Microeconometrics Using Stata pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:Stata Press

作者:A. Colin Cameron

出品人:

页数:706

译者:

出版时间:2010-3-9

价格:USD 89.95

装帧:Paperback

isbn号码:9781597180733

丛书系列:

图书标签:

Econometrics
stata
经济学
Georgetown
1
计量经济学
微观计量经济学
Stata
经济学
统计学
数据分析
回归分析
面板数据
时间序列
因果推断

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到本本书屋

onlinetoolsland.com

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

A complete and up-to-date survey of microeconometric methods available in Stata, "Microeconometrics Using Stata, Revised Edition" is an outstanding introduction to microeconometrics and how to execute microeconometric research using Stata. It covers topics left out of most microeconometrics textbooks and omitted from basic introductions to Stata. This revised edition has been updated to reflect the new features available in Stata 11 that are useful to microeconomists. Instead of using mfx and the user-written margeff commands, the authors employ the new margins command, emphasizing both marginal effects at the means and average marginal effects. They also replace the xi command with factor variables, which allow you to specify indicator variables and interaction effects. Along with several new examples, this edition presents the new gmm command for generalized method of moments and nonlinear instrumental-variables estimation. In addition, the chapter on maximum likelihood estimation incorporates enhancements made to ml in Stata 11. Throughout the book, the authors use simulation methods to illustrate features of the estimators and tests described and provide an in-depth Stata example for each topic discussed. They also show how to use Stata's programming features to implement methods for which Stata does not have a specific command. The unique combination of topics, intuitive introductions to methods, and detailed illustrations of Stata examples make this book an invaluable, hands-on addition to the library of anyone who uses microeconometric methods.

实证微观经济学：原理、方法与应用本书旨在为研究者、学生及数据分析爱好者提供一个全面而深入的实证微观经济学学习指南。我们聚焦于如何将严谨的经济学理论与真实世界的数据相结合，从而理解和解释经济现象。本书不局限于任何特定的软件工具，而是侧重于讲解核心的统计学原理、计量经济学模型及其在微观经济学领域的具体应用。第一部分：计量经济学基础与微观经济学理论的融合在信息爆炸的时代，数据驱动的决策已成为各行各业的关键。在微观经济学领域，这意味着我们需要运用精确的统计学工具来分析个体、家庭和企业的行为，从而理解市场如何运作，资源如何配置，以及政策可能产生的效应。本部分将从计量经济学最基础的概念讲起，逐步构建起分析微观经济数据的坚实基础。 1. 经济学模型与计量经济学模型：从理论到数据理论模型回顾：我们将简要回顾微观经济学中的经典模型，例如消费者选择理论（效用最大化）、生产者理论（利润最大化）、市场均衡理论（供需模型）以及博弈论基础。这些模型为我们提供了研究问题的理论框架。从理论到实证：关键在于如何将这些抽象的理论模型转化为可检验的假设。我们将探讨如何根据理论推导出可观测的变量之间的关系，并解释这些关系在现实世界中可能表现出的形式。误差项的引入：现实世界的数据总是存在随机性、遗漏变量和测量误差。我们将深入讨论误差项的性质，以及它在计量经济学模型中的作用。理解误差项是进行有效推断的关键。参数的估计：理论模型中的关系往往由一组参数来刻画。本部分将介绍最基本也是最重要的参数估计方法——最小二乘法 (Ordinary Least Squares, OLS)。我们会详细讲解 OLS 的原理、假设条件以及其在估计模型参数时的优良性质（无偏性、一致性、有效性）。 2. 线性回归模型：分析变量之间关系的核心工具简单线性回归：我们将从最简单的场景出发，分析一个因变量与一个自变量之间的线性关系。通过实例，我们将展示如何构建回归模型，解释回归系数的含义，以及如何评估模型的拟合优度（如 R-squared）。多元线性回归：现实中的经济现象往往是多因素共同作用的结果。我们将扩展到多元回归，分析一个因变量与多个自变量之间的线性关系。这使得我们能够控制其他变量的影响，更清晰地识别特定变量的作用。模型设定：如何正确设定回归模型是实证研究成功的关键。我们将讨论选择哪些变量纳入模型，变量之间可能存在的函数形式（线性、对数、二次方等），以及如何通过经济学理论来指导模型设定。回归系数的解释：解释回归系数的经济学含义至关重要。我们将区分不同变量类型（连续变量、二元变量、多项分类变量）下回归系数的解释方式，并强调在多元回归中，系数的解释是指在控制其他变量不变的情况下，该变量对因变量的边际效应。 3. 假设检验与置信区间：量化不确定性与推断统计推断的基本概念：既然我们通过样本数据来估计参数，那么样本结果是否能代表总体？我们将引入统计推断的基本框架，包括原假设 (null hypothesis) 和备择假设 (alternative hypothesis)。 t 检验：如何检验单个回归系数是否显著不为零？我们将详细讲解 t 检验的原理，包括如何计算 t 统计量，以及如何根据 p 值来判断统计显著性。这直接关系到我们能否得出某个经济变量对因变量有显著影响的结论。 F 检验：在多元回归中，我们不仅关心单个变量的显著性，还可能关心一组变量的联合显著性，或者整个模型的整体显著性。F 检验能够帮助我们回答这些问题。置信区间：除了点估计，我们还需要为参数的真实值提供一个范围估计。置信区间提供了一个可能包含真实参数值的区间，并且具有一定的置信水平。我们将讲解如何计算和解释置信区间，以及它在理解参数估计不确定性方面的价值。第二部分：处理微观经济数据中的常见挑战微观经济学研究的数据往往具有其独特性，例如个体行为的异质性、数据的截面性质以及因果关系推断的困难。本部分将深入探讨在处理这些数据时面临的常见挑战，并介绍相应的计量经济学方法来克服这些挑战。 1. 异方差性 (Heteroskedasticity)：打破OLS的同方差假设问题识别：什么是异方差性？它如何发生？我们将通过经济学理论的解释（例如，收入水平不同导致消费支出方差不同）和数据可视化方法来识别异方差性的存在。后果分析：异方差性虽然不会导致 OLS 估计量有偏，但会使得标准的 OLS 推断（如 t 检验和 F 检验）失效。我们将解释其对标准误的影响。处理方法：本节将介绍处理异方差性的方法，包括：稳健标准误 (Robust Standard Errors)：这是最常用也是最推荐的处理异方差性问题的方法，它能够在不改变 OLS 系数估计量的情况下，计算出正确的标准误，从而进行有效的统计推断。加权最小二乘法 (Weighted Least Squares, WLS)：当我们知道异方差的结构时，WLS 可以提供更有效率的估计量。我们将讨论其原理和应用场景。 2. 自相关性 (Autocorrelation)：时间序列数据中的“记忆” 问题识别：自相关性常见于时间序列数据，指的是观测值之间的误差项存在相关性。我们将讨论其在经济时间序列中的表现形式，例如滞后效应。后果分析：与异方差性类似，自相关性也会导致 OLS 标准误的失效。处理方法：广义最小二乘法 (Generalized Least Squares, GLS)：当误差项存在自相关时，GLS 可以提供更优的估计。 Newey-West 标准误：类似于稳健标准误，Newey-West 标准误可以处理时间序列数据中的自相关和异方差，是处理时间序列回归中“序列相关”问题的常用工具。 3. 多重共线性 (Multicollinearity)：变量之间的“纠缠” 问题识别：当模型中的两个或多个自变量高度相关时，就会出现多重共线性。我们将通过相关系数矩阵和方差膨胀因子 (Variance Inflation Factor, VIF) 来检测多重共线性。后果分析：多重共线性不会影响 OLS 估计量的无偏性，但会大大增加系数估计量的方差，使得估计量不稳定，难以区分各变量的独立效应，并导致 t 统计量显著性下降。处理方法：收集更多数据：在某些情况下，更多的数据可以缓解多重共线性。剔除变量：如果某些变量的共线性非常严重，且经济学理论上不是必需的，可以考虑剔除。变量组合：将高度相关的变量进行组合，形成新的变量。岭回归 (Ridge Regression)：一种改进的回归技术，通过引入偏置来降低系数估计量的方差，但会引入偏性。 4. 内生性 (Endogeneity)：打破外生性假设的“因果迷局” 内生性的来源：这是微观计量经济学中最棘手的问题之一。我们将深入探讨内生性的三种主要来源：遗漏重要变量 (Omitted Variable Bias, OVB)：未被纳入模型的与自变量和因变量都相关的变量。测量误差 (Measurement Error)：自变量测量不准确。同期相关 (Simultaneity)：因变量和自变量之间存在双向因果关系。后果分析：内生性会导致 OLS 估计量有偏且不一致，使得我们无法准确估计变量之间的真实因果效应。解决内生性问题的方法：工具变量法 (Instrumental Variables, IV)：寻找一个与内生变量相关，但与因变量在控制其他变量后无关的变量（工具变量）。我们将详细讲解 IV 的基本原理、识别条件、两阶段最小二乘法 (Two-Stage Least Squares, 2SLS) 的估计过程以及 IV 的优点和局限性。断点回归设计 (Regression Discontinuity Design, RDD)：利用一个硬性阈值来分配处理，在阈值附近进行局部比较，从而估计处理效应。匹配方法 (Matching Methods)：如倾向得分匹配 (Propensity Score Matching, PSM)，通过匹配相似的个体来估计平均处理效应 (Average Treatment Effect, ATE)。差分法 (Difference-in-Differences, DID)：比较处理组和控制组在处理发生前后的变化差异，以识别处理效应。第三部分：微观经济学中的具体模型与应用掌握了计量经济学的基础和处理数据挑战的方法后，我们将把这些工具应用于微观经济学的具体研究领域。本部分将介绍一些在微观经济学研究中常用的模型和实证问题。 1. 选择模型：离散选择与连续选择二元选择模型 (Binary Choice Models)： Logit 与 Probit 模型：当因变量是二元的（例如，是否购买某商品，是否接受某项教育），线性概率模型 (Linear Probability Model) 存在诸多问题。我们将介绍 Logit 和 Probit 模型，讲解其概率函数，并讨论如何解释系数。边际效应 (Marginal Effects)：在非线性模型中，直接解释系数的边际效应是不准确的。我们将讲解如何计算和解释边际效应，这才是真正反映自变量变化对因变量概率影响的度量。应用案例：劳动力市场参与、消费决策、教育选择等。多项选择模型 (Multinomial Choice Models)：当因变量有三个或更多的互斥选项时，我们将介绍多项 Logit (Multinomial Logit, MNL) 模型。有序选择模型 (Ordered Choice Models)：当因变量的选项存在内在顺序时（例如，满意度评分），我们将介绍有序 Probit (Ordered Probit) 和有序 Logit (Ordered Logit) 模型。计数模型 (Count Data Models)：泊松回归 (Poisson Regression)：当因变量是表示事件发生次数的非负整数时，如家庭拥有的孩子数量、交易次数。负二项回归 (Negative Binomial Regression)：当计数数据存在过度离散（方差大于均值）时，泊松模型不再适用，需要使用负二项模型。应用案例：专利申请数量、消费者购买行为分析。 2. 面板数据模型：同时考虑个体异质性和时间动态面板数据的优势：面板数据同时包含横截面信息和时间序列信息，能够更有效地控制未观测到的个体效应，并分析变量随时间的变化。固定效应模型 (Fixed Effects Model)：假设未观测到的个体效应与模型中的解释变量相关，通过“吸收”个体效应来估计。随机效应模型 (Random Effects Model)：假设未观测到的个体效应与模型中的解释变量不相关，可以得到更有效率的估计。我们将讨论如何选择固定效应还是随机效应模型（例如，Hausman 检验）。动态面板数据模型 (Dynamic Panel Data Models)：当模型中包含滞后因变量作为解释变量时，标准的固定效应估计量会产生偏误。我们将介绍 GMM (Generalized Method of Moments) 等方法来处理动态面板模型。应用案例：劳动生产率分析、公司行为研究、政策评估。 3. 因果推断在微观经济学中的前沿应用微观经济学研究的核心目标：很多时候，我们不仅想描述变量之间的相关关系，更想了解因果关系——某个政策或干预措施是否真的导致了某种结果。准实验设计 (Quasi-Experimental Designs)：除了随机对照试验 (Randomized Controlled Trials, RCTs) 之外，现实世界中存在许多“准实验”情景，我们可以利用这些情景进行因果推断。回归断点设计 (RDD) 的深入讨论：详细阐述 RDD 的识别假设，分析其在不同应用场景下的实现方式。差分法 (DID) 的扩展：介绍多期 DID，处理处理效应随时间变化的情况。合成控制法 (Synthetic Control Method)：用于评估个体单位（如国家、地区）的政策效应，通过构建一个“合成”的对照组来模拟没有实施政策的情景。中介分析 (Mediation Analysis)：探讨因果路径，理解一个变量如何通过另一个变量影响最终结果。应用案例：教育政策效果评估、医疗保健干预效果、劳动力市场政策影响。结论本书提供了一个扎实的实证微观经济学框架，使您能够批判性地分析经济数据，设计严谨的实证研究，并清晰地解释研究结果。通过掌握本书介绍的原理和方法，您将能够自信地在各种微观经济学研究领域进行探索，为经济学理论的发展贡献有价值的实证证据。我们鼓励读者在理论学习的同时，积极动手实践，将所学知识应用于解决现实世界的经济问题。

作者简介

目录信息

读后感

评分☆☆☆☆☆

非常实用的一本手册，对于stata不支持的一些动态模型，再参考一下mathlab，基本现在见到的模型就都可以解决了，可能今后版本的stata会逐步查漏补缺，而且这本书好像也在一直不停再版更新。

评分☆☆☆☆☆

b***7 “《用Stata学微观计量经济学》微观计量经济学应用经典之作。600多页的充实内容，范例详细，解读清晰，帮助读者对Stata软件的运用步步提升，直到得心应手。Stata培训名师连玉君作序推荐！” 一心专念阿弥陀佛 “该书具有一定的参考价值，可作为学习计量经济学的重要...

评分☆☆☆☆☆

用户评价

评分☆☆☆☆☆

这本书的装帧设计着实令人眼前一亮，封面色彩沉稳而不失雅致，那种深蓝与米白的搭配，透着一股专业人士特有的严谨感。拿到手里，分量十足，这立刻给人一种“内容扎实”的心理预期。内页的纸张触感也相当不错，印刷清晰，即便是对于这种偏学术性的读物来说，长时间阅读也不会感到眼睛疲劳。我特别欣赏它在章节划分上的逻辑性，从最基础的回归模型假设开始，循序渐进地过渡到更复杂的面板数据处理和时间序列分析，阅读体验非常顺畅。比如，它对内生性问题的探讨，不是简单地罗列公式，而是深入剖析了在现实经济学研究中，哪些场景最容易出现工具变量的选择困难，并提供了大量的Stata代码实例来演示如何一步步解决。这种“理论与实践并重”的编排方式，极大地降低了跨入计量经济学前沿研究的门槛。而且，随书附带的那个小册子，专门总结了Stata中一些不常用但效率极高的命令组合，简直是科研老手的“独门秘籍”，对于习惯了手动输入冗长命令的新手来说，简直是福音。整体来说，这本书在视觉和触觉上都传递出一种高品质的学术工具书的信号，让人愿意把它放在手边，随时翻阅查阅。

评分☆☆☆☆☆

这本书的深度和广度是令人印象深刻的，尤其是在处理那些现实世界中“不那么完美”的数据时展现出的强大功力。我特别关注了它关于因果推断方法的章节，这部分内容往往是衡量一本计量书籍水平的关键试金石。它不仅涵盖了标准的固定效应和随机效应模型，还花了大量篇幅去讲解和对比那些处理选择性偏差的“高阶武器”，比如倾向得分匹配（PSM）和断点回归（RDD）。作者在介绍RDD时，没有仅仅停留在公式推导上，而是深入探讨了如何检验“排序变量”的连续性，以及如何选择合适的带宽参数，这些都是在实际操作中决定结果可靠性的微妙环节。在我看来，这本书的价值远超一本教科书，它更像是一本资深研究员的“操作手册”。对于那些已经掌握了基础回归分析，但苦于无法从相关性走向因果性推断的研究生或青年学者而言，这本书提供了一条非常坚实且具有可操作性的路径，它教会的不仅仅是“如何跑一个回归”，更是“如何用计量经济学思维去设计一个严谨的因果识别策略”。

评分☆☆☆☆☆

作为一个长期与面板数据打交道的应用经济学家，我最欣赏这本书中对时间序列和面板数据处理的细致入微。不同于许多教材只是象征性地提一下面板数据，这本书将其视为一个核心模块进行深度挖掘。例如，在面板数据遗漏变量的讨论中，作者清晰地区分了“个体固定效应”和“时间固定效应”的识别策略，并解释了在哪些经济学理论背景下应该优先考虑使用前者而非后者。此外，它对模型设定的稳健性检验部分也做得非常到位，不仅仅是报告了标准误，还提供了如何利用Bootstrap方法来获得更可靠的标准误估计的详细指导。对于那些处理年度宏观经济数据或行业面板数据的研究者来说，这本书中的“协整检验”和“向量自回归模型（VAR）”的介绍部分，简直是及时雨。它不仅讲解了这些模型的统计假设，还非常务实地指出了在Stata中进行格兰杰因果检验和脉冲响应分析的具体步骤和图形解读方法，这些实战经验的分享，是任何纯理论书籍都无法比拟的宝贵财富。

评分☆☆☆☆☆

我花了整整一个周末的时间来消化前三章的内容，最大的感受是作者在概念解释上的那种近乎偏执的清晰度。很多计量学的教材在讲解如异方差或自相关这类基础问题时，往往会用过于抽象的数学语言绕圈子，导致初学者一头雾水。然而，这本书的作者似乎完全站在学习者的角度，用非常贴近实际经济现象的例子来阐述这些统计概念的经济学意义。举个例子，在讨论模型设定误差时，它没有直接抛出“偏误”的定义，而是模拟了一个收入和教育水平的关系，逐步加入了一个关键的遗漏变量（比如家庭背景），然后展示这个遗漏变量是如何系统性地扭曲我们对教育回报率的估计的。这种“问题驱动”的教学法，让那些枯燥的假设条件一下子变得鲜活起来。更值得称赞的是，书中对每一个核心方法的介绍，都会附带一个专门的“计算实现”部分，清晰地标注了在Stata中应该键入的完整代码块，并对关键选项的含义做了详尽的注释，这一点对于希望立刻将所学应用于自己数据分析的读者来说，简直是救命稻草，极大地减少了试错成本。

评分☆☆☆☆☆

这本书在处理那些“边缘”但又极其重要的计量问题时，展现出了极高的专业水准和对前沿研究的敏感度。我指的是它对异质性处理效应（HTE）的探讨，这在近些年的计量经济学研究中越来越受到重视。它没有停留在传统的平均处理效应（ATE）上，而是花费了相当大的篇幅来介绍如何使用更精细化的工具来识别不同子群体的处理效应，这对于市场分割、政策效果评估等领域的研究者来说至关重要。书中对分位数回归方法的介绍，也体现了其超越主流的视野，它清晰地阐述了分位数回归如何帮助我们理解收入分布两端的数据特征，而不仅仅是关注均值的变化。阅读过程中，我能感受到作者在不断地更新知识体系，确保内容反映了当前计量前沿的发展方向。更让我满意的是，它在附录中收录了一系列关于数据清洗和缺失值处理的实用技巧，这些内容虽然不是核心计量理论，但却是确保实证结果可靠性的基石。总而言之，这本书不仅是一本学习工具，更像是一位不断更新知识库的同行专家的私人辅导，指引着读者在复杂的实证世界中保持清醒和严谨。

评分☆☆☆☆☆

Stata的若干“官方推荐”教材之一，可能是你在输入“help+某个命令”之后，出现频率最高的一本参考教材。这本书并不是完全的“使用手册”，而是从计量经济学的基础开始讲起，力求实现“讲和用”的结合。对于只想找找“怎么实现某个结果”的读者而言，这本书并不适合你们。

评分☆☆☆☆☆