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、计量模型的本质
二、随机变量及其分布
1. 概率模型
2. 分布（正态分布、卡方分布、t分布）
3. 大数定理
4. 中心极限定理
三、估计量及其性质
1. 估计量
2. 线性、无偏性、有效性
3. 正态性
4. 区间估计
5. 假设检验
6. 渐近正态性
7. 一致性
四、多元线性回归
1. 随机向量
2. 期望阵与方差阵
3. 多元回归与一致估计
五、什么是内生性
1. 内生性
2. 相关性
3. 正交性
4. 严外生性
六、忽略内生性的后果
七、内生性的来源和检验
1. 遗漏变量
2. 测量误差
3. 联立因果
4. 内生处理
5. 内生样本选择
6. 随机效应
7. 模型误定偏误
八、如何应对内生性
1. 控制变量
2. 差分估计（DID，合成控制法）
3. 代理变量
4. 工具变量（IV,2SLS，GMM）
5. 匹配估计
6. 断点回归
7. 控制函数（CF）
8. ERM（ML+CF）
九、ERM原理
1. 极大似然估计
2. 多元正态分布分解
3. 内生变量
4. 内生选择
5. 内生样本选择
6. ERM框架
7. 二元因变量
8. 序次因变量
9. 面板数据与层次模型
十、综合操作性案例
优惠政策：
1，现场班老学员九折优惠；
2，同一单位3-5人同时报名九折优惠；
3，同一单位超过6人同时报名八折优惠；
4，内生性10/11老学员五折优惠；
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
