我國漸進體制改革的進程中, 新制度、新政策的出臺顯得必不可少, 因此, 如何客觀評估政策效果、準確預測政策發(fā)展趨勢成為當前理論研究的難點。本書主要為高年級本科生、研究生和從事社會科學實證研究的科研工作者提供一道縮短計量經(jīng)濟學理論學習與實證研究間距離的橋梁。全部內(nèi)容涵蓋了因果推斷中最常用的方法, 包括四配方法、雙重差分法、工具變量法、樣本自選擇模型和斷點回歸法等方法。最后, 本書也嘗試提供機器學習方法來改善政策評價效果, 提高預測精準度。
第一章 如何進行經(jīng)濟政策評估
第一節(jié) 經(jīng)濟政策評估的基本邏輯
第二節(jié) 常見的政策評估方法
第三節(jié) 機器學習與因果推斷方法結合
第四節(jié) 科學評估方法的應用前提和要點
第二章 因果推斷框架
第一節(jié) 潛在結果
第二節(jié) 隨機化實驗
第三節(jié) 因果圖
第三章 線性回歸模型
第一節(jié) 條件期望函數(shù)和線性回歸
第二節(jié) 線性回歸與因果推斷：基于教育回歸率的分析
第三節(jié) 線性回歸模型檢驗
第四節(jié) 模型檢驗Stata軟件示例
第五節(jié) 模型內(nèi)生性和因果關系
第四章 面板數(shù)據(jù)模型
第一節(jié) 面板數(shù)據(jù)結構
第二節(jié) 面板數(shù)據(jù)與因果關系
第三節(jié) 面板數(shù)據(jù)分析常見模型
第四節(jié) 面板固定效應估計方法
第五節(jié) 面板數(shù)據(jù)模型案例分析
第五章 匹配方法與處理效應
第一節(jié) 處理效應
第二節(jié) 匹配方法的假設條件
第三節(jié) 常見的匹配方法
第四節(jié) 傾向得分匹配法原理
第五節(jié) 傾向得分匹配法操作步驟示例
第六節(jié) 匹配方法使用中常見問題
第六章 工具變量法
第一節(jié) 內(nèi)生性與工具變量估計法
第二節(jié) 兩階段最小二乘法
第三節(jié) 工具變量估計法的局限性
第四節(jié) 工具變量運用的檢驗
第五節(jié) 工具變量估計步驟示例
第七章 樣本自選擇與處理效應模型
第一節(jié) 樣本自選擇偏差產(chǎn)生的原因
第二節(jié) 傳統(tǒng)Heckman樣本選擇模型
第三節(jié) Heckman樣本選擇模型的應用案例
第四節(jié) 內(nèi)生選擇變量處理效應模型
第五節(jié) 樣本自選擇模型運用中常見問題
第八章 雙重差分法
第一節(jié) 雙重差分基礎模型
第二節(jié) 雙重差分法假設條件檢驗
第三節(jié) 三重差分法
第四節(jié) DID模型拓展
第九章 斷點回歸法
第一節(jié) 斷點回歸的直觀理解
第二節(jié) 斷點回歸的數(shù)據(jù)要求
第三節(jié) RDD的估計步驟
第四節(jié) RDD運用實例
第五節(jié) 模糊斷點回歸
第十章 機器學習在經(jīng)濟學中的應用
第一節(jié) 機器學習的內(nèi)涵界定及分類
第二節(jié) 機器學習在經(jīng)濟政策預測中的應用
第三節(jié) 機器學習方法的局限
第十一章 機器學習分類算法
第一節(jié) 邏輯回歸
第二節(jié) Softmax回歸
第三節(jié) 因子分解機
第四節(jié) 支持向量機
第五節(jié) 貝葉斯分類器
第六節(jié) 隨機森林
第七節(jié) 分類算法的實現(xiàn)案例
第十二章 機器學習的聚類算法
第一節(jié) k-Means算法
第二節(jié) Mean Shift聚類算法
第三節(jié) DBSCAN聚類
第四節(jié) 聚類算法的實現(xiàn)案例
第十三章 機器學習的預測算法
第一節(jié) 特征工程
第二節(jié) 模型調(diào)優(yōu)
第三節(jié) 激活函數(shù)
第四節(jié) BP神經(jīng)網(wǎng)絡
第五節(jié) 長短期記憶人工神經(jīng)網(wǎng)絡
第六節(jié) 極限學習機
第七節(jié) 評估指標
第八節(jié) 預測算法的實現(xiàn)實例
參考文獻
書單推薦
