下周开班 |赵西亮教授带您深度学习应用因果推断方法

培训时间:

2023年7月28-31日 (四天)

培训地点:

北京现场（仅限30人）

同步远程直播；

现场、远程均提供录播回放

授课安排:

9:00-12:00；14:30-17:30；课后答疑

课程资料：提供课件、数据、do、文献等独家资料

课程答疑：赵西亮老师亲自答疑，班级群持续ing

✔   《基本有用的计量经济学2》对统计推断和因果推断进行了区分，对因果推断和因果识别进行了明确定义，并将估计方法和因果推断区分开来，吸收了最近几年各类方法的最新发展，并在统一的框架内进行详细解构，让读者更容易掌握因果推断的基本内容。

✔ 讲清楚因果效应参数(causal estimands)、统计参数(statistical estimands)和统计量(estimators)的区别。实证分析的第一步就是明确自己想回答的问题，定义清楚因果效应参数或目标参数(target parameters)，才能根据研究问题的背景信息和先验知识，构造识别策略。

✔ 因果推断的关键在于分配机制(assignment mechanism)，识别策略主要是对分配机制的描述，通过引入合理的识别条件，描述可能的分配机制，才能识别出因果效应。理解了分配机制，也就理解了因果推断的核心内容，对于匹配、IV、DID(SC)、RDD等具体的方法也就更容易理解。

✔在实证分析中，原因变量（或核心解释变量）和控制变量的地位是不同的，如何才能合理的选择控制变量？控制变量越多越好吗？选择控制变量的基本原则是什么？

✔如何选择工具变量？如何思考工具变量的独立性和排除性假设？如何合理化(justify)你的工具变量？

✔面板数据中固定效应是什么，起着什么作用，如何加固定效应？

✔  估计方法和目标参数之间是什么关系，关于交错DID（staggered DID）的最新发展，充分反映了这一矛盾。OLS、TSLS、TWFE作为经济学家常用的估计方法，很多时候并不能给研究者想要的目标参数，并不能回答作者想回答的问题。如何解决？

赵西亮

厦门大学经济学院和王亚南经济研究院经济学教

授、博士生导师。

清华大学经济管理学院数量经济学专业博士，美国康奈尔大学和芝加哥大学访问学者，加拿大西安大略大学经济系博士后，长期从事中国经济和应用计量经济学研究，著有《基本有用的计量经济学》。

在《经济研究》、《经济学》（季刊）、《数量经济技术经济研究》、《WorldEconomy》等国内外重要期刊发表论文十余篇。China Economic Review, 《经济研究》、《管理世界》、《经济学（季刊）》、《世界经济》等国内外重要期刊匿名审稿人。

第1讲 统计推断

• 线性回归、饱和模型、二元选择模型、方差估计

• 带惩罚项的线性回归：偏差—方差权衡、交叉验证法、自助法(bootstrap)、岭回归、Lasso

• 非参数回归：非参数密度估计、Nadaraya-Watson估计量、局部线性回归估计量(LLR)

第2讲 潜在结果框架

•  RCM (Rubin Causal Model)

•  潜在结果

•  分配机制(treatment assignment)

•  因果效应参数(causal estimand)

•  Lord悖论

•  因果识别

•  回归和因果识别

第3讲 因果图

• 三种基本结构

• 后门标准

• 混杂偏差和样本选择偏差

• 什么是好的控制变量和坏的控制变量

• *前门标准

•   *do运算

第4讲 随机化实验

•  随机化实验的作用

•  随机化实验为什么是黄金标准？

•  随机化实验的分析

•  Design-based和sampling-based方差

案例：
- 班级规模与学习成绩（Krueger, 1999）
- 种族与就业歧视（Bertrand and Mullainathan, 2004）
- 竞选中名字在选票中的位置优势(Ho and Imai, 2006)
- 媒体的影响(Chen and Yang, 2019)

第5讲 非混杂性条件下的因果效应估计

最基本的识别条件是非混杂性(unconfoundedness)，也称为条件独立性假设(CIA, Angrist and Pischke 2009)，或根据观测变量进行的选择(selection on the observables)或可忽略性(ignorablity)，是最基础的分配机制。这类策略的关键是通过（匹配）设计，模拟随机化实验。

• 匹配、倾向指数匹配(PSM, Rosenbaum and Rubin, 1983; Abadie and Imbens, 2006)

• 逆概率加权(Inverse probability weighting, IPW)

• 回归调整(regression adjustment)

• 双重稳健估计(double robust estimator)

案例：

- 培训的效果(Dehejia and Wahba, 1999)

- 精英大学的作用(Dale and Kreuger, 2002)

第6讲 工具变量法

工具变量法在模拟非依从的随机化实验。

•  工具变量法的起源和基本思想

•  工具变量法的基本识别条件

•  如何选择工具变量，如何讨论工具变量的外生性条件？

• 工具变量法的选择和说服审稿人的办法

• 异质性因果效应下的工具变量法——LATE(Imbens and Angrist, 1994: Angrist, Imbens and Rubin, 1996)

• 工具变量法和非依从的随机化实验(noncompliance RE)

• 基于选择的工具变量法——Heckman两步法

• *未观测因素为基础的选择MTE——边际干预效应框架(Heckman and Vytlacil, 1999;2005)

案例：
- 出生季度和教育回报(Angrist and Krueger, 1991)
- 参军与收入(Angrist,1990)
- 家庭规模和父母劳动供给(Angrist and Lavy, 1998)
- 美国的教育回报（Carneiro et al., 2011）
- 全民儿童照护服务的收益(Cornelissen, Dustmann and Schonbrg, 2018)

第7讲 固定效应方法

•  随机效应模型

•  固定效应模型

•  Hausman检验

•  固定效应是什么

•  组内回归(within regression)和虚拟变量回归(LSDV)

•  Stata命令reg、xtreg、areg、reghdfe的关系

案例：

- 双胞胎数据估计中国教育回报(Li, Liu and Zhang, 2012)

第8讲 经典双重差分法

双重差分法在模拟增量上的随机化实验，在线性假设下，属于固定效应模型。

• 共同/平行趋势假设(Parallel/Common Trend Assumption)、无预期假设(no anticipation assumption)、无溢出效应假设(no spillover effects assumption)、共同区间假设(overlap assumption)

•  经典DID的因果识别

• 经典DID的参数估计：回归方法、PSM-DID（Heckman et al. 1997, 1998）、逆概率加权估计量(Abadie, 2005)、双重稳健估计量(Sant’Anna and Zhao, 2020)

•  如何在回归模型中引入不时变的协变量Xi和时变协变量Xit?

案例：

- 移民冲击和工资(Card, 1990)

- 最低工资调整和就业(Card and Krueger, 1994)

- 911事件对美国办公楼的影响(Abadie and Dermisi, 2008)

- 大学扩招和大学生失业（邢春冰和李实，2011）

第9 讲 多期单一政策DID

经典DID的扩展，扩展到多期，仍然只有一个干预组和一个控制组

•  基本识别条件：平行趋势假设、无预期假设和无溢出效应假设的重新表述。

•  平行趋势假设检验和动态模型构造（事件研究法设计）

•  以个体出生年份(cohort)构成的DID，有时也称为cohort DID，并不是一种新的设计

案例：

- 茶叶价格和消失的女性(Qian, 2008)

- 土豆和人口及城市化(Nunn and Qian, 2011)

第10 讲 DID-IV设计

•  DID和IV的结合：不满足平行趋势时的新设计

•  基本识别条件、因果识别过程

•  三重差分法(DDD)：一种特殊的工具变量法

•  基本识别条件、因果识别过程

案例：

- 印尼建校项目对教育回报的影响(Duflo, 2001)

- 强制福利对劳动力市场的影响(Gruber, 1994)

第11讲 交错DID（staggered DID）

个体是逐渐受到政策影响的，不再只有单纯的干预组和控制组两组，而是有很多的干预组和控制组，而干预组被干预的时点不同，用这样的数据估计政策影响时，早期文献仍然沿用第10讲多期单一政策时的设计方法，采用双向固定效应模型(TWFE)估计，但最新的文献发现，在交错政策时，如果存在组间异质性(Goodman-Bacon, 2021)和时间上异质性(Sun and Abraham, 2021)时，TWFE估计量存在着偏差，事件研究法存在着污染偏差(Contamination bias)。

•  基本识别条件的讨论

•  TWFE估计量在估计什么(Goodman-Bacon, 2021; de Chaisemartin and D'Haultfoeuille, 2020)

Ø  Goodman-Bacon分解

•  事件研究法存在的偏差(Sun and Abraham, 2021)

•  如果正确的估计因果效应：

Ø  Callaway and Santa’Anna(2021)非参数估计量

Ø  Wooldridge(2021)回归估计量

案例：

- 大而坏的银行：放松管制与收入分配(Beck et al., 2010; Baker et al., 2022)

第12讲 合成控制法

• 缺失值填补(Borusyak et al., 2021; Liu et al., 2021)

• 合成控制法(Abadie et al., 2010)

• 合成双重差分法(Arkhangelsky et al., 2021)

• 广义合成控制法(Xu, 2017)

案例：

- 加州控烟法案的效果(Abadie et al., 2010)

- 德国统一的经济影响(Abadie et al., 2015)

第13讲 断点回归设计

最接近于完全随机化实验的研究设计，教育学家发明(Thistlethwaite and Compbell, 1960)，作者认为价值不大，但被经济学家挖掘出来，焕发异彩(Hahn et al. 2001)。本章讨论RDD、Fuzzy RDD、Kink RDD的基本识别条件、估计方法、带宽选择方法等。

• 精确断点回归设计：局部随机化假设、连续性假设

• 模糊断点回归设计：工具变量法

• 弯折断点回归设计：导数上的断点

案例：

- 美国政党的在位优势(Lee,2008)、

- 空气污染和寿命(Chen et al., 2013；Ebenstein et al., 2017)、

- 学区房的价值(Black, 1999)、

- 户口的价值(Chen et al., 2019)。

培训费用：

5000元/ 4400元(学生优惠价仅限全日制本科及硕士在读)
提供电子版发票，培训通知，结业证书。

现场班老学员9折优惠；

同一单位三人以上同时报名9折优惠；

以上优惠与学生优惠价不叠加。

1. 点击文末“阅读原文”，在线提交报名信息；

2.经管之家论坛账号登录后提交订单，支付宝/微信/银联支付；

3.确认发票信息，2个工作日发送电子版发票及通知；

4.开课前一周发送资料，进交流群。

刘老师

电话: 18600211279

微信：jg-xs12

Q Q：3196394371