroot, M. H., & Schervish, M. J. (2012). Probability and Statistics (4th ed.). 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 ed.). Pearson.

初等难度的计量经济学

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

中等以上难度的计量经济学

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

因果推断

  1. Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.
  2. Angrist, J. D., & Pischke, J.-S. (2014). Mastering ‘Metrics: The Path from Cause to Effect. Princeton University Press.
  3. Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley.
  4. Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. CRC Press.
  5. Huntington-Klein, N. (2022). The Effect: An Introduction to Research Design and Causality. CRC Press.

R 相关

  1. A (very) short introduction to R (by Paul Torfs & Claudia Brauer, 7 Aug 2024)
    本文适合零基础入门，阅读并依照文中内容进行操作所需时间约为 2 小时
  2. R for Data Science (2e)
    本书适合有一定基础的人了解 R 中的数据分析框架 tidyverse，建议阅读前八章
  3. The Tidy Econometrics Workbook

基础知识复习

在本门课程的学习中需要的概率论、统计学以及矩阵运算的基本知识点可以参考下面的资料。我们在课堂上会按需提及相应的知识点，但因时间有限无法展开讲解。同学们可以根据自身情况复习或补习相应内容。

更多内容可参考

  1. Hanssen, B. (2022). Probability and Statistics for Economists. Princeton University Press.
  2. Hanssen, B. (2022). Econometrics. 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调整。
教学内容分为理论和专题两类。理论部份以讲授为主；专题部份则针对实践中的具体问题，通过蒙特卡洛仿真等方法进行探索，采用课堂讲授和课后练习相结合的方式。

周次（日期） 课程内容
第一周
（3/12）		 绪论：计量分析的基本逻辑、数据生成过程、因果模型，有向无环图
第二周
（3/19）		 专题1：蒙特卡洛仿真方法简介
第三周
（3/26）		 线性模型与OLS估计（一）：OLS解的推导及其几何含义
第四周
（4/2）		 专题2：仿真数据的生成
第五周
（4/9）		 线性模型与OLS估计（二）：FWL定理和Gauss-Markov定理
第六周
（4/16）		 线性模型与OLS估计（三）：放松OLS假设
第七周
（4/23）		 专题3：坏控制变量
第八周
（4/30）		 工具变量法
第九周
（5/7）		 面板数据模型
第十周
（5/14）		 专题4：\(\ln(Y+1)\)
第十一周
（5/21）		 因果推断（一）：Neyman-Rubin 潜在结果模型、基于可观测协变量的识别
第十二周
（5/28）		 因果推断（二）：基于不可观测协变量的识别

课件和阅读资料

因时间限制，以下内容无法全部讲授。没有讲授的内容供大家自学。

  1. 绪论 [slides]
    补充资料: Online Appendices of Greene (2020)
  2. 线性回归模型与最小二乘估计 [slides]
  3. OLS估计量的几何特征 [slides]
  4. Frisch-Waugh-Lovell 定理 [slides]
    扩展阅读: Frisch & Waugh (1933), Lovell (1963)
  5. OLS估计量的统计学性质 [slides]
  6. Gauss-Markov 定理 [slides]
  7. 假设检验和区间估计 [slides]
    扩展阅读: White (1980), MacKinnon & White (1985), MacKinnon (2005)
  8. NLS, GLS, IV, and GMM [slides]
    扩展阅读: Box & Cox (1964), Lind & Mehlum (2010), Haans, Pieters, & He (2016), Chen & Roth (2024), Angrist & Kruger (1991), Bound, Jaeger, & Baker (1995), Angrist, Imbens, & Kruger (1999), A Good Instrument is a Bad Control (DiTraglis, F. J., 2023)
  9. 极大似然估计 [slides]
    扩展阅读: Cameron & Trivedi (1986), Dean & Lawless (1989), Mullahy (1997), Lawless (1987)
  10. 面板数据模型 [slides]
    扩展阅读: Hausman (1978), Hausman & Taylor (1981), Bartik (1991), Goldsmith-Pinkham, Sorkin, & Swift (2020)
  11. 因果推断的 Neyman-Rubin 模型 [slides]
    扩展阅读: Angrist & Pischke (2010), Stephens-Davidowitz et al. (2017), Hartmann & Klapper (2018), Imbens & Wooldridge (2009)
  12. 基于可观测协变量的因果推断方法 [slides]
    扩展阅读: Rosenbaum & Rubin (1983), LaLonde (1986), Dehejia & Wahba (1999), King & Nielsen (2019)
  13. 双重差分法与合成控制法 [slides]
    扩展阅读: Bertrand et al. (2004), Goodman-Bacon (2021), Callaway & Sant’Anna (2021), Sun & Abraham (2021)
  14. 工具变量法和 LATE [slides]
    扩展阅读: Angrist (1990), Imbens & Angrist (1994), Angrist, Imbens, & Rubin (1996), Acemoglu, Johnson, & Robinson (2001)
  15. 断点回归设计 [slides]
    扩展阅读: Agrist & Lavy (1999), van der Klaauw (2002)

专题内容资料

  1. 蒙特卡洛仿真 [PDF] （2026/3/15 更新）
  2. 数据生成过程 [PDF] （2026/3/16 更新）
  3. 坏控制变量
  4. 关于 \(\ln(Y+1)\)

以下专题内容供课外学习

作业

待更新

期末考核

期末考核采取课程论文形式。