R語言與應用計量經濟學-經管類小夥伴如何上手

雖然計量經濟學和統計學關係密切，但是兩者存在較大的差異性。

應用計量經濟學主要是研究經濟變數之間的關係，並且努力證明其為因果關係。這也是為什麼現在在經管類實證研究文獻中基於自然實驗（Natural Experiment）的經驗研究非常流行的原因。

除了學科本身的差異以外，兩個群體用的工具也存在較大的差異。應用計量經濟學的人較多的是用Stata，統計學的人較多的是用R。

R語言的優點在網上有很多，如可以操作多個數據集和對象、Rstudio提供良好的開發環境、豐富的畫圖包，靜態的ggpot2，互動式的plotly、號稱操作100GB數據的data.table、可以生成動態報告的rmarkdown……在大數據的熱潮中，微軟加盟R語言社區，還專門發行了增強版的R語言MRO，並且在自己的產品中嵌入R。

R語言這麼厲害，當然也會被引入到應用計量經濟學中。Kleiber and Zeileis（2008）寫了一份小冊子Applied Econometrics with R，這個算是比較早專門介紹R語言在應用計量經濟學中的使用。

Zeileis and Koenker（2008）在JSS上寫了一篇文章，名字非常帶感Econometrics in R: Past, Present, and Future。這麼多年過去了，當年的Future已經是Present，只是現在這個Present估計還沒有達到他們當年的預期。

R語言社區在CRAN Task View設立一個Econometrics，包的種類挺豐富：Basic linear regression、Microeconometrics、Instrumental variables、Panel data models、Further regression models、Time series data and models、Data sets和Miscellaneous。

面對眼花繚亂的包、風格迥異的操作，沒有老司機帶路，新手不敢上路呀。所以一般的新手紛紛奔向Stata陣營去了。因為圍繞著Stata講應用計量經濟學的教程實在是太多了。

（摘自「知乎專欄」 Cheng. Jun）

經管類小夥伴如何上手R

10月3-6日四天

【R語言計量經濟學應用】現場班

培訓時間：2017年10月3-6日（四天）

培訓地點：北京市海淀區廠窪街3號丹龍大廈

培訓費用：3200元/2600元 (僅限全日制在讀本科生和碩士研究生);食宿自理

授課安排：上午9:00至12:00; 下午1:30至4:30; 答疑4:30至5:00

講師簡介：

閻老師，長期從事數據分析的理論研究、教學和實踐工作。

長期關注各類統計軟體的發展和國內外各行業的應用情況，一直保持著與統計應用前沿的密切接觸，在數據挖掘應用、市場研究應用等領域經驗豐富。

擅長企業數據分析和企業診斷，參與多項國家級、省級課題的科研工作，曾任多家電商企業的運營顧問和培訓師，積累了大量實戰經驗。

課程介紹：

這門課程的目的，正是希望能夠藉助R語言來處理實際計量經濟學數據，以更好地感受計量經濟學的實際應用效果。

在這門課程的學習過程中，基本不會出現大量晦澀的專業術語，也不會有大篇幅的公式推導和運算，我們希望用最樸素的語言和最直觀的案例幫助大家理解各類計量模型的應用條件與計算結果，因此對計量經濟學基礎的要求並不高；同時，儘管R語言不是一項能夠通過菜單操作就獲得結果的編程語言，但由於她有著異常強大的擴展庫，因此對編程基礎的要求同樣近乎於零。

課程大綱：

第一部分R語言快速入門

目標：作為一門應用課程的開篇，這一部分並不會出現艱澀的代碼操作，有的只是最實用的語法介紹和應用技巧。

1. 數據：構建模型的基本單元

1.1 列表

1.2 數據框

1.3 外部數據導入與格式轉換

2. 函數體：呈現邏輯的基本框架

2.1 if…else 條件語句

2.2 for & while 循環語句

2.3 function定義函數

第二部分截面數據的分析方法

目標：從最簡單也是要求最苛刻的OLS切入，在不斷放寬基本假定的過程中陸續引入其他計量模型，以理解不同模型的應用條件，並使用R語言實現對各類模型的擬合。

3. 連續因變數模型

3.1 單純的一元回歸

3.2 現實的多重回歸

3.2.1 多元線性回歸

3.2.2 多項式回歸

3.3 細節處理

3.3.1 異方差

3.3.2 自相關

3.3.3 使用虛擬變數

4. 專題討論1：多重共線性問題的解決

4.1 逐步回歸

4.2 主成分分析與因子分析

5. 專題討論2：內生性問題的解決

5.1 兩階段最小二乘法

5.2 廣義矩估計

6. 離散因變數模型

6.1 二分類概率回歸與邏輯回歸

6.2 多分類邏輯回歸

6.3 定序變數回歸

7. 受限變數模型

7.1 斷尾數據回歸

7.2 刪截數據回歸

7.3 樣本選擇模型

第三部分時間序列數據的分析方法

目標：從最簡單的單變數平穩時間序列入手，逐步深入，內容涵蓋ARMA、VARMA、ARCH、GARCH等模型。

8. 單變數時間序列模型

8.1自回歸模型

8.2 移動平均模型

9. 多變數時間序列

9.1 向量誤差修正模型

9.2 向量自回歸模型

9.3 向量移動平均模型

10. 條件異方差模型

10.1 自回歸條件異方差模型

10.2 廣義自回歸條件異方差模型

第四部分面板數據的分析方法

目標：從最常見的靜態面板入手，逐步深入，內容涵蓋固定/隨機效應模型、分層線性模型、動態面板等內容。

11. 連續因變數靜態面板數據模型

11.1 混合回歸模型

11.2 固定效應模型

11.3 隨機效應模型

11.4 分層線性模型

11.5 雙重差分法

11.6 合成控制法

12. 離散因變數數據模型

12.1 面板概率/邏輯回歸

12.2 面板泊松/負二項回歸

13. 動態面板數據模型

13.1 差分廣義矩估計

13.2 系統廣義矩估計

優惠：

現場班老學員9折優惠；

同一單位三人以上同時報名9折優惠；

以上優惠不疊加。

報名流程：

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！