1.常用公共数据库全流程复现——从数据清洗到实证分析（用于微观调查数据库）

课程目前已包含：480分钟视频，7.5万字讲解文稿，7800行代码，185万条数据，纯实操，并将持续更新！

• 从零到顶刊：覆盖数据获取→清洗→变量构建→模型分析→结果可视化→论文复现全链条，手把手教你复现顶刊论文。

• 大型数据库全覆盖：CHARLS（老龄化健康）、CFPS（家庭追踪）、CGSS（社会综合调查）、CLHLS（老年健康影响因素）等，满足多学科研究需求。

• 首年6篇已上线：涵盖长期护理险、数字经济、家庭代际转移、慢性肾病、电商进农村、生育意愿等热点课题。
•  每年新增≥6篇：紧跟学术前沿，新增文献选自权威期刊，确保课程内容与时俱进。

• 经典+前沿结合：如复现“长期护理保险对家庭代际转移支付的影响”“电商进村政策实施的就业效应与机制分析”等。
• 代码+数据全公开：提供清洗代码库、变量标签手册、模型调试技巧，助你避开80%的复现陷阱。

• 科研新手：经管、社科、公卫领域硕博生，急需规范实证研究技能

• 高校教师：希望提升论文质量、冲刺SSCI/C刊  

• 数据分析师：需掌握大规模社会调查数据的深度挖掘  

【10篇顶刊论文复现主要内容】

[1]方先明,胡丁.企业ESG表现与创新——来自A股上市公司的证据[J].经济研究,2023,58(02):91-106.

学科领域：环境经济学；创新经济学

主要复刻指标：企业创新；ESG表现；融资约束；员工创新效率；风险承担

主要复刻实证方法：描述性统计+基准回归+稳健性检验（工具变量+Heckman）+异质性分析+两步法机制检验+拓展分析【已完成复现】

[2]文茜,李万利,申志轩.地方政府释放财政压力的微观传导机制：企业盈余管理视角[J].世界经济,2023,46(10):91-114.

学科领域：财政学；会计学

主要复刻指标：财政压力；盈余管理；企业避税；企业投资；企业捐赠

主要复刻实证方法：描述性统计+基准回归+稳健性检验+两步法机制检验+异质性分析

[3]胡楠,薛付婧,王昊楠.管理者短视主义影响企业长期投资吗？——基于文本分析和机器学习[J].管理世界,2021,37(05):139-156+11+19-21.

学科领域：公司治理；文本分析；机器学习

主要复刻指标：管理者短视主义；长期投资；公司治理；分析师关注

主要复刻实证方法：相关性分析+基准回归+稳健性检验（两阶段残差介入法）+中介效应

[4]沈坤荣,乔刚,谭睿鹏.国家级大数据综合试验区设立与就业增长[J].中国工业经济,2024,(12):5-23.

学科领域：政策评估；劳动经济学

主要复刻指标：大数据试验区；就业；地区创业水平；企业生产率；政府补贴

主要复刻实证方法：描述性统计+基准回归+稳健性检验（平行趋势检验+除混淆政策干扰+置换检验+双重差分的异质性处理效应）+两步法机制检验

[5]杜勇,张欢,陈建英.金融化对实体企业未来主业发展的影响:促进还是抑制[J].中国工业经济,2017,(12):113-131.

学科领域：公司金融；会计学

主要复刻指标：金融化；企业未来主业发展；投资效率；实物资本投资

主要复刻实证方法：描述性统计+组间差异检验+基准回归+调节效应+稳健性检验（工具变量+非线性关系+双重聚类调整）+中介效应 

[6]祝树金,申志轩,文茜,等.经济政策不确定性与企业数字化战略：效应与机制[J].数量经济技术经济研究,2023,40(05):24-45.

学科领域：宏观经济学；数字经济学

主要复刻指标： 经济政策不确定性；企业数字化战略；经营成本和经营风险；市场竞争程度

主要复刻实证方法：描述性统计+基准回归+稳健性检验（PSM+工具变量法+双重聚类调整）+两阶段模型机制检验

[7]王文蔚.气候冲击与企业违约风险：基于物理风险的视角[J].世界经济,2025,48(03):90-110.

学科领域：环境经济学；公司金融

主要复刻指标：企业违约风险；气候冲击；实体经营；企业成本转嫁能力；信息披露质量；.转型风险

主要复刻实证方法：描述性统计+基准回归+稳健性检验+三阶段模型机制检验

[8]聂辉华,阮睿,沈吉.企业不确定性感知、投资决策和金融资产配置[J].世界经济,2020,43(06):77-98.

学科领域：公司财务；公司金融

主要复刻指标：企业不确定性感知；金融化；融资成本；相对收益风险比； 

主要复刻实证方法：描述性统计+基准回归+稳健性检验（联合固定效应+工具变量）

[9]叶永卫,陶云清,王琪红,等.税收激励、人力资本投资与企业劳动生产率——来自2018年职工教育经费税前扣除政策的证据[J].数量经济技术经济研究,2023,40(05):136-157.

学科领域：劳动经济学；财政学

主要复刻指标：职工教育经费税前扣除政策；人力资本投资；企业劳动生产率；税收负担；资本密集度+经营绩效+员工工资和劳动收入份额

主要复刻实证方法：描述性统计+基准回归+稳健性检验（平行趋势+安慰剂检验+PSM-DID）+两步法机制

[10]沈坤荣,乔刚,林剑威.智能制造政策与中国企业高质量发展[J].数量经济技术经济研究,2024,41(02):5-25.

学科领域：政策评估；公司金融

主要复刻指标：智能制造政策；TFP；生产经营效率；，信息化能力；人力资本结构; 数字基础设施建设

主要复刻实证方法：描述性统计+基准回归+稳健性检验（平行趋势+安慰剂检验+PSM-DID）+两步法机制+异质性分析

课程内容（售价599元）

第1课：生产理论与模型概述（1-2课时）

• 生产函数的定义与性质

• 生产要素与生产关系

• 生产的规模报酬与规模经济

• 效率概念及其衡量方法

• 经典生产效率模型的构建

• 经典论文复现（包括生产理论相关的经典文献）

第2课：GAMS软件入门与经典模型应用（2课时）

• GAMS软件的基本功能与操作

• 绿色效率模型、结构效率模型、利润效率模型、非凸效率模型的GAMS实现

• 案例分析：利用GAMS进行经典生产效率模型的测算

第3课：新质生产力测算与GAMS应用（2课时）

• 新质生产力的内涵与特征

• 相应测算模型介绍

• 新质生产力测算模型的GAMS构建

• 综合案例分析：利用GAMS进行新质生产力与生产效率的实证分析（尽量选取相关顶刊或知名论文中的医疗案例进行复现）

第4课：DEA方法与GAMS实践（2课时）

• DEA方法的基本原理与步骤

• DEA模型在GAMS中的实现

• 案例分析：利用GAMS进行DEA效率分析

第5课：医疗行业的生产效率分析（2课时）

• 医疗行业生产效率的特点与挑战

• 医疗行业生产效率的GAMS测算模型

• 案例分析：利用GAMS分析医疗行业的生产效率（如医院、诊所等）

第6课：课程总结与未来展望（1-2课时）

• 课程内容回顾与总结

• 综合案例分析：新质生产力与生产

课程内容（售价599元）

第一天：Stata基础操作与传统DID、多期DID

课时1：Stata基础操作

·1.1 Stata软件简介与安装

o1.1.1 Stata软件功能介绍

o1.1.2 Stata软件安装与界面介绍

·1.2 数据管理与操作

o1.2.1 数据导入与导出

o1.2.2 数据清洗与整理

o1.2.3 变量生成与转换

·1.3 Stata基础命令与操作

o1.3.1 常用命令介绍

o1.3.2 数据描述性统计分析

o1.3.3 图形生成与编辑

课时2：传统DID

·2.1 课程导言

o2.1.1 政策评估的重要性与DID方法的引入

o2.1.2 DID方法的基本原理与假设条件

o2.1.3 传统DID方法的适用场景与局限性

·2.2 传统DID模型构建

o2.2.1 潜在结果框架与反事实推断

o2.2.2 DID模型的基本设定与公式表达

o2.2.3 平行趋势假设的解释与重要性

·2.3 传统DID的 Stata实现

o2.3.1  数据准备与预处理

o2.3.2  DID模型的Stata实现步骤

o2.3.3  结果解读与稳健性检验

o2.3.4 案例分析：传统DID在政策评估中的应用

课时3：多期DID（渐进DID）

·3.1 多期DID方法概述

o3.1.1 多期DID与传统DID的区别与联系

o3.1.2 多期DID方法的适用场景与优势

o3.1.3  多期DID模型的基本设定与假设

·3.2 多期DID模型构建

o3.2.1 动态效应模型的引入

o3.2.2 多期DID模型的公式表达与解释

o3.2.3  平行趋势假设在多期情境下的检验

·3.3 多期DID的扩展与高级应用

o3.3.1 安慰剂检验在多期DID中的应用

o3.3.2  三重差分模型（DDD）与多期DID的结合

o3.3.3 例文精读3篇

第二天：DID模型扩展与交叠DID

课时4：PSM-DID与模糊DID 

·4.1 PSM-DID方法详解

o4.1.1  PSM的基本概念与目的 

o4.1.2  PSM在解决选择偏差中的作用

o4.1.3  PSM的假设条件与共同支持检验 

·4.2 PSM-DID例文精读与扩展模型

o4.2.1 经典PSM-DID案例深度剖析

o4.2.2 时变处理效应与持续期的灵活处理

o4.2.3 多期面板数据下的PSM-DID实现

· 4.3 异质性处理效应与模糊DID

o4.3.1  模糊DID估计的理论与实现

o4.3.2  异质性处理效应下的双向固定效应稳健性评估

o4.3.3 例文精读1篇

课时5：空间DID

·5.1 空间DID概述与模型构建

o5.1.1  空间DID的基本假设与适用场景

o5.1.2 空间DID模型构建

·5.2 政策评估的空间效应分解与稳健估计

o5.2.1 政策评估的空间效应分解

o 5.2.2 存在溢出处理效应时的稳健DID估计

·5.3 空间DID例文精读

o5.3空间DID例文精读与实践操作

o5.3.1 例文精读3篇，分析空间DID的应用与解读

o5.3.2 实践操作：使用Stata进行空间DID模型的构建与分析

课时6：交叠DID与DID与合成控制的结合

·6.1 交叠DID应用建议与分解

o6.1.1 交叠DID应用建议与实际案例分析

o6.1.2 交叠DID分解方法与步骤

o6.1.3 文献解读2篇，深入探讨交叠DID的应用

·6.2 三类交叠DID的异质稳健估计

o6.2.1 组别-时期平均处理效应的计算与解释

o6.2.2 插补估计量的原理与应用

o6.2.3 堆叠回归估计量的实现与比较

·6.3 DID与合成控制的结合：合成DID

o6.3.1 合成DID的原理与优势

o6.3.2 使用Stata进行合成DID模型的构建与分析

o6.3.3 实践操作：结合DID与合成控制方法进行政策评估

课程内容（课程售价499元）

• 童年逆境 ACE 指数
• 社会隔离(Social isolation)
• 死亡时间
• 慢性病患病时间
• 前列腺疾病以及绝经问题
• WHTR(腰围身高比)/VAI(内脏脂肪指数)/ABSI(体型指)/BRI(身体圆形指数)/LAP(脂质累积指数)/CI(圆锥指数)/CVAI(中国内脏脂肪指数) /TyG(甘油三酯葡萄糖指数)/ WWI / TyG-WWI / 累积TyG-WWI /TyG_BMI /TyG_WC /TyG_WHtR /eGDR /AIP/RC/RCII/累积RCII /累积RC /累积CRP /CHR(C反应蛋白与高密度脂蛋白胆固醇的比值)/累积CHR / NHHR(非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇的比值)/ CMM(心脏代谢共病)/ MCR(运动-认知风险综合征)等医学变量
• 子女收入(适用于衡量家庭收入或者共同富裕问题)
• 更多常用变量不再详细赘述..........

跨国老年健康公共数据库的开放共享为科研人员提供了“弯道超车”的黄金机会。这些数据库覆盖33个国家，积累数十年追踪数据，支持多维度、跨文化研究，已成为顶刊SCI的“高产田”

真正零基础，由浅入深，集中式培训、循序渐进，全面提升你的研究能力。丰富的案例分析与实战演练，确保你能够学以致用。从零到一的“SCI加速器”，数据处理分析“一站式”解决方案

加入专属学习群、课程永久回放+课程群答疑+1到2周1次统计问题直播答疑，答疑时限1年，课程结束后，确保学习效果，帮助学员提升！

全套资料免费赠送，包括课程PPT和“本课程”所需要的相关数据代码及软件！

第一模块 Python基础知识串讲（4课时）

1、Python编程环境搭建（Anaconda安装；Python之Hello World；第三方模块的安装与使用）

2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）

3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）

4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）

第二模块 Python科学计算（4课时）

1、Matplotlib的安装与图形绘制（数据可视化设计美学、Matplotlib常用函数简介与使用、设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）

2、科学计算模块库（Numpy常用函数简介与使用；Pandas常用函数简介与使用；Scipy常用函数简介与使用）

3、实操练习

第三模块、Python统计分析与可视化 （4课时）

1、统计学基础知识概述（描述统计、统计推断、时空统计）

2、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图等）

3、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）

4、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等）

5、实操练习

第四模块、Python树模型（4课时）

1、机器学习概述、数据预测与预测建模

2、决策树模型（认识树模型；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）；决策树除了建模型之外，还可以帮我们做什么事情？

3、随机森林模型（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？）

4、Bagging与Boosting的区别与联系

5、AdaBoost vs. Gradient Boosting的工作原理

6、常用的GBDT算法框架（XGBoost、LightGBM）

7、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释）

8、部分依赖分析（部分依赖分析的原理、单变量影响分析、双变量交互分析）

9、实操练习

第五模块 因果推断与因果学习（4课时）

1、因果推断概述

2、因果推断范式（潜在因果推断、结构因果推断）

3、因果推断实现（传统方法、机器学习方法）

4、因果机制识别与发现（因果效应估计、非线性因果效应估计、因果作用未来预测）

5、时空因果推断（时空统计概述、时空因果推断、时空因果实现）

6、实操练习

第六模块 Python深度学习（6课时）

1、人工神经网络（人工神经网络概念、底层原理）

2、深度学习模型原理（人工神经网络基础、卷积神经网络、生成对抗神经网络、自编码技术、循环神经网络）

3、深度学习模型实现

4、案例演示与实操

第七模块 典型论文讲解与研究设计复现、答疑与交流（2课时）

1、树模型案例分析与实现

2、深度学习模型案例分析与实现

3、因果学习案例分析与实现

4、课程相关资料拷贝与分享

5、答疑与讨论（大家提前把问题整理好）

1、线性和非线性回归模型（2h）

• 1.1 控制变量选择（前期），什么是好控制变量和坏控制变量？

• 1.2 不同回归模型的选择和适用场景。

• 1.3 普通最小二乘法（OLS）以及怎么在 Stata 中实现和解读？

• 1.4 二元选择模型（Probit、Logit）以及怎么在 Stata 中实现和解读？

• 1.5 多元选择模型（Mlogit）以及怎么在 Stata 中实现和解读？

• 1.6 条件选择模型（Clogit）以及怎么在 Stata 中实现和解读？

• 1.7 岭回归和Lasso回归怎么在 Stata 中实现和解读？

• 1.8 四个回归命令（reg、xtreg、areg、reghdfe）之间的关系，以及reghdfe潜在的优势。

• 1.9 在高维固定效应情况下，线性模型和非线性模型的选择。

• 1.10 线性-线性、半对数、对数-对数回归模型估计系数的经济解释。

• 1.11 异方差稳健标准误以及聚类稳健标准误的选取，以及在不同回归命令下的联系和区别。

• 1.12 潜在的模型设定问题和内生性问题。

2、匹配法（Matching）（1.5h）

• 2.1 为什么使用匹配法？

• 2.2 匹配法的优势和潜在误用。

• 2.3 匹配变量的正确选取。

• 2.4 倾向性匹配法（PSM）以及怎么在 Stata 中实现和解读？

• 2.5 逆概率加权法（IPW）以及怎么在 Stata 中实现和解读？

• 2.6 双重稳健估计（Double Robust Estimator，DRE）以及怎么在 Stata 中实现和解读？

• 2.7 广义精确匹配（CEM）以及怎么在 Stata 中实现和解读？

• 2.8 匹配法文章复现以及类似文章的详解。

3、工具变量法（IV）（2h）

• 3.1 为什么使用工具变量法？

• 3.2 工具变量法的识别假设。

• 3.3 工具变量怎么选取？

• 3.4 工具变量的结果怎么解读？

• 3.5 怎么说明工具变量的有效性？

• 3.6 怎么考虑工具变量的排他性约束假设？

• 3.7 线性工具变量怎么在 Stata 中实现以及解读？

• 3.8 非线性工具变量详解（IV-Probit、IV-Tobit），以及怎么在 Stata 中正确估计偏效应。

• 3.9 在没有合适的工具变量前提下，怎么构造工具变量（Bartik、Granular、Lewbel）？

• 3.10 异质性处理效应（Local Average Treatment Effects，LATE；Marginal Treatment Effects，MTE）。

• 3.11 工具变量文章复现以及类似文章的详解。

• 3.12 赫克曼（Heckman）两步法和处理效应模型（TEM）详解和区别。

4、双重差分方法（DID）（3h）

• 4.1 双重差分法的识别假设。

• 4.2 前定控制变量的选取以及非时变控制变量的处理。

• 4.3 经典DID方法（2×2）以及怎么在 Stata 中实现和解读？

• 4.4 匹配法和经典DID的结合（PSM-DID、IPW-DID）。

• 4.5 经典DID文章复现以及类似文章的详解。

• 4.6 强度/连续（Generalized）DID方法以及怎么在 Stata 中实现和解读？

• 4.7 强度DID文章复现以及类似文章的详解。

• 4.8 队列（Cohort）DID方法以及怎么在 Stata 中实现和解读？

• 4.9 队列DID文章复现以及类似文章的详解。

• 4.10 三重差分方法（DDD）和DID-IV方法。

• 4.11 交错/交叠（Staggered）DID方法基本识别假设条件的讨论。

• 4.12 培根（Goodman-Bacon）分解以及负权重来源。

• 4.13 异质性稳健估计量（csdid、did_imputation、did_multiplegt、eventstudyinteract）详解。

• 4.14 其他常见异质性稳健估计量基本解读。

• 4.15 事件研究法（Event Study）或动态双重差分法（Dynamic DID）。

• 4.16 在一张图中绘制不同的异质性稳健DID估计量。

• 4.17 进入退出型DID的解决方案以及怎么在 Stata 中实现？

5、其他常见因果推断方法（2h）

• 5.1 回归断点设计（RDD）的识别假设、惯用操作以及怎么在 Stata 中实现？

• 5.2 回归断点设计文章复现以及类似文章的详解。

• 5.3 合成控制法（SCM）的适用条件以及怎么在 Stata 中实现？

• 5.4 遗漏变量敏感性分析（Altonji et al.、Bellows and Miguel、0ster、Cinelli and Hazlett）怎么在STATA中实现？

• 5.5 双重机器学习（DML）怎么在 Stata 中实现？

• 5.6 双重机器学习文章复现以及类似文章的详解。

6、中介效应和调节效应分析（2h）

• 6.1 什么是中介效应以及中介效应在机制分析中的适用场景。

• 6.2 什么是调节效应以及调节效应在机制分析中的适用场景。

• 6.3 三步法的基本检验以及怎么在 Stata 中实现？

• 6.4 三步法在机制分析中潜在的问题（bad control）。

• 6.5 因果中介效应以及怎么在 Stata 中实现？

• 6.6 因果中介效应的敏感性分析以及怎么在 Stata 中实现？

• 6.7 中介效应的规范操作。

• 6.8 “赛马效应（horse race）”在机制分析中的作用。

• 6.9 在调节效应分析中好调节变量的选取。

• 6.10 调节效应怎么强化因果关系？

• 6.11 调节效应在机制分析中的理论逻辑。

• 6.12 分组回归和交互项回归的区别。

• 6.13 分组回归中组间系数差异检验（bdiff）以及怎么在 Stata 中实现？

• 6.14 分组回归中组间系数差异检验简单计算方法（Fan et al.，2021，AEJ）

• 6.15 交互项回归中主系数不显著但有趣的解释。

• 6.16 调节效应去中心化的误用和正确理解。

• 6.17 规范的中介效应和调节效应怎么在 Stata 中实现？

7、如何快速完成一篇实证论文的经验之谈（2h）

• 包括但不限于论文主题、数据库的选取、代码程序、方法应用、实证结果展示、论文撰写等等