凡是搞计量经济的，都关注这个号了
邮件：econometrics666@126.com
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
1️⃣Susan Athey (斯坦福大学商学院 GSB, NBER)斯坦福大学商学院（GSB）的技术经济学教授 Susan Athey 是该领域的核心人物。作为约翰·贝茨·克拉克奖的获得者和美国经济学会（AEA）前主席，她的卓越资历彰显了其深远影响力。她的职业经历丰富，曾担任微软公司的顾问首席经济学家，近期还出任美国司法部反垄断司的首席经济学家，成功地将严谨的学术见解与复杂的实际应用紧密联系起来。Athey的贡献具有奠基性意义。她是最早系统阐述机器学习对于经济学家的相关性及巨大潜力的学者之一，并常常致力于厘清机器学习的预测焦点与计量经济学的因果推断目标之间的区别与协同作用。她的研究议程明确聚焦于数字经济学以及计量经济学与机器学习的交叉领域。尤为关键的是，Athey与Stefan Wager等人合作，共同开发了因果森林（causal forests）和广义随机森林（generalized random forests）。这些方法提供了非参数化的途径，能够利用机器学习技术来估计异质性处理效应，即干预措施的影响如何在个体间存在差异，同时确保结果的统计有效性。这项工作直接回应了经济学领域对于需要超越平均效应、寻求更稳健分析方法的迫切需求。她的研究也关注机器学习在政策问题中的应用，包括对公平性和可操纵性等问题的考量。她还通过开设机器学习与因果推断的课程，积极传播这些前沿知识。Athey的影响力在于，她不仅提供了概念性框架，还开发了像因果森林这样实用且具备扎实理论基础的分析工具，这些工具已在不同领域的应用研究中得到广泛采纳。
关于Susan，参看1.Susan主导的斯坦福”机器学习与因果推断”公开课程正式对我们开放了，2.机器学习对计量经济学的影响, AEA年会独家报道
，3.合成双重差分法DID的视频和Slides，4.机器学习和大数据计量经济学, 你必须阅读一下这篇，5.机器学习和经济学, 技术革命正在改变经济社会和学术研究，6.谁说经济学没用? 美国经济学会主席AER长文: ECON的“神来之笔”正在改变数字世界.，7.QJE上对标准误做聚类调整, 现已开发出了对应的Stata软件包，8.应用计量经济学现状: 因果推断与政策评估最全综述。
2️⃣Sendhil Mullainathan (MIT, NBER)MIT教授 Sendhil Mullainathan 是另一位关键的先驱人物。作为麦克阿瑟奖（MacArthur Fellow）得主，以及诸如贾米尔贫困行动实验室（J-PAL）和 ideas等影响力深远的组织的联合创始人，他的研究常常将机器学习与行为科学及社会政策紧密相连。Mullainathan 是引导经济学家如何理解和应用机器学习的早期倡导者之一，其观点影响深远。他与 Jann Spiess 合著的论文《机器学习：一种应用计量经济学方法》提供了一个关键的分析框架，清晰地区分了机器学习侧重预测的特性与计量经济学传统上强调参数估计的目标。他的研究广泛利用机器学习来深入理解人类行为、公共政策和计算医学等领域的复杂问题。他与 Jens Ludwig 合作的一项著名研究，探索了如何将机器学习算法不仅用于预测，更作为一种系统性生成科学假设的工具，通过识别复杂数据（例如面部照片特征）中的潜在模式，来启发全新的、值得研究的科学问题。这代表了机器学习在科学探索的“前科学”阶段的一种创新性应用。他将行为经济学的洞见与机器学习及因果推断工具（涵盖实验室实验、实地实验和自然实验）相结合，深入研究诸如歧视、贫困对心智带宽的影响以及算法偏见等重要议题。他也在商学院的环境中教授人工智能和机器学习的相关概念。Mullainathan 的工作极大地展示了机器学习在传统预测功能之外的应用潜力，尤其是在挖掘行为层面的深刻见解和激发新的研究方向方面，起到了关键的推动作用。
3️⃣Guido W. Imbens (斯坦福大学商学院 GSB, NBER)斯坦福大学商学院（GSB）的应用计量经济学教授兼经济学教授 Guido W. Imbens 是一位世界顶尖的计量经济学家。他的研究在传统的因果推断方法与新兴的机器学习方法之间架起了一座至关重要的桥梁。他因对因果关系分析的方法论贡献，与 David Card 和 Joshua Angrist 共同分享了2021年诺贝尔经济学奖。他同时也是斯坦福经济政策研究所（SIEPR）的高级研究员，并隶属于以人为本人工智能研究所（HAI）和斯坦福数据科学中心，还担任TOP5刊《Econometrica》的主编。Imbens 的核心研究聚焦于为观测性研究开发严谨的因果推断方法，涵盖匹配法（matching）、工具变量法（IV）和断点回归设计（RDD）等关键技术。在敏锐地认识到机器学习的巨大潜力后，他与老婆Susan Athey 合著了多篇具有广泛影响力的综述文章，向经济学界系统介绍了机器学习方法，并将它们置于计量经济学的框架内加以解读。他近期的工作越来越多地融入机器学习技术，旨在增强现有因果推断方法的效能，尤其是在估计异质性处理效应和处理复杂数据结构方面。他也参与了关于因果森林及其他基于机器学习的估计技术的合作研究。通过他的研究和教学，Imbens 将深厚的计量经济学专业知识和对方法论严谨性的高度关注带到了机器学习与经济学的交叉领域，致力于确保二者的融合在充分利用新算法强大能力的同时，能够始终保持统计上的有效性和可靠性。关于Guido，参看1.Guido Imbens: 潜在结果和有向无环图在因果推断实证研究中的应用实例讲解(二)，2.两诺奖得主谈计量经济学发展进化, 机器学习的影响, 如何合作推动新想法！3.精彩! 三位诺奖获得者“因果推断”Lectures的精彩视频, 信息含量极大的世纪演讲！1.J.Angrist就因果推断长篇评论+音频版，2.Angrist因果推断课程，经典期刊读物汇集，3.
经济研究中的自然实验者, Natural Experimenter，4.USA经管商博士最狂热崇拜的计量书籍震撼出炉，5.计量经济学的“公信力革命”, 1983-2010，6.哪本因果推断书籍最好？我们给你整理好了这个书单！7.你应该阅读哪本因果推断书籍: 一份进阶流程图和简短书评列表，8.Sims与安神的论战从未停止,JOE卷入第三次大论战，9.我是安神, 我为因果推断计量代言，10.安神+克拉克奖得主的RDD论文, 断点回归设计，11.政策效应评估的四种方法（Policy evaluation），12.Guido Imbens: 潜在结果和有向无环图在因果推断实证研究中的应用实例讲解(二)，13.应用计量经济学现状: 因果推断与政策评估最全综述，14.ECM主编: 潜在结果和有向无环图在因果推断实证研究中的应用权威讲解，15.微观计量经济学在理论和应用上走过的30年，16.微观计量经济学：政策效应评估，17.断点回归设计RDD分类与操作案例，18.广义合成控制法gsynth, Stata运行程序release，19.基于模型还是基于设计的实证方法? 诺奖候选人给你的insights！20.劳动经济学“诺贝尔奖”公布了, 获得者实至名归！21.三重差分法运行和示例, 附上运行代码和结果解析！22.拐点回归设计RKD概览, 及其开展实证研究的经典示例
4️⃣Victor Chernozhukov (麻省理工学院 MIT, NBER)麻省理工学院（MIT）福特国际经济学教授 Victor Chernozhukov 同时隶属于MIT的统计与数据科学中心，是计量经济学和数理统计领域的领军人物。他的研究常常着力于解决高维数据环境下的统计推断难题，而这恰恰是机器学习方法能够大显身手的领域。Chernozhukov 是双重/去偏机器学习（Double/Debiased Machine Learning, DML）框架的主要构建者之一。该框架是他与一个包括 Mert Demirer、Esther Duflo、Christian Hansen、Whitney Newey、James Robins 和 Denis Chetverikov 在内的杰出团队共同开发的。当模型中的干扰参数（例如倾向得分或条件期望）需要通过可能复杂的机器学习算法来估计时，DML提供了一套稳健的方法论来准确估计我们关心的核心因果参数（例如处理效应）。通过巧妙运用奈曼正交得分（Neyman-orthogonal scores）和交叉拟合（cross-fitting）技术，DML能够有效矫正因机器学习模型中的正则化和过拟合所引入的偏差，从而确保对目标参数的统计推断是有效的（获得一致且渐近正态的估计量）。这一重大突破使得经济学家能够放心地利用机器学习强大的预测能力来处理模型中的复杂部分，同时仍然能对具有清晰经济学意义的参数进行严谨可靠的推断。他的研究工作还广泛延伸至高维推断的其他方面，包括自助法（bootstrap methods）和运用机器学习进行项目评估等。对于采用机器学习工具进行研究的应用微观计量经济学者而言，DML已成为一种不可或缺的基石性方法。DML的成功发展也生动地说明了，在这个跨学科领域取得的进展往往源于团队协作的力量。DML背后的团队汇集了来自MIT、芝加哥大学、UCLA和哈佛等顶尖学府的多元化学术专长，这充分凸显了在计量经济学、统计学和机器学习的交叉地带，整合不同视角对于攻克复杂方法论挑战所具有的巨大价值。5️⃣Melissa Dell (哈佛大学, NBER)哈佛大学安德鲁·E·富勒经济学教授 Melissa Dell 是2020年约翰·贝茨·克拉克奖的获得者，她做出了卓越的贡献，尤其是在将深度学习（Deep Learning）技术创造性地应用于经济学研究方面。她的研究领域横跨发展经济学、政治经济学和经济史。Dell 是运用先进深度学习方法处理大规模、非结构化历史与当代数据（如文本和图像）的先驱。这类数据在过去往往难以甚至无法进行有效的定量分析，而她的工作则开辟了新的可能。她的研究应用实例包括：利用卫星图像数据监测经济活动；大规模数字化历史文献（包括处理复杂的页面布局和含有噪声的光学字符识别OCR结果）；在不同来源的数据集之间建立记录链接；以及探索和分析海量的文本与图像语料库。深刻认识到研究者在采用这些复杂技术时可能面临的障碍，Dell 积极致力于提升这些工具的可及性。她开发了用于文档图像分析的开源软件包 Layout Parser，并创建了 EconDL，一个内容全面的网站，提供教程、代码和相关资源，与其广受好评的综述论文《经济学家的深度学习》相互配套。她的工作极大地扩展了经济学家能够利用的数据类型，尤其是在历史研究领域，有力地推动了整个学科的实证研究前沿。关于Melissa Dell，1.20年小诺贝尔奖得主Melissa的经济学家编程课, 课件尽快下载学习！2.2020年小诺奖得主Dell关于如何做研究, 对年轻经济学家的建议！3.Mita, 2020小诺奖RDD女王最具影响力的成名作, 附数据和计量程序，4.“RDD女王”获2020年小诺奖！她的RD数据, 程序, GIS和博士论文可下载！关于她学术研究过程的最全采访！，5.世界计量经济学会宣布2020年新当选院士和新主席, 国人当选情况在情理之中但意料之外！6.AER上用断点回归设计RDD的实证文章有哪些？含程序和code, 不看至少需要收藏一下！7.如何做量化研究的文献评述, 基于政权变更, 集体行动和经济发展，8.TOP5的JPE新任主编和编辑介绍, 提前了解其研究方法和擅长领域! 9.TOP5上天才般神作, 没有足够的洞察, 很难想出这样的实证策略，10.她极度近视, 却凭该TOP5文掌控着关于殖民制度长期影响研究的话语权！
6️⃣Stefan Wager (斯坦福大学商学院 GSB)斯坦福大学商学院（GSB）运营、信息与技术（OIT）及统计学副教授 Stefan Wager 的研究工作聚焦于因果推断、优化和统计学习的交叉领域。Wager 最为人所称道的成就是与 Susan Athey 等人合作开发的因果森林（causal forests）和广义随机森林（GRF）。这些方法巧妙地改造了随机森林算法，使其专门适用于非参数化地估计异质性处理效应。Wager 的研究为这些方法奠定了关键的理论基石，严格证明了它们的一致性和渐近正态性，从而保证了基于这些方法可以进行有效的统计推断（例如，构建置信区间）。除了理论上的贡献，Wager 在创建和维护被广泛使用的 grf R语言和C++软件包方面也发挥了核心作用，该软件包使得研究者能够便捷地应用这些基于森林的先进方法。这种严谨理论与易用软件的完美结合，使得因果森林迅速成为经济学、政治学、医学以及其他众多寻求深入理解处理效应异质性的领域中，应用研究者们广泛使用的有力工具。他还与 Susan Athey 共同教授一门关于机器学习与因果推断的课程。像因果森林这类方法，通过 grf 这样的专用软件包得以开发和推广，标志着机器学习融入经济学并走向成熟的重要一步。这不仅降低了应用研究者的使用门槛，也有助于复杂方法论的标准化，从而促进了其在更广范围内的采纳以及不同研究间结果的可比性。7️⃣Jann Spiess (斯坦福大学商学院 GSB)斯坦福大学商学院（GSB）OIT副教授 Jann Spiess 拥有哈佛大学经济学博士学位，他的研究重点是将机器学习技术有效地整合到计量经济学的工具箱中。他早期的一项重要且有影响力的工作是与 Sendhil Mullainathan 合著的JEP论文《机器学习：一种应用计量经济学方法》，该文通过清晰地区分预测与估计这两个不同目标，为经济学界围绕机器学习的讨论设定了重要的框架。他当前的研究则更深入地探索在因果推断和数据驱动决策中应用机器学习的理论基础。他的研究领域涉及微观计量经济学方法、统计决策理论和机制设计，致力于解决高维和稳健因果推断中的诸多挑战（包括在随机试验和面板数据分析中结合使用机器学习）、合成控制法（synthetic controls）以及匹配估计（matching estimation）等问题。此外，他还深入研究了在决策过程中使用算法所引发的一系列问题，例如算法公平性、人机交互，以及当研究者可能进行模型设定搜索（specification searches）时，预先制定分析计划（pre-analysis plans）的必要性和作用。Spiess 的研究工作致力于确保强大的预测算法在经济学中的应用，尤其是在进行因果判断或制定政策决策时，能够保持统计上的严谨性和结果的稳健性。8️⃣Bryan T. Kelly (耶鲁大学管理学院, NBER, AQR)
耶鲁大学管理学院弗雷德里克·弗兰克（54届）与玛丽·C·坦纳金融学教授 Bryan T. Kelly 同时担任AQR资本管理公司（AQR Capital Management）的机器学习主管，并是NBER的研究员。他独特的身份使其在学术界和业界之间成功架起了一座沟通的桥梁。Kelly 是金融机器学习（financial machine learning）领域的顶尖研究者，主要研究方向是资产定价和金融计量经济学。他（常与 Dacheng Xiu 合作）的研究成果在展示机器学习方法解决经验金融学中经典问题的强大能力方面产生了巨大影响。他将广泛多样的机器学习技术，包括惩罚性回归、神经网络、自编码器以及文本分析等，应用于各种核心任务，例如衡量资产风险溢价、预测资产回报、对波动率和尾部风险进行建模以及优化投资组合等。他的研究常常发现，与传统方法相比，使用基于机器学习的预测能够带来显著的经济收益。他还与人合著了关于金融机器学习领域的重要综述文章，为该领域的研究提供了清晰的框架和有价值的基准。Kelly 的工作对于推动金融领域内机器学习方法的应用和深化理解起到了关键作用，有效地将前沿的学术研究与实际的投资应用连接了起来。9️⃣Dacheng Xiu (芝加哥大学布斯商学院, NBER)芝加哥大学布斯商学院约瑟夫·桑德海默计量经济学与统计学教授 Dacheng Xiu，同时隶属于芝加哥大学统计系和数据科学研究所，并且是NBER的研究员。他是金融计量经济学和机器学习领域的另一位关键人物。Dacheng Xiu 专注于为金融数据分析开发先进的统计方法论，当前的研究重点是运用机器学习来解决经验资产定价领域面临的大数据挑战。他与 Bryan Kelly 的高影响力合作产出了一系列关于金融机器学习的开创性论文和综述文章。他的研究将机器学习应用于收益率预测、风险度量（尤其擅长利用高频数据）、投资组合管理，以及将文本、图像等另类数据源融入金融模型分析中。他还致力于开发实用工具，例如他参与创建的芝加哥大学风险实验室（UChicago Risk Lab），该实验室利用高频数据和先进模型提供实时的波动率估计。Dacheng Xiu 的工作不仅在方法论上取得了进步，也为利用机器学习深入理解复杂金融市场的实践提供了有力的实证支持。🔟Matthew Harding (加州大学尔湾分校 UC Irvine)加州大学尔湾分校经济学与统计学教授 Matthew Harding 是该校深度数据实验室（Deep Data Lab）的主任。他拥有MIT的博士学位，并曾在杜克大学和斯坦福大学任职，其研究工作聚焦于应用计量经济学、大数据技术和机器学习来深入理解个体层面的经济行为。Harding 擅长分析“深度数据（Deep Data）”，这类数据通常是通过链接整合来自多个来源信息而形成的大型、复杂数据集。他的研究致力于开发并应用最前沿的统计方法来分析消费和投资决策行为，尤其是在健康、能源、消费金融和可持续性等重要领域。他的具体贡献包括在高维离散选择模型方面的研究（应用了自编码器等技术）、针对面板数据的分位数回归分析，以及运用机器学习来评估政策（例如分时电价政策）的异质性效应等。他还曾与人合著探讨大数据在经济学中扮演的角色及其带来的挑战。Harding 的研究清晰地展示了如何将先进的计量经济学与机器学习方法应用于大规模微观数据分析，从而获得关于消费者行为和政策有效性的、具有实际指导意义的深刻见解。除了上述几位核心人物之外，还有众多经济学家正在积极推动机器学习与经济学的融合。例如，Mert Demirer（MIT斯隆管理学院）是DML框架的关键合作者，并运用机器学习研究产业组织问题。Yusuke Narita（耶鲁大学）专注于利用机器学习进行算法决策和因果推断研究，其成果能够同时发表在顶级的经济学和机器学习会议/期刊上（如NeurIPS, KDD, AAAI），显示出其研究得到了跨学科的高度认可。此外，像Vira Semenova（加州大学伯克利分校）、Yinchu Zhu（布兰迪斯大学）、Nicholas Ginsberg（约翰霍普金斯大学）、Misuk Lee（西雅图大学）以及Jonathan Hersh（查普曼大学）等学者，其专业领域或研究兴趣也明确指向经济学与机器学习的交叉点。特别值得一提的是像 Yusuke Narita 和 Mullainathan 等研究者所展现出的跨学科发表能力。能够在顶级经济学期刊和计算机科学会议上都成功发表论文，这表明他们的贡献被两个领域的专家共同认可为既新颖又严谨，象征着一种深层次的方法论整合，而非简单地借用对方领域的工具。
关于机器学习，参看：1.机器学习之KNN分类算法介绍: Stata和R同步实现（附数据和代码），2.机器学习对经济学研究的影响研究进展综述，3.回顾与展望经济学研究中的机器学习，4.最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响! 5.Top, 机器学习是一种应用的计量经济学方法, 不懂将来面临淘汰危险！6.Top前沿: 农业和应用经济学中的机器学习, 其与计量经济学的比较, 不读不懂你就out了！7.前沿: 机器学习在金融和能源经济领域的应用分类总结，8.机器学习方法出现在AER, JPE, QJE等顶刊上了！9.机器学习第一书, 数据挖掘, 推理和预测
，10.从线性回归到机器学习, 一张图帮你文献综述，11.11种与机器学习相关的多元变量分析方法汇总，12.机器学习和大数据计量经济学, 你必须阅读一下这篇，13.机器学习与Econometrics的书籍推荐, 值得拥有的经典，14.机器学习在微观计量的应用最新趋势: 大数据和因果推断，15.R语言函数最全总结, 机器学习从这里出发，16.机器学习在微观计量的应用最新趋势: 回归模型，17.机器学习对计量经济学的影响, AEA年会独家报道，18.回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现），19.关于机器学习的领悟与反思，
20.机器学习，可异于数理统计，21.前沿: 比特币, 多少罪恶假汝之手? 机器学习测算加密货币资助的非法活动金额! 22.利用机器学习进行实证资产定价, 金融投资的前沿科学技术! 23.全面比较和概述运用机器学习模型进行时间序列预测的方法优劣！24.用合成控制法, 机器学习和面板数据模型开展政策评估的论文！25.更精确的因果效应识别: 基于机器学习的视角，26.一本最新因果推断书籍, 包括了机器学习因果推断方法, 学习主流和前沿方法，27.如何用机器学习在中国股市赚钱呢? 顶刊文章告诉你方法！28.机器学习和经济学, 技术革命正在改变经济社会和学术研究，29.世界计量经济学院士新作“大数据和机器学习对计量建模与统计推断的挑战与机遇”，30.机器学习已经与政策评估方法, 例如事件研究法结合起来识别政策因果效应了！31.重磅! 汉森教授又修订了风靡世界的“计量经济学”教材, 为博士生们增加了DID, RDD, 机器学习等全新内容！32.几张有趣的图片, 各种类型的经济学, 机器学习, 科学论文像什么样子？33.机器学习已经用于微观数据调查和构建指标了, 比较前沿！34.两诺奖得主谈计量经济学发展进化, 机器学习的影响, 如何合作推动新想法！35.前沿, 双重机器学习方法DML用于因果推断, 实现它的code是什么？
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
