1、培訓(xùn)過(guò)程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽(tīng)；
       2、課程完成后,授課老師留給學(xué)員手機(jī)和Email,保障培訓(xùn)效果,免費(fèi)提供半年的技術(shù)支持。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)?！詈细駥W(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升職業(yè)資質(zhì)。專注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書受到廣泛認(rèn)可。

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(jì)量原理的基礎(chǔ)。
第二講，Stata快速入門。
及時(shí)地介紹Stata知識(shí)，以O(shè)LS在Stata的實(shí)現(xiàn)作為入門，體會(huì)Stata的簡(jiǎn)單與強(qiáng)大。
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(jiàn)難題，而工具變量法是解決內(nèi)生性的利器，包括2SLS、GMM、控制函數(shù)法（Control Function）。
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，包含內(nèi)生變量的ivprobit等。
第五講，靜態(tài)面板。
面板數(shù)據(jù)由于能控制個(gè)體異質(zhì)性（heterogeneity），緩解遺漏變量偏差，在實(shí)踐中越來(lái)越重要。靜態(tài)面板是最常見(jiàn)的面板，包括固定效應(yīng)、隨機(jī)效應(yīng)、時(shí)間效應(yīng)、雙向固定效應(yīng)等。
第六講，動(dòng)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(dòng)態(tài)面板也因?yàn)榭勺詭Чぞ咦兞慷鴳?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。
第七講，門限回歸。
發(fā)展中國(guó)家與發(fā)達(dá)國(guó)家的經(jīng)濟(jì)規(guī)律可能不同，而門限回歸（Threshold Regression）提供了對(duì)此類現(xiàn)象進(jìn)行嚴(yán)格統(tǒng)計(jì)推斷的方法，包括橫截面與面板模型的門限回歸。
第八講，非參數(shù)與半?yún)?shù)估計(jì)。
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(jì)量工具箱，包括核密度估計(jì)、非參數(shù)回歸與半?yún)?shù)回歸等。
第九講，隨機(jī)實(shí)驗(yàn)、自然實(shí)驗(yàn)與雙重差分法。
實(shí)驗(yàn)方法因其可信度而日益興起，包括隨機(jī)實(shí)驗(yàn)、第一類與第二類自然實(shí)驗(yàn)。雙重差分法（Difference-in-Differences）利用面板數(shù)據(jù)的優(yōu)勢(shì)，可克服部分內(nèi)生性，是研究政策或項(xiàng)目處理效應(yīng)（treatment effects）的主要工具。包括雙重差分法、平行趨勢(shì)假設(shè)、三重差分法等。
第十講，傾向得分匹配（PSM）與異質(zhì)性工具變量法（LATE）。
基于反事實(shí)的框架，根據(jù)個(gè)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(jì)，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）、雙重差分傾向得分匹配等。基于反事實(shí)框架的異質(zhì)性工具變量法（LATE）。
第十一講，控制變量與因果圖。
核心變量與控制變量的本質(zhì)區(qū)別。選擇合適的控制變量是計(jì)量分析的重要步驟，而因果圖方法（Causal Directed Acyclic Graph）提供了一個(gè)清晰的思考框架。
第十二講，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(yàn)，日益為研究者所青睞。包括精確斷點(diǎn)回歸、模糊斷點(diǎn)回歸、精確拐點(diǎn)回歸與模糊拐點(diǎn)回歸。
第十三講，大數(shù)據(jù)與機(jī)器學(xué)習(xí)。
大數(shù)據(jù)與高維回歸等機(jī)器學(xué)習(xí)（Machine Learning）方法正迅速成為經(jīng)濟(jì)學(xué)家的常用工具。本講介紹Lasso、Ridge Regression、Elastic Net、Post Lasso、Post Double Lasso、主成分分析、因子分析等機(jī)器學(xué)習(xí)方法。
第十四講，合成控制法（Synthetic Control Method）。
在評(píng)價(jià)某處理地區(qū)的政策效應(yīng)時(shí)，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(duì)比，這是估計(jì)處理效應(yīng)的新興強(qiáng)大方法。包括合成控制法的統(tǒng)計(jì)推斷與穩(wěn)健性檢驗(yàn)等。
第十五講，回歸控制法（Regression Control Method）。
與合成控制法類似，但使用回歸法來(lái)構(gòu)造合成控制地區(qū)（Hsiao et al., 2012），比合成控制法更為簡(jiǎn)單易行。
第十六講，交互固定效應(yīng)。
交互固定效應(yīng)（interactive fixed effects）為目前面板數(shù)據(jù)最活躍的研究前沿，它將傳統(tǒng)的雙向固定效應(yīng)進(jìn)一步推廣，充分考慮到現(xiàn)實(shí)經(jīng)濟(jì)常存在多維沖擊（shocks或factors），而不同個(gè)體對(duì)這些沖擊的反應(yīng)力度不同（factor loading）。
第十七講，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)回歸則可研究在給定X的情況下，Y的整個(gè)條件分布Y|X，從而揭示更多信息。
第十八講，空間計(jì)量經(jīng)濟(jì)學(xué)。
傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)通常忽略橫截面單位的空間分布與相互影響，而空間計(jì)量經(jīng)濟(jì)學(xué)（Spatial Econometrics）則是考察