Stata夏令營是由北京友萬信息科技有限公司主辦，專為數(shù)據(jù)分析愛好者及專業(yè)人士打造的學術性實踐活動，夏令營以Stata中國用戶大會為依托，自2018年至今，已成功開展了七屆。在每一屆的夏令營活動中，參與者不僅可以深入學習和掌握Stata這一強大的統(tǒng)計分析軟件，還能通過一系列精心設計的課程和實踐活動，提升數(shù)據(jù)處理、統(tǒng)計分析及數(shù)據(jù)可視化的能力。Stata夏令營不僅是一個學習平臺，更是一個充滿活力和創(chuàng)意的交流空間。在這里，你可以結識來自不同領域的志同道合的朋友，共同探索數(shù)據(jù)分析的無限可能。無論你是初學者還是有一定經(jīng)驗的數(shù)據(jù)分析師，都能在Stata夏令營中找到屬于自己的成長之路。我們誠摯邀請對數(shù)據(jù)分析感興趣的你加入我們的行列，一起度過一個充實而難忘的Stata夏令營之旅！

　　Stata夏季訓練營暨《面板數(shù)據(jù)的因果推斷及Stata應用研討會》將于2024年8月18日在南開大學舉辦。即日起開始正式報名，歡迎廣大Stata用戶積極參與!

　　本次研討會涵蓋了區(qū)域政策研究的四種重要方法：比較案例分析、合成控制法、回歸控制法和分位數(shù)控制法。比較案例分析作為傳統(tǒng)方法，在案例選擇上存在主觀性。而合成控制法則通過客觀方式選擇控制組及權重，提高了分析的準確性?；貧w控制法無需協(xié)變量，利用信息準則或拉索估計量選擇控制組，應用場景廣泛。zui新的分位數(shù)控制法結合了機器學習方法，通過非參數(shù)分位數(shù)回歸構造處理效應的置信區(qū)間，適用于異方差、自相關或模型誤設的情況，尤其在小樣本中表現(xiàn)出色。這些方法的介紹和案例分析，為區(qū)域政策研究提供了多元化的工具和方法，有助于更準確地評估政策效果。

　　陳強，山東大學經(jīng)濟學院教授，數(shù)量經(jīng)濟學博士生導師，研究領域為計量經(jīng)濟學、機器學習與經(jīng)濟史。分別于1992年、1995年獲北京大學經(jīng)濟學學士、碩士學位，后留校任教。2007年獲美國 Northern Illinois University 數(shù)學碩士與經(jīng)濟學博士學位。2010年入選教育部新世紀優(yōu)秀人才支持計劃。2017-2018年為 Boston College 訪問學者，并在 Harvard, MIT 與 Boston University 旁聽相關課程。已發(fā)表論文于Journal of Econometrics,  Oxford Economic Papers (Lead Article), Journal of Comparative Economics, Economica, Stata Journal以及《經(jīng)濟學（季刊）》、《世界經(jīng)濟》等國內(nèi)外領先期刊，并著有暢銷教材《計量經(jīng)濟學及Stata應用》，《高級計量經(jīng)濟學及Stata應用》，《機器學習及R應用》與《機器學習及Python應用》。

　　課程概要

　　使用面板數(shù)據(jù)進行實證分析的一種常見情形式，處理組僅有一位或幾位個體(地區(qū))，而處理前的時期較多。此時，可使用合成控制法、回歸控制法或分位數(shù)控制法進行有效的因果推斷。其中，合成控制法zui為流行(Abadie and Gardeazabal, 2003; Abadie et al., 2010, 2015)，但需要協(xié)變量；而回歸控制法則無須協(xié)變量，且算法簡便(Hsiao et al., 2012)。然而，合成控制法與回歸控制法主要依賴于安慰劑檢驗進行統(tǒng)計推斷，在應用中有一定局限性。分位數(shù)控制法使用“分位數(shù)隨機森林”(quantile random forest)的機器學習方法，通過非參數(shù)的分位數(shù)回歸構造處理效應的穩(wěn)健置信區(qū)間，在小樣本中表現(xiàn)優(yōu)異(Chen et al., 2024)。本課程將深入淺出地介紹合成控制法、回歸控制法或分位數(shù)控制法，并通過經(jīng)典案例演示相應的Stata操作。

　　學習要點

　　合成控制法、回歸控制法或分位數(shù)控制法，以及Stata操作

　　課程對象

　　經(jīng)管及社科類教師與研究人員、博士生、碩士生、高年級本科生。

　　課程配套資料

　　課程PPT、數(shù)據(jù)集、do文檔及相關論文。

　　第1講

　　比較案例分析

　　比較案例分析是區(qū)域政策研究的傳統(tǒng)方法，可對少數(shù)案例進行深入分析，廣泛應用于社會科學，但控制組的選擇比較主觀。

　　★ 案例：

　　馬里矣爾船運(Mariel boatlift)對邁阿密勞動力市場的影響(Card, 1990)。

　　第二講

　　合成控制法

　　合成控制法由比較案例分析發(fā)展而來，可以更客觀而有效地選擇控制組及權重。本講介紹合成控制法的原理與算法、權重的稀疏性、時間安慰劑檢驗、空間安慰劑檢驗、混合安慰劑檢驗，以及留一穩(wěn)健性檢驗。

　　★ 案例：

　　西班牙巴斯克地區(qū)恐怖活動的經(jīng)濟效應(Abadie and Gardeazabal, 2003)；

　　加州控煙法的效應(Abadie et al., 2010)；

　　德國統(tǒng)一的經(jīng)濟效應(Abadie et al., 2015)

　　第三講

　　回歸控制法

　　回歸控制法的應用場景與合成控制法相同，但前者無須協(xié)變量，可使用信息準則或拉索估計量(Lasso)選擇控制組。本講介紹回歸控制法的原理與算法，時間安慰劑檢驗、空間安慰劑檢驗，混合安慰劑檢驗，以及含協(xié)變量的回歸控制法(Hsiao and Zhou, 2019)。

　　★ 案例：

　　香港回歸以及與中國內(nèi)地經(jīng)濟整合的效應(Hsiao et al., 2012)；

　　四萬億經(jīng)濟刺激政策的效應(Ouyang and Peng, 2015)；

　　上海與重慶房產(chǎn)稅試點的效應(Du and Zhang, 2015)；高鐵開通的政策效應(Ke et al., 2017)；

　　房票政策的房價效應(方誠、陳強, 2021)。

　　第四講

　　分位數(shù)控制法

　　分位數(shù)控制法使用分位數(shù)隨機森林的機器學習方法，通過非參數(shù)的分位數(shù)回歸構造處理效應的穩(wěn)健置信區(qū)間，在異方差、自相關或模型誤設情況下依然有效，且在小樣本中表現(xiàn)優(yōu)異(Chen et al., 2024)。本講介紹分位數(shù)控制法的原理與算法，包括決策樹、隨機森林與分位數(shù)回歸森林。

　　★ 案例：

　　香港回歸以及與中國內(nèi)地經(jīng)濟一體化的效應(Hsiao et al., 2012)；

　　瑞典碳稅對于二氧化碳排放的效應(Andersson, 2019)。