讲师介绍:
陈传波,中国人民大学农业与农村发展学院副教授,博士生导师。自1999年开始,钻研STATA二十余载,著有《STATA十八讲》,自2004年以来,一直在中国人民大学讲授《计量经济学》。在《统计研究》等期刊发表过相关论文,为国家第三次农业普查骨干培训班讲过课。主持过多项国家社科基金和国家自然科学基金。
课程简介:
内生性(Endogeneity)是实证研究中经常被质疑,不能回避的难题。究竟什么是内生性?为什么一定要揪住内生性不放?换言之,忽略内生性将导致什么后果?为什么会产生内生性?内生性来源于哪里?如何判断是否存在内生性?如何检验内生性?
我们经常听到多种不同的“内生”,如内生变量 (Endogenous covariates)、内生样本选择(Endogenous sample selection)、内生处理指派(Endogenous treatmentassignment)等,这些概念之间有什么区别和联系?
仅以内生变量为例,我们还会面临以下困惑:内生变量可否取离散形式?可否包含内生变量的二次项或更高次项?如何应对多个内生变量?多个内生变量是否允许交互?内生变量是否可与外生变量交互?内生变量的决定方程中若又包含内生变量,又该如何处理?
如果存在内生性,怎么应对内生性?若一项研究同时涉及到多种内生性时,又该怎么办?针对不同的内生性是否要采取不同的应对方法?这些不同的方法如何整合?当不同的内生性同时出现并且相互交织在一起时,又该怎么办?
STATA的扩展回归模型(ERM, EXTENDED REGRESSION MODELS),用一条命令同时处理内生变量、内生样本选择、内生处理指派和随机效应。ERM适用于连续变量、0-1变量和有序多元离散的因变量、自变量和工具变量,也允许变量取高次项以及变量之间的交互,还可用于面板数据和层次模型。
ERM在单独应对某类内生性时,等价于以下传统的十多种STATA命令:regress,ivregress,gmm(广义矩估计), heckman, tobit, intereress, probit, oprobit,teffects, etregress(内生处理回归), movestay(内生转换模型,endogenous switchingregression),ivtobit,xtregress, xtprobit,xtoprobit, xtivreg, 等等。更重要的是,ERM可以同时应对多种内生性问题。
ERM虽然名为扩展回归模型,但却基于多元正态分布和极大似然估计。本课程拟将STATA模拟、案例和必要的数学公式三者紧密结合,帮助学员打通任督二脉,在尽可能短的时间内掌握其中的关键,明白背后的基本原理和基本操作,不仅学会如何识别和检验各类内生性,也学会如何用一条命令处理多种内生性,还能正确解读分析结果。
课程内容:
一、内生性的本质及忽略内生性的后果(什么是内生性)
二、内生性的来源和分类(如何识别内生性)
1. 内生变量(遗漏变量、测量误差、反向因果、自选择。。。)
2. 内生处理指派
3. 内生样本选择
三、ERM原理与模拟(如何应对内生性)
四、ERM案例
五、ERM估计结果的解释(margins)
六、ERM与传统方法的关系
参考文献:
STATA EXTENDEDREGRESSION MODELS REFERENCE MANUAL RELEASE 16
优惠政策:
1,现场班老学员八折优惠;
2,专题课付费老学员九折优惠;
3,同一单位3-5人同时报名九折优惠;
折扣优惠与学生价优惠不叠加。
课程咨询:
尹老师
电话:010-53352991
QQ:42884447
WeChat:yinyinan888