第一本：Machine Learning for Econometrics 这是瑞士日内瓦大学的Christophe Gaillac与对冲基金量化研究员Jérémy L'Hour合著的教材。《Machine Learning for Econometrics》由牛津大学出版社（OUP）于2025年出版。
Christophe Gaillac：日内瓦大学经济与管理学院（GSEM）副教授，曾任牛津大学与纳菲尔德学院博士后研究员，博士毕业于图卢兹经济学院（TSE）。 Jérémy L'Hour：总部位于巴黎的系统化对冲基金Capital Fund Management（CFM）量化研究员，博士毕业于巴黎-萨克雷大学（CREST-ENSAE）。他与Alberto Abadie合作提出了惩罚合成控制估计量（ JASA , 2021），合成控制正是他的研究主场。
两位作者都出自法国CREST-ENSAE，2023年曾在Economica出版社（ENSAE系列）出版法文教材《Machine Learning pour l'économétrie》，本书与之一脉相承，可视为其英文版。
这本书适合哪些读者？
这本书写给想掌握现代机器学习技术、并用它从数据中建立因果关系的经济学家。它适合已经学过计量经济学、懂识别与推断，现在想系统补齐ML的硕博研究生和青年教师；也适合需要处理高维数据、文本数据的实证研究者。
这本书凭什么值得读？
1.定位是计量里的ML，不要当成通用ML。
全书在计量方法与现代ML之间搭桥，既讲ML的预测能力，也讨论如何借助它更可信地推断因果关系；对每种ML方法都给出完整的理论处理，再落到经济学和计量应用上。
2.例子几乎都是计量课堂上的名场面。
从配套代码看，书中的实证例子大量复现经典论文，例如LaLonde职业培训、Angrist-Krueger出生季度工具变量、Card教育回报、BLP汽车需求、Nevo谷物需求、JTPA培训项目、Abadie等人的加州控烟法案。读者熟悉这些数据，就能把注意力集中在ML到底改变了什么上。
3.每章都有实证例子、程序和练习。
每章配有实证示例、程序与练习，章末有思考题；全书最后有独立的Exercises部分（第15章）。GitHub上同步给出了章末思考题参考答案和一份12页的习题解答PDF。
4.可以跳着读。
作者给出了章节依赖图（见下图，箭头表示前者是后者的预备知识），第2、3章是预备知识，不在主线上；读者可以直接从第4章（高维）、第8章（异质性）、第12章（文本）开始，也可以直接读第四部分的任意一章。
依赖关系可以概括为三条主线，即高维线 4 → 5 → 6，另有4 → 7、4 → 11；异质性线 4/5 → 8 → 9；文本线 12 → 13 → 14。合成控制（第10章）只依赖第3章的因果推断基础。
全书共15章，第1章为导论，其余14章分属6个部分，以下按出版社目录整理。
第1章Introduction（导论）
第一部分：Statistics and Econometrics Prerequisites（统计与计量预备知识）
第2章Statistical tools（统计工具） 第3章Causal inference（因果推断）
第二部分：High-dimension and variable selection（高维与变量选择）
第4章Post-selection inference（选择后推断） 第5章Generalization and methodology（推广与方法论） 第6章High dimension and endogeneity（高维与内生性） 第7章Going further（进阶拓展）
第三部分：Treatment effect heterogeneity（处理效应异质性）
第8章Inference on heterogeneous effects（异质性效应的推断） 第9章Optimal policy learning（最优政策学习）
第四部分：Aggregated data and macroeconomic forecasting（加总数据与宏观预测）
第10章The synthetic control method（合成控制法） 第11章Forecasting in high-dimension（高维预测）
第五部分：Textual data（文本数据）
第12章Working with text data（处理文本数据） 第13章Word embeddings（词嵌入） 第14章Modern language models（现代语言模型）
第六部分：Exercises（练习）
第15章Exercises（习题）
书籍里的经典内容如下，
①选择后推断的陷阱（第4章）。 配套代码复现了Leeb与Pötscher（2006）的经典结论，先做变量选择、再做OLS，得到的估计量分布不再是正态的，常规置信区间会失效。这是理解为什么不能简单地先LASSO再回归的关键一课。
②双重选择与正则化偏误（第5章）。按Belloni、Chernozhukov与Hansen的思路，用模拟展示单次LASSO选择带来的正则化偏误，以及双重选择如何修正它。
③LaLonde职业培训数据（第5.5节）。以NSW实验估计为基准，再用非实验的PSID对照组跑带交叉拟合（cross-fitting）的DML，比较哪种估计更接近实验结果。这是检验观测数据方法的经典考场。
④高维工具变量（第6章）。复现Angrist-Krueger出生季度数据（大量工具变量）、Card教育回报中的工具变量选择，以及BLP汽车需求、Nevo谷物需求这两个IO经典需求估计（参照Chernozhukov、Hansen、Spindler 2015年 AER P&P ）。
⑤合成控制（第10章）。复现Abadie、Diamond与Hainmueller（2010）的加州控烟法案（Proposition 99）研究，并配有Fisher置换检验的模拟。
书里的一些前沿内容如下，
① 面板数据中的高维IV（第7章）。用 plm 包里的县级犯罪面板数据，演示面板情形下的高维工具变量，并用模拟比较cluster LASSO在IV-DML中的表现。
② 异质性处理效应与政策学习（第8—9章）。用JTPA培训项目数据跑广义随机森林（ grf ），估计谁从培训中获益更多；再用 policytree 学习最优分配规则，回答应该培训谁。第8章还有R-learner的模拟示例。
③ 用新闻文本做宏观即时预测（第11章）。用FRED上的实际GDP、非农就业、芝加哥联储全国活动指数（CFNAI）、费城联储ADS景气指数，加上Bybee、Kelly、Manela与Xiu构建的新闻主题关注度数据，用稀疏组LASSO（sparse group LASSO）和SVD+岭回归对美国GDP做nowcasting；R版用 midasml 处理混频数据。
④ 文本数据三部曲（第12—14章）。从分词、去停用词、词干化（NLTK），到用fastText预训练词向量刻画国家—首都关系、性别轴和社会阶层轴（把运动、职业等词投影到两条轴上），再到BERT分词器（例句是美联储议息和欧央行不惜一切代价的名言）。
配套代码能不能直接跑？
仓库 jeremylhour/ml4econometrics按章节分文件夹，Python Jupyter Notebook与R脚本各占一部分，另附一个小型Python工具包（ ml4econometrics ，内含OLS、LASSO、Belloni-Chernozhukov-Hansen惩罚的LASSO、Logit-LASSO等），用 pip install -e . 安装即可。
出版社页面：https://global.oup.com/academic/product/machine-learning-for-econometrics-9780198918837
第二本：Causal Inference and Machine Learning: In Economics, Social, and Health Sciences 这是两位加拿大经济学家Mutlu Yuksel与Yigit Aydede合著的大部头。《Causal Inference and Machine Learning: In Economics, Social, and Health Sciences》由 Chapman & Hall / CRC 出版，版权年份为2026年。
这本书有免费的完整在线版（causalmlbook.com，用bookdown制作），R代码直接嵌在正文里，可以边读边复制运行。
Mutlu Yuksel：加拿大达尔豪斯大学（Dalhousie University）经济学教授，应用微观经济学家，研究涉及劳动、健康与发展经济学，近期工作把机器学习和高维数据用于复杂政策问题；曾获教学奖，是ML Portal的联合创始人。 Yigit Aydede：加拿大圣玛丽大学（Saint Mary's University）Sobey经济学讲席教授，研究方向是计量经济学、机器学习与人工智能的交叉；同时是Nova Scotia Health的附属科学家，Novastorms.ai与ML Portal的联合创始人。他2023年还出版过Machine Learning Toolbox for Social Scientists: Applied Predictive Analytics with R，本书可以看作那本预测工具箱的因果推断续篇。
这本书适合哪些读者？
它主要面向技术背景有限的应用研究者、学生和从业者。前言把读者分成五类，包括本科与硕士生、博士生与青年研究者、想用它开课的教师、业界与政府分析师，以及会R或Python的读者（但不要求有编程基础）。
这本书凭什么值得读？
1.从因果推断的角度讲ML。很多人说，我懂因果推断，也懂机器学习，但没人讲清楚怎么用ML回答因果问题。这本书就置于两者之间，把ML当工具，讲清楚预测什么时候能帮助因果推断、什么时候帮不上。
2.每个方法都配模拟，真值已知。前言强调，从OLS偏误到双重机器学习，每个概念都会展示估计量在真值已知时的表现。这样读者可以亲眼看到识别失败和模型设定错误的后果。
3.不只调包，还拆开讲包里在做什么。作者说，多数教材停在调用现成包、解读结果，本书会进一步展示程序从原始数据到算法决策的每一步。例如第13章一步步手算决策树的第一次、第二次分裂，第19章从FWL定理一路推到DML。
4.配套资源非常丰富。配套网站提供数字版全书、一本含300多道分章练习的习题册、75个以上政策/商业/研究案例，以及书中用到的数据集和R包、互动工具、教学幻灯片、Shiny应用和AI辅助学习模块；R代码的Python版本也在陆续补充。
全书共32章，为便于阅读，下面按内容把章节分为五个模块（模块划分为本文整理，章节标题来自出版社目录），并标出在线版中的关键小节和示例。
模块一（基础）：从数据到因果，从误差到过拟合
第1章Introduction——预测与估计的区别、ML与计量的互补关系、模拟的作用
第2章From Data to Causality——从相关、回归到因果效应
第3章Learning Systems
第4章Error——估计误差、效率、均方误差（MSE）、预测误差（MSPE）
第5章Bias-Variance Trade-off——多项式回归模拟
第6章Overfitting——样本外与样本内MSPE
模块二：估计、调参与模型选择
第7章Parametric Estimation - Basics——线性概率模型vs Logit
第8章Nonparametric Estimations - Basics——核密度估计、核回归、带宽选择
第9章Hyperparameter Tuning——k折交叉验证、网格搜索
第10章Classification——kNN，示例为手写数字 数据 mnist_27 ；混 淆矩阵、Kappa、Youden's J、ROC/AUC
第11章Model Selection and Sparsity——AIC/BIC、逐步回归、稀疏性与oracle性质
模块三：预测型机器学习
第12章Penalized Regression Methods——岭回归、LASSO（坐标下降与LARS）、自适应LASSO、弹性网
第13章Classification and Regression Trees (CART)——手算分裂，再用 rpart 实现与剪枝
第14章Ensemble Learning and Random Forest——Bagging、袋外误差，示例为Titanic数据（分类）和Hitters数据（回归）， randomForestExplainer
第15章Boosting——GBM、AdaBoost、XGBoost
模块四：因果推断与机器学习（全书核心）
第16章Counterfactual Framework——Rubin因果模型、选择偏误与异质性处理效应偏误
第17章Randomized Controlled Trials——随机化推断、回归调整、Fisher随机化检验
第18章Selection on Observables——条件独立假设、共同支撑
第19章Double Machine Learning——DML1与DML2、插入式（plug-in）惩罚的LASSO、基于决策树和随机森林的DML，从FWL定理到DML的推导、去偏LASSO
第20章Matching Methods——PSM、平衡性检验，用XGBoost估计倾向得分 再接入 MatchIt
第21章Inverse Weighting and Doubly Robust Estimation——IPW、AIPW及其双重稳健性推导
第22章Selection on Unobservables and DML-IV——弱工具变量，以及用LASSO和随机森林实现的DML-IV
第23章Heterogeneous Treatment Effects——交互项、随机系数模型、DML估计CATE、核方法
第24章Causal Trees and Forests——诚实因果树、广义随机森林 （ grf ）
第25章Meta Learners for Treatment Effects——S-、T-、X-、R-、DR-learner，CATE与个体处理效应的区别
第26章Difference in Differences and DML-DiD——双向固定效应、事件研究、DiD中的异质性效应、DML-DiD及其多期扩展、时变连续处理
第27章Synthetic DiD and Regression Discontinuity——合成控制、广义合成控制（GSCM）、增广合成控制（ASCM）、合成DiD、断点回归模拟
模块五：时间序列、深度学习与数学工具
第28章Time Series Forecasting——ARIMA、Hyndman-Khandakar自动定阶算法、Box-Cox变换
第29章Direct Forecasting with Random Forests——时间序列嵌入、VAR递推预测、滚动与扩展窗口
第30章Neural Networks & Deep Learning——反向传 播、 keras （R与Python两种写法）、Keras Tuner、PyTorch
第31章Matrix Decomposition and Applications——特征分解、SVD、Moore-Penrose广义逆、PCA、因子分析
第32章Optimization Algorithms - Basics——梯度下降、随机梯度下降，以及用最大似然估计Logit
经典内容包括，Rubin因果模型、RCT与Fisher随机化推断、PSM与IPW、工具变量与弱工具、断点回归、ARIMA、PCA与因子分析。这些是任何一本计量教材都会讲的，但本书都配了R模拟，适合作为补课材料。
前沿内容比如，
①DML讲得特别细（第19、22章）。不止调用现成包，还手写DML1和DML2的每一步，比较交叉验证选惩罚与插入式惩罚，再换成决策树、随机森林作为第一步学习器；第22章把同样的思路推广到工具变量（DML-IV）。附录式的从FWL到DML的推导，对熟悉partialling out的计量读者非常友好。
②元学习器全家桶（第25章）。S/T/X/R/DR五种learner逐一用模拟比较，在同类教材中覆盖得比较完整。
③DID的新进展（第26—27章）。从TWFE、事件研究讲到DiD中的异质性处理效应问题，再到DML-DiD的多期扩展和时变连续处理；合成控制部分覆盖了GSCM、ASCM和合成DiD。前言说，书中方法吸收了截至2025年的最新论文。
④ML版的匹配（第20章）。用XGBoost估计倾向得分，再交给 MatchIt 做匹配，是预测工具服务于因果推断的一个直接例子。
全书R代码直接写在在线版正文中，读者可以复制运行。作者在GitHub上建了mutluyuksel/causalmlbook仓库，但截至2026年10月仓库里只有README，代码请以在线版为准。在线版涉及的R包包括 rpart 、 randomForest 、 randomForestExplainer 、 xgboost 、 caret 、 ROCR 、 pROC 、 MatchIt 、 grf 、 keras 等。
出版社页面：https://www.routledge.com/Causal-Inference-and-Machine-Learning-In-Economics-Social-and-Health-Sciences/Yuksel-Aydede/p/book/9781032820415
第三本：Deep Learning Models for Economic Research 这是波兰弗罗茨瓦夫经济与商业大学Andrzej Dudek教授的专著。《Deep Learning Models for Economic Research》由 Routledge 出版，收入Routledge Studies in Economic Theory, Method and Philosophy丛书，精装版于2025年10月上市。
Andrzej Dudek是波兰弗罗茨瓦夫经济与商业大学（Wrocław University of Economics and Business）计算机科学与计量经济学系教授，发表科研成果100余篇，参与开发过多个用于经济数据分析的R和Python包（R中的聚类分析包 clusterSim 即由他和Marek Walesiak合作开发），2025—2026年任波兰统计学会数据分析分会理事会主席。
这本书适合哪些读者？
出版社列出的读者是经济学家、数据科学家，以及希望深入理解AI在经济建模中作用的专业人士；同时它也适合想了解机器学习如何改变经济分析的非专业读者。
全书目录一览。
第1章Quantitative methods in economics: Deep learning models applications（经济学中的定量方法：深度学习模型的应用）
第2章Deep learning model techniques（深度学习模型技术）
第3章Regression and discrimination problems with deep neural networks（用深度神经网络做回归与判别）
第4章Explanatory model analysis for deep learning models（深度学习模型的解释性分析）
第5章Time series analysis and forecasting with deep learning models（用深度学习做时间序列分析与预测）
第6章Sentiment analysis and text mining with deep learning models（用深度学习做情感分析与文本挖掘）
第7章Other applications of deep learning models（深度学习模型的其他应用）
经典内容包括本书从聚类分析、回归、判别分析、因子分析等经济学常用的定量方法讲起（第1、3章），再讨论深度学习如何增强这些方法。对多元统计出身的读者来说，这种从熟悉的方法出发的写法门槛较低。
前沿内容比如，
① 三大类深度网络。循环神经网络（RNN）、卷积神经网络（CNN）和Transformer，分别对应时间序列、图像/结构化特征和文本。
② 可解释性（第4章）。专门介绍LIME（局部可解释的模型无关解释）和SHAP（Shapley加性解释），用来回答模型为什么这样预测。在实证论文中说服审稿人时，这一点尤为重要。
③ 四个落地案例。欺诈检测、情感分析、股价预测和通胀因素分析。
出版社介绍称，书中例子附完整的Python代码和数据集访问方式。想先找能直接运行的深度学习代码，可以搭配Melissa Dell的EconDL网站，那里提供了现成的演示notebook。
Melissa Dell 2025年发表在Journal of Economic Literature（第63卷第1期）上的综述Deep Learning for Economists，讲解了分类器、回归模型、生成式AI和嵌入模型在文本与图像数据中的应用，并配有持续更新的网站EconDL（econdl.github.io）。可以与本书对照阅读，综述帮你建立全景，本书帮你动手实现。
出版社页面：https://www.routledge.com/Deep-Learning-Models-for-Economic-Research/Dudek/p/book/9781041062707 EconDL：https://econdl.github.io/
第四本：Machine Learning for Econometrics and Related Topics（编辑卷） 
