第一講，OLS及其標(biāo)準(zhǔn)誤

著重介紹小樣本與大樣本OLS，以及相應(yīng)的普通標(biāo)準(zhǔn)誤、異方差穩(wěn)健標(biāo)準(zhǔn)誤、異方差自相關(guān)穩(wěn)健標(biāo)準(zhǔn)誤、聚類穩(wěn)健標(biāo)準(zhǔn)誤、自助標(biāo)準(zhǔn)誤（bootstrap standard errors）。深切理解OLS的原理與適用條件，是一切計量原理的基礎(chǔ)。OLS拓展主題：虛擬變量、交互項、核心變量與控制變量的區(qū)別（控制變量的內(nèi)生性）。

案例：改革開放的結(jié)構(gòu)變動；紅薯與旱災(zāi)的交互項；校外學(xué)習(xí)機(jī)會的代理變量。

第二講，Stata快速入門

及時地介紹Stata知識，以O(shè)LS在Stata的實(shí)現(xiàn)作為入門，體會Stata的簡單與強(qiáng)大。
案例：美國電力企業(yè)的規(guī)模效應(yīng)；冰淇淋的需求。

第三講，工具變量法

由于雙向因果、遺漏變量、度量誤差的普遍存在，內(nèi)生性是實(shí)證研究的常見難題，而工具變量法是解決內(nèi)生性的利器，包括2SLS、GMM、近乎外生的IV、控制函數(shù)法（Control Function）。

案例：殖民者死亡率與制度；出生季度與教育年限；經(jīng)濟(jì)增長與非洲內(nèi)戰(zhàn)；國企改革的作用；警察與犯罪率；看電視與小兒自閉癥；美國年輕男子的教育回報。

第四講，二值選擇模型

被解釋變量為虛擬變量的二值選擇模型有著廣泛的應(yīng)用。包括Probit，Logit，MLE，QMLE，ivprobit，二元Probit，以及二值選擇模型中的交互效應(yīng)等。
案例：美國婦女的就業(yè)。

第五講，靜態(tài)面板

面板數(shù)據(jù)由于能控制個體異質(zhì)性（heterogeneity），緩解遺漏變量偏差，在實(shí)踐中越來越重要。靜態(tài)面板是最常見的面板，包括固定效應(yīng)、隨機(jī)效應(yīng)、時間效應(yīng)、雙向固定效應(yīng)、個體時間趨勢、交互固定效應(yīng)（interactive fixed effects）等。
案例：美國交通死亡率，nlswork數(shù)據(jù)。

第六講，動態(tài)面板

經(jīng)濟(jì)現(xiàn)象常具有某種慣性或部分調(diào)整，即被解釋變量的滯后值出現(xiàn)在方程右邊。動態(tài)面板也因為可自帶工具變量而應(yīng)用廣泛。包括面板工具變量法（Panel IV）、差分GMM、水平GMM與系統(tǒng)GMM等。
案例：美國工人的工資決定。

第七講，非參數(shù)與半?yún)?shù)估計

非參與半?yún)⒎椒ǎ∟onparametric and Semiparametric Estimations）由于其穩(wěn)健性而日益進(jìn)入標(biāo)準(zhǔn)的計量工具箱，包括核密度估計、非參數(shù)回歸與半?yún)?shù)回歸等。
案例：交互效應(yīng)的設(shè)定誤差；摩托車撞擊實(shí)驗；美國電力企業(yè)的規(guī)模效應(yīng)。

第八講，隨機(jī)實(shí)驗與自然實(shí)驗

實(shí)驗方法因其可信度而日益興起，包括隨機(jī)實(shí)驗、第一類與第二類自然實(shí)驗。
案例：勞動力市場的三個經(jīng)典田野實(shí)驗；最低工資立法與勞動力需求；越戰(zhàn)老兵的長期收入。

第九講，雙重差分法（Difference in Differences）

雙重差分法（Difference-in-Differences）利用面板數(shù)據(jù)的優(yōu)勢，可克服部分內(nèi)生性，是研究政策或項目處理效應(yīng)（treatment effects）的主要工具。包括雙重差分法、平行趨勢假設(shè)、多期異時DID、廣義DID、三重差分法等。
案例：倫敦霍亂的自然實(shí)驗；大蕭條貨幣政策與銀行數(shù)量；最低工資立法與勞動力需求；銀行管制放松與收入分配（Big Bad Banks）；茶葉價格與性別比例；廢除科舉與革命起義；人工智能與國際貿(mào)易。

第十講，匹配估計量（Matching Estimators）

基于反事實(shí)的框架，根據(jù)個體進(jìn)入處理組的概率（即傾向得分）尋找最佳替身進(jìn)行匹配估計，這是研究處理效應(yīng)的一種深邃思想與方法。包括傾向得分匹配（Propensity Score Matching）、偏差校正的馬氏匹配（Bias-corrected Mahalanobis Matching）、粗糙化精確匹配（Coarsen Exact Matching）、雙重差分傾向得分匹配（PSM-DID）等。

案例：就業(yè)培訓(xùn)的處理效應(yīng)；最低工資立法與勞動力需求。

第十一講，斷點(diǎn)回歸（Regression Discontinuity Design）與拐點(diǎn)回歸（Regression Kink Design）

由于在斷點(diǎn)附近存在局部隨機(jī)分組，故斷點(diǎn)回歸的效力接近于隨機(jī)實(shí)驗，日益為研究者所青睞。內(nèi)容包括精確斷點(diǎn)回歸、模糊斷點(diǎn)回歸、密度（操縱）檢驗、穩(wěn)健性檢驗、拐點(diǎn)回歸等。
案例：淮河以北冬季燃煤取暖與人均壽命；扶貧政策的效應(yīng)；買房落戶與戶口價值；美國參議院選舉的在位者優(yōu)勢；獎學(xué)金與大學(xué)入學(xué)；失業(yè)保險與失業(yè)期限。

第十二講，合成控制法（Synthetic Control Method）

在評價某處理地區(qū)的政策效應(yīng)時，將控制地區(qū)進(jìn)行最優(yōu)的線性組合，以構(gòu)造合成控制地區(qū)進(jìn)行對比，這是估計處理效應(yīng)的新興強(qiáng)大方法。包括合成控制法的原理、算法、安慰劑檢驗、穩(wěn)健性檢驗等。
案例：西班牙巴斯克地區(qū)恐怖活動的經(jīng)濟(jì)后果；加州控?zé)煼ǖ某尚А?/span>

第十三講，回歸控制法（Regression Control Method）

與合成控制法類似，但使用回歸法來構(gòu)造合成控制地區(qū)（Hsiao et al., 2012），比合成控制法更為簡單易行。
案例：中國香港回歸以及與中國內(nèi)陸經(jīng)濟(jì)整合的效應(yīng)；四萬億經(jīng)濟(jì)刺激的效應(yīng)；上海與重慶房產(chǎn)稅試點(diǎn)的效應(yīng)。

第十四講，異質(zhì)性處理效應(yīng)（Heterogeneous Treatment Effects）

本講包括異質(zhì)性工具變量法的局部平均處理效應(yīng)（LocalAverage Treatment Effect，簡記LATE），以及雙向固定效應(yīng)模型的異質(zhì)性處理效應(yīng)（de Chaisemartin and D'Haultfoeuille, 2020）、模糊雙重差分法（fuzzy DID）等。
案例：就業(yè)培訓(xùn)項目的不完全遵守（imperfect compliance）；越戰(zhàn)老兵的長期收入；報紙數(shù)量與大選投票率。

第十五講，分位數(shù)回歸

線性回歸只是研究在給定X的情況下，Y的條件期望E(Y|X)；而分位數(shù)回歸（Quantile Regression）則可研究在給定X的情況下，Y的整個條件分布Y|X，從而揭示更多重要信息。內(nèi)容包括分位數(shù)回歸、分位數(shù)處理效應(yīng)、工具變量法、面板數(shù)據(jù)的分位數(shù)回歸、分位數(shù)控制法（quantile control method）等。

案例：恩格爾的食品開支數(shù)據(jù)；美國年輕男子的教育回報；距大學(xué)遠(yuǎn)近與教育回報；美國交通死亡率。