课程简介：
Python，出生于1991年，有20年的历史了，可以说和Linux一样久~当今流行的语言，如Java、C#、PHP这些，其实都是它的后辈。她语言简洁、易学、免费、开源，可移植、解释性强，她可以让面对她的你，更专注于思考的逻辑和模型的正确性，较少地考虑编程的对错。
Python 已经成为越来越多美国顶级大学的计算机编程入门语言了。美国计算机排名顶尖的麻省理工学院和加州大学伯克利分校已经将他们的计算机编程入门教学语言改为了 Python。
三大 MOOC 提供商（edX、Cousera、Udacity）都提供使用Python 教学的计算机编程入门课程。同时，不同专业领域的教授也都倡导使用 Python 作为入门语言进行教学。
啧啧，听起来很时髦的样子，只不过，难道Python不只是CS的课程基础么？难道Python不是给Google、NASA、YouTube、Facebook用的么？我们做计量分析，也能用？…
没错！Python在数据分析方面也是彪悍地一塌糊涂~
大数据时代了呢，更好地展现数据结构的Python已经越来越受到计量经济学者的欢迎。
So，作为一门“赶时髦”&“实用”的计量工具课程，本次Python统计与计量经济分析并不打算讲多么高深的编程基础，只单纯希望跟大家聊聊使用Python如何完美构造各种计量模型，并针对结果给出合理的解释~
这门课不需要太多计量基础，我们将尝试用大白话告诉大家，什么样的分析数据适用于什么样的计量模型，什么样的模型匹配什么样的检验方法；也不需要太多编程基础，有没有学过C语言，有没有其他语言基础，都不要紧~
课程大纲：
1. 数据清洗
01. 降维
02. 数组计算
03. 数组排序
04. 数据框(Data Frame)的构造
05. 数据框(Data Frame)排序
06. 数列(Series)索引合并
07. 数据框(Data Frame)索引合并
08. 数据归一化
09. 增加可选列
10. 删除可选列 or 行
11. 选取小样本
12. 合并数据框
13. 数值替代
14. 基本统计量填补缺失值
15. 回归计算结果填补缺失值
2. 数据统计(包含常规统计检验和非参统计检验 )
01. 基本统计量的计算,22,17
02. T检验,25,6
03. 方差分析(ANOVA),34,57
04. 卡方检验,28,25
05. 威尔科克森秩和检验、威尔科克森符号秩和检验、KW检验、弗里德曼检验
3. 数据分析（包含截面数据.时间序列和面板数据回归）
3.1.1. 单纯的一元回归
3.1.2. 更靠谱的多元回归
3.1.3. 工具变量-两阶段最小二乘法(2SLS)
3.1.4. 工具变量-广义矩估计(GMM)
3.1.5. 倍分法(DID)
3.1.6. 二分类Logit回归
3.1.7. 多值型Logit回归
3.1.8. 定序Logit回归
3.1.9计数变量回归
3.1.10. 主成分分析和因子分析
3.2.1. 单变量时间序列
3.2.2. 向量自回归
3.2.3. 协整检验
3.3.1混合效应模型、固定效应模型和随机效应模型
使用statsmodels.OLS拟合一个模型
OLS上机操作实例
联系方式：
尹老师
电话：010-53352991
QQ：42884447
WeChat：yinyinan888
