計量経済学に従事する人は誰でもこのアカウントに注意を払います
Eメール：[email protected]
すべてのコードプログラム、マクロおよびマイクロデータベース、および計量経済学サークル方法論のさまざまなソフトウェアがコミュニティに配置されています。交換と訪問のための計量経済学サークルコミュニティへようこそ。
サークルは、他の人と戦うのが好きな「女王」の女王を紹介しました。前日？既婚vs未婚。この記事はJPEのトップ5に掲載されました。記事のタイトルは「クイーンズ」で、横暴であるだけでなく、非常に興味深いものです。操作変数の適用とそのメカニズムの分析は、学者による真剣な研究に値します。
「因果推論研究グループ」は、実証研究を行う傾向のある社会科学者に支持されている多くの因果推論記事を紹介しています。結局のところ、内生性の問題は、すべての学者が直面し、対処しなければならない問題です。それは因果関係の推論の運命に関連しています。以下に代表的な10の記事を示します。さらに研究が必要な学者は、公式アカウントでキーワードを検索できます。これらの40のマイクロデータベースは、博士号を取得するのに十分です。とにかく、これらのライブラリを使用すると、教授になります。
1.継続的なポリシー変数の因果関係を特定するための最良の武器である一般化されたPSM2.PSM
はStata操作の詳細な手順とコードに一致する傾向があります
3.トップジャーナル記事を読んだ後、内因性治療パンフレットを編集しました
4.治療効果モデルの選択基準、NNMおよびPSM
5.因果推論におけるマッチング方法：最も包括的なレビューと展望
6.内因性および傾向スコアマッチング、準自然実験に捧げられた贈り物
7.傾向値マッチングおよび因果推論、最も包括的で絶妙な歴史のキット
8。一致するか一致しないか？これは本当に検討する価値のある質問です。9
。マッチング操作ガイド、収集する価値のある16の記事
10.傾向マッチング
今日は、特に「観察できない混乱する変数」によって引き起こされる内因性の問題に対処する際に、内因性の問題に対処する無冠の王に学者を紹介します。
内因性の問題は通常、変数の欠落、測定誤差、および双方向の因果関係という3つの要因によって引き起こされます。これらの問題を理解していない場合は、この記事「定量分析における内因性の問題の要約、読まなければならない古典的な作業」を読むことができます。測定誤差に起因する内因性の問題に対処し、推定結果を修正する方法については、「測定誤差の除去、直接および間接効果の計算、複数のデータとインデックスの方法」および「測定誤差と新しい回帰」を参照してください。 「ルール、紹介」。内因性の問題については、現在最も一般的な治療法は「操作変数法」と「マッチング法」です（実際、欠落している変数を完全に根絶することは困難です）。
内生性に対処するためのIV法をよりよく理解したい場合は、「操作変数IVと内生性処理の詳細な解釈」を読むことができます。私の「操作変数」は失われます。操作変数思考マニュアルを探してください。内生性「処理の秘密兵器-操作変数推定」、「操作変数を見つける方法」、「操作変数を取得する人は経験的測定を行う」、社会科学の因果推論における操作変数の適用」、「 AEAジャーナルは信頼できますか？」、「IVおよびGMM関連の推定ステップ、内生性および異質性などのテスト方法、パネルデータ」、「パネルデータ、操作変数選択、およびHAUSMANテストのいくつかの問題」。たくさんの記事を読んだ後、操作変数と内因性変数の間の弱い相関によって引き起こされる「弱い操作変数問題」など、操作変数法の使用には多くの問題があることがわかりました（チームはこれはできるだけ早く方法、コミュニティで推奨される重要なドキュメントもあります）、別の例は、操作変数が「除外制約」を満たさないことです。つまり、操作変数は内因性変数を介して結果変数にのみ影響します。これらの2つの主要な問題に加えて、操作変数法の使用で見落とされがちなもう1つの主要な問題は、因果推論のための操作変数の力が関数形式と密接に関連していることが多いことです。方程式の形式はまた、巨大な推定バイアスをもたらします。
方程式の形式に大きく依存するIV推定法によって引き起こされる問題のために、マッチング法は最近非常に人気のある新しい因果推論法になりました。マッチングは、観察可能な共変量に依存して、治療グループを対照グループとマッチングし、モデルに依存しないがデータ自体の特性を強調するポリシー治療効果を取得します。内因性の問題に対処するためのマッチング方法をさらに理解したい場合は、「一般化されたPSM、継続的なポリシー変数の因果的識別に最適な武器」、「PSM傾向マッチングStata操作の詳細な手順とコード」、「PSM」を参照してください。 、RDD、Heckmanモデルの操作手順」、「処理効果モデルの選択基準、NNMおよびPSM」、「因果推論におけるマッチング方法：最も包括的なレビューと展望」、「内因性および傾向スコアマッチング、準自然実験への贈り物」 "、"傾向値マッチングと因果推論、歴史上最も包括的で絶妙なキット "、"一致または不一致？これは本当に検討する価値のある質問です "、" OLSよりもマッチングが優れているのはどこですか？これは問題です "、"傾向マッチング「および」PSMとマルコフマッチングは削除され、「遺伝的マッチング」は因果推論マッチングの王様になりました。
ただし、マッチング方法が依存する「オブザーバブルの選択」は、実際には非常に強力な仮定であり、多くの場合、あまりうまく機能しません。社会科学の研究では、直接測定できない変数が多いため、代理変数を近似変数として使用する傾向があります。さらに、一部の変数については、データ収集コストが高すぎるため、アンケートから直接除外する可能性があります。この場合、観測された変数のみがマッチングに使用される（そして観測されない交絡変数は無視される）場合、得られるポリシー処理効果に大きな問題があるはずです。
これは、しばしば「変数の欠落の問題」と呼ばれる問題につながります。実証研究では、純粋な不偏推定量を取得することは不可能ですが、変数の欠落によって引き起こされる推定バイアスの問題を1つずつ排除するのに十分な変数を追加することができます。しかし、変数の欠落の問題で解決するのが最も難しいのは、「観察できない混乱する変数」の部分です。結局のところ、変数の観察できない性質により、変数の影響を測定して効果的に制御することは不可能です。例を挙げると、労働経済学はしばしば「教育の収益率」を経験的にテストします。そこでは、教育の内因性の問題が経済学者の間で認識されています。内因性の原因は、観察できない交絡変数能力があり、それが個人の教育レベルと将来の収入に同時に影響を与えることです。ただし、指標としての能力を客観的に測定することは困難であり、現時点で「実務経験」「年齢」「IQ」などの指標を用いて定量化すると、「観察できない能力」の大部分ができなくなります。制御される「残りの項目に入り、「教育」に深刻な内因性の問題を引き起こします（残りの項目は教育に関連しています）。
ヘックマンは、ヘックマンスタイルの多方程式モデルが「観察されない交絡因子」によって引き起こされる問題を解決できることを示しました。しかし、その後の研究では、彼が信頼した方程式の形式と関連する仮定により、彼の推定値に非常に偏りが生じる可能性があることが示されています。たとえば、学者がよく使用する2変量プロビットモデルでは、特にいわゆる「サンプル選択バイアス」に遭遇した場合、通常、選択方程式と結果方程式の変数は限界正規確率分布に従うと想定されます。 2つの方程式の残差e1とe2の項は、2変量正規分布に従います。現時点では、2つの方程式で構成される連立方程式はより厳密で厳密であるように見えますが、これから導入される「柔軟なジョイント尤度モデル」は、コピュラ関数によってさまざまな方程式の形式を緩和できます。仮説。
さまざまな仮定を緩和する方法については、「弾性関節尤度モデル」は主に3つの点で現れます。①連立方程式の各方程式の変数が異なる限界確率分布に従うことを許可します。②「依存パラメータ」（同時キューブ相関）を許可します。プロセスの残りの項目間）は、ガウス正規分布を含みますが、これに限定されません。③は、各方程式でセミパラメトリック回帰を許可します。つまり、yはx1とf（x2）の関数です。以前の文献では、一般に、2つの方程式の残余項が2変量正規分布に従うと想定していることがわかっています。このとき、同時方程式の残余項の相関係数θ≠0の場合、同時キューブ処理は次のようになります。各方程式の係数を推定します。ただし、コピュラ関数（Clayton、Frank、GumbelとJoe、GumbelとJoeなどを含む）は、2つの残差項間の関係を多くの異なる形式に拡張できます。
コピュラ関数2、5.74、0.71、2、2.86、0.71をそれぞれ使用してシミュレートされたデータの標準正規マージンを使用したいくつかの古典的なコピュラ関数の等高線図。これらの値は、中程度の正の相関と一致しています）。Gaussian、Student-t（ここでは3自由度）、およびFrankコピュラは、等しい程度の正と負の依存を可能にします。GaussianとFrankは、Student-tと比較して弱いテール依存性を示し、Frankは分布の中央でわずかに強い依存性を示します。クレイトンは非対称であり、下部テール依存性は強いが、上部テール依存性は弱い。ガンベルコピュラとジョーコピュラの場合はその逆です。
以下では、「弾性関節尤度モデル」が「観察不可能な交絡変数」によって引き起こされる内因性の問題をどのように処理するかを実際の操作から理解します（注：次の操作はRソフトウェアによって実行されます。Stataソフトウェアには対応するソフトウェアパッケージはありません。 ）。以下に、オペレーティングプログラムの一部のみを示します。完全なオペレーティングプログラムとソフトウェアパッケージは、コミュニティおよび因果推論研究グループに配置されます（日中にアップロードされます）。
将来、存在する可能性のある観察不可能な紛らわしい変数に遭遇した場合、それらによって引き起こされる内因性の問題を解決するために、以下の方法が推奨されます。
内因性の問題
例1：0-1の内因性変数と0-1の結果変数の状況
set.seed(0)
n <- 400
Sigma <- matrix(0.5, 2, 2); diag(Sigma) <- 1
u <- rMVN(n, rep(0,2), Sigma)
cov <- rMVN(n, rep(0,2), Sigma)
cov <- pnorm(cov)
x1 <- round(cov[,1]); x2 <- cov[,2]
f1 <- function(x) cos(pi2x) + sin(pix)
f2 <- function(x) x+exp(-30(x-0.5)^2)
y1 <- ifelse(-1.55 + 2x1 + f1(x2) + u[,1] > 0, 1, 0)
y2 <- ifelse(-0.25 - 1.25y1 + f2(x2) + u[,2] > 0, 1, 0)
dataSim <- data.frame(y1, y2, x1, x2)
检验y1是否是内生变量, 如果值小于0.05则具有内生性
LM.bpm(list(y1 ~ x1 + s(x2), y2 ~ y1 + s(x2)), dataSim, Model = "B")1.標準の再帰的二値プロビット、y1は0-1内因性変数、y2は0-1結果変数（結果変数と処理変数は両方とも0-1ダミー変数）
out <- gjrm(list(y1 ~ x1 + x2,y2 ~ y1 + x2),data = dataSim, margins = c("probit", "probit"), Model = "B") ##B=bivariate mode，连接函数是probit
conv.check(out) ##收敛性检测，无关紧要
summary(out) ##显示回归结果, theta是dependence参数,Kendall's tau系数AIC(out); BIC(out) ##信息准则指标
AT(out, nm.end = "y1", hd.plot = TRUE) ##平均处理效应ATEケンドールのタウ係数については、以下の説明を参照してください。
ここでは、内因性の政策変数y1が結果変数y2に与える影響について懸念しています。したがって、2番目の方程式のy1係数と有意性に焦点を当てる必要があります。回帰結果から、y1はy2に負の政策効果をもたらします（3つの星が重要です）。得られたAICとBICはそれぞれ870.0191と897.9593でした。
得られた平均治療効果は次のとおりです。95％間隔の治療効果（％）：-44.1（-54.4、-29.5）
2.柔軟な再帰的二項プロビット、セミパラメトリック回帰。x2とx3がそれぞれの関数形式に置き換えられます。
out <- gjrm(list(y1 ~ x1 + s(x2), y2 ~ y1 + s(x2)), data = dataSim, margins = c("probit", "probit"), Model = "B")
conv.check(out)
summary(out)
AIC(out); BIC(out)
估计后再做y1是否是内生性变量的检验, 小于0.05则具有内生性
gt.bpm(out)
处理效应ATE, 风险比例RR和odds比例
mb(y1, y2, Model = "B")
AT(out, nm.end = "y1", hd.plot = TRUE)
RR(out, nm.end = "y1")
OR(out, nm.end = "y1")
AT(out, nm.end = "y1", type = "univariate")
ここでは、内因性の政策変数y1が結果変数y2に与える影響について懸念しています。したがって、2番目の方程式のy1係数と有意性に焦点を当てる必要があります。回帰結果から、y1はy2に負の政策効果をもたらします（3つの星が重要です）。得られたAICとBICはそれぞれ788.7169と858.1936でした。情報量基準によれば、この形式の回帰が最適です。
得られた平均治療効果は次のとおりです。95％間隔の治療効果（％）：-49.9（-58.8、-41.7）。
3.柔軟な再帰的二変量プロビット。依存関係パラメーターはクレイトンコピュラ分布に従います。
outC <- gjrm(list(y1 ~ x1 + s(x2), y2 ~ y1 + s(x2)), data = dataSim, BivD = "C0", margins = c("probit", "probit"), Model = "B") ##BivD=bivariate error服从clayton copula分布
conv.check(outC)
summary(outC)
AT(outC, nm.end = "y1")ここでの結果部分は省略され、平均的な治療効果ATEのみが示されています。得られたAICとBICはそれぞれ870.0191と897.9593でした。
得られた平均治療効果は次のとおりです。95％間隔の治療効果（％）：-50.4（-61.5、-38.0）
4.柔軟な再帰的二値プロビット。依存関係パラメーターはジョーコピュラ分布に従います。
outJ <- gjrm(list(y1 ~ x1 + s(x2), y2 ~ y1 + s(x2)), data = dataSim, BivD = "J0", margins = c("probit", "probit"),Model = "B") ##BivD=bivariate error服从Joe copula分布
conv.check(outJ)
summary(outJ)
AT(outJ, "y1")
VuongClarke(out, outJ) ##Vuong's test和Clarke's testここでの結果部分は省略され、平均的な治療効果ATEのみが示されています。得られたAICとBICはそれぞれ870.0191と897.9593です。
得られた平均治療効果：95％間隔での治療効果（％）：-47.1（-59.7、-35.5）
例2：0-1内因性変数y1と連続結果変数y2
set.seed(0)
n <- 1000
Sigma <- matrix(0.5, 2, 2); diag(Sigma) <- 1
u <- rMVN(n, rep(0,2), Sigma)
cov <- rMVN(n, rep(0,2), Sigma)
cov <- pnorm(cov)
x1 <- round(cov[,1]); x2 <- cov[,2]
f1 <- function(x) cos(pi2x) + sin(pix)
f2 <- function(x) x+exp(-30(x-0.5)^2)
y1 <- ifelse(-1.55 + 2x1 + f1(x2) + u[,1] > 0, 1, 0)
y2 <- -0.25 - 1.25y1 + f2(x2) + u[,2]
dataSim <- data.frame(y1, y2, x1, x2)1.標準の再帰的二変量モデル（ここでは二変量プロビットではありません）
rc <- resp.check(y2, margin = "N", print.par = TRUE, loglik = TRUE) ##产生因变量y2的柱状图和QQ图
out <- gjrm(list(y1 ~ x1 + x2, y2 ~ y1 + x2), data = dataSim, margins = c("probit","N"), Model = "B") ##B=bivariate mode，y1为0-1变量因此连接函数为probit，y2为连续变量因此连接函数为identity
conv.check(out)
summary(out)
post.check(out)Treatment effect with 95% interval: -1.211 (-1.457,-0.998)
ここでは、内因性の政策変数y1が結果変数y2に与える影響について懸念しています。したがって、2番目の方程式のy1係数と有意性に焦点を当てる必要があります。回帰結果から、y1はy2に負の政策効果をもたらします（3つの星が重要です）。得られたAICとBICはそれぞれ3,914.293と3,953.55でした。
得られた平均治療効果：95％間隔の治療効果：-1.211（-1.457、-0.998）
2.柔軟な再帰的二変量モデル、セミパラメトリック回帰。x2とx3がそれぞれの関数形式に置き換えられます。
eq.mu.1 <- y1 ~ x1 + s(x2)
eq.mu.2 <- y2 ~ y1 + s(x2)
eq.sigma2 <- ~ 1 ##sigma2是dispersion参数(方差)
eq.theta <- ~ 1 ##theta是dependence参数
fl <- list(eq.mu.1, eq.mu.2, eq.sigma2, eq.theta)
out <- gjrm(fl, data = dataSim, margins = c("probit","N"), gamlssfit = TRUE,
Model = "B")
conv.check(out)
summary(out)
post.check(out)
jc.probs(out, 1, 1.5, intervals = TRUE)[1:4,]
AT(out, nm.end = "y1")
AT(out, nm.end = "y1", type = "univariate")ここでの結果部分は省略され、平均的な治療効果ATEのみが示されています。得られたAICとBICはそれぞれ3,692.566と3,766.468でした。情報量基準によれば、この形式の回帰が最適です。
得られた平均治療効果：95％間隔の治療効果：-1.23（-1.41、-1.04）。
例3：内因性連続変数y1、0-1ダミー結果変数
set.seed(0)
n <- 1000
Sigma <- matrix(0.5, 2, 2); diag(Sigma) <- 1
u <- rMVN(n, rep(0,2), Sigma)
cov <- rMVN(n, rep(0,2), Sigma)
cov <- pnorm(cov)
x1 <- round(cov[,1]); x2 <- cov[,2]
f1 <- function(x) cos(pi2x) + sin(pix)
f2 <- function(x) x+exp(-30(x-0.5)^2)
y1 <- -0.25 - 2x1 + f2(x2) + u[,2]
y2 <- ifelse(-0.25 - 0.25y1 + f1(x2) + u[,1] > 0, 1, 0)
dataSim <- data.frame(y1, y2, x1, x2)
eq.mu.1 <- y2 ~ y1 + s(x2)
eq.mu.2 <- y1 ~ x1 + s(x2)
eq.sigma2 <- ~ 1
eq.theta <- ~ 1
fl <- list(eq.mu.1, eq.mu.2, eq.sigma2, eq.theta)
out <- gjrm(fl, data = dataSim, margins = c("probit","N"), Model = "B") ##注意y1和y2的方程顺序，这里sigma2和theta参数都为常数(其实你可以去掉eq.sigma2和eq.theta).
conv.check(out)
summary(out)
post.check(out)
AT(out, nm.end = "y1") ##average treatment effect
AT(out, nm.end = "y1", type = "univariate")
RR(out, nm.end = "y1", rr.plot = TRUE) ##risk ratios
RR(out, nm.end = "y1", type = "univariate")
OR(out, nm.end = "y1", or.plot = TRUE) ##odds ratio
OR(out, nm.end = "y1", type = "univariate")
ここでは、内因性の政策変数y1が結果変数y2に与える影響について懸念しています。したがって、最初の方程式のy1係数と有意性に焦点を当てる必要があります。回帰結果から、平均して、y1はy2に負の政策効果をもたらします（3つの星が重要です）。
内因性の政策変数y1は連続変数であるため、得られた平均治療効果を次の表と図に示します。y1= 2の前は、y1の単位を追加するたびに、政策効果が強くなります（絶対値）。 、y1の追加単位ごとに、ポリシー効果が弱くなります。しかし、この期間に共通することの1つは、政策効果が常にマイナスであるということです。
次の部分は派生したものであり、この記事のトピック「観察不可能な交絡変数」の内因性処理トピックには属していません。
「柔軟な関節尤度モデル」の柔軟性を考慮すると、このフレームワークはサンプル選択においても大きな利点があります。上記のように、彼は依存パラメーターを共変量の関数にすることを許可し、セミパラメトリック回帰を選択変数と結果変数に適合させることもできます。
サンプル選択の問題
例1：サンプル選択バイアス
set.seed(0)
n <- 2000
rh <- 0.5
sigmau <- matrix(c(1, rh, rh, 1), 2, 2)
u <- rMVN(n, rep(0,2), sigmau)
sigmac <- matrix(rh, 3, 3); diag(sigmac) <- 1
cov <- rMVN(n, rep(0,3), sigmac)
cov <- pnorm(cov)
bi <- round(cov[,1]); x1 <- cov[,2]; x2 <- cov[,3]
f11 <- function(x) -0.7(4x + 2.5x^2 + 0.7sin(5x) + cos(7.5x))
f12 <- function(x) -0.4( -0.3 - 1.6x + sin(5x))
f21 <- function(x) 0.6(exp(x) + sin(2.9x))
ys <- 0.58 + 2.5bi + f11(x1) + f12(x2) + u[, 1] > 0
y <- -0.68 - 1.5bi + f21(x1) + u[, 2]
yo <- y(ys > 0)
dataSim <- data.frame(ys, yo, bi, x1, x2)これのデータ構造を見てください。選択された変数ysは0-1構造です。ys= 0のデータの場合、結果変数yo = 0です。したがって、2つの方程式を使用しての影響を推定する傾向があります。 bi onyo。
1.標準サンプル選択偏差方程式。最初の方程式ysは選択方程式でなければなりません。
resp.check(yo[ys > 0], "N")
out <- gjrm(list(ys ~ bi + x1 + x2, yo ~ bi + x1), data = dataSim, Model = "BSS",margins = c("probit", "N")) ##BSS=bivariate model with sample selection
conv.check(out)
post.check(out)
summary(out)
AIC(out); BIC(out)
ここでは、biがyoに与える影響について懸念しているため、2番目の式のbi係数と有意性に焦点を当てる必要があります。回帰結果から、biはyoに悪影響を及ぼします（3つの星が重要です）。得られたAICとBICはそれぞれ4562.817と4613.225です。
2.弾性サンプル選択偏差方程式、セミパラメトリックサンプル選択バイアス
out <- gjrm(list(ys ~ bi + s(x1) + s(x2), yo ~ bi + s(x1)), data = dataSim, Model = "BSS", margins = c("probit", "N"))
conv.check(out)
post.check(out)
AIC(out); BIC(out)summary(out) ##考虑了选择偏差
summary(out$gam2) ##没有考虑选择偏差サンプル選択バイアスを考慮した後に得られた推定結果：
以下は、サンプル選択バイアスを考慮せずに得られた推定結果です。上記でサンプル選択バイアスを考慮した場合と比較して、サンプル選択バイアスが過大評価を引き起こすとは考えられていません。
3.弾性サンプル選択バイアス、セミパラメトリックサンプル選択バイアス：相関および分散パラメーターは共変量の関数です
eq.mu.1 <- ys ~ bi + s(x1) + s(x2)
eq.mu.2 <- yo ~ bi + s(x1)
eq.sigma2 <- ~ bi
eq.theta <- ~ bi + x1
fl <- list(eq.mu.1, eq.mu.2, eq.sigma2, eq.theta)
out <- gjrm(fl, data = dataSim, Model = "BSS",margins = c("probit", "N"))
conv.check(out)
post.check(out)
summary(out)
out$sigma2
out$theta
jc.probs(out, 0, 0.3, intervals = TRUE)[1:4,]
outC0 <- gjrm(fl, data = dataSim, BivD = "C0", Model = "BSS", margins = c("probit", "N")) ##bivariate error服从Clayton copula分布
conv.check(outC0)
post.check(outC0)
AIC(out, outC0); BIC(out, outC0)
情報量基準指標AICとBICを比較することにより、outc0の連立方程式システムはoutほどうまく機能しないことがわかります。
4.二重サンプル選択、合計3つの方程式があり、そのうち2つは0-1選択方程式です。
set.seed(0)
n <- 5000
Sigma <- matrix(c(1, 0.5, 0.4,
0.5, 1, 0.6,
0.4, 0.6, 1 ), 3, 3)
u <- rMVN(n, rep(0,3), Sigma)
f1 <- function(x) cos(pi2x) + sin(pix)
f2 <- function(x) x+exp(-30(x-0.5)^2)
x1 <- runif(n)
x2 <- runif(n)
x3 <- runif(n)
x4 <- runif(n)
y1 <- 1 + 1.5x1 - x2 + 0.8x3 - f1(x4) + u[, 1] > 0
y2 <- 1 - 2.5x1 + 1.2x2 + x3 + u[, 2] > 0
y3 <- 1.58 + 1.5*x1 - f2(x2) + u[, 3] > 0
dataSim <- data.frame(y1, y2, y3, x1, x2, x3, x4)
f.l <- list(y1 ~ x1 + x2 + x3 + s(x4),y2 ~ x1 + x2 + x3,y3 ~ x1 + s(x2))
out <- gjrm(f.l, data = dataSim, Model = "TSS", margins = c("probit", "probit", "probit"))
conv.check(out)
summary(out)
plot(out, eq = 1)
plot(out, eq = 3)
prev(out)
prev(out, type = "univariate")
prev(out, type = "naive")ページが占有されすぎていることを考慮して、この部分の結果は書き出されません。
このFJLMシステムは、部分的な可観測性の問題も解決できます。「柔軟なジョイント尤度モデル」についてさらに詳しく知りたい場合は、測定コミュニティにアクセスしてください。
推奨読書：
1。実証研究で使用される135の記事、社会科学者が一般的に使用するツールキット
2. 1998年から2016年までの中国の県レベルの都市の年間平均PM2.5データリリース
3.経済界の経済および社会データベースの収集社会科学研究米
私たちのサークルは多くの古典的な文書を紹介してきました、そして私たちは単純または複雑な方法で方法を議論しました。以下は代表的な資料です。詳細を知りたい場合は、学者が公式アカウントを検索できます。
1. DIDは古典文学、強制実施権を使用：敵の貿易法からの証拠
2.継続的なDID古典文学、ジャガイモは旧世界の文明を作りました
3. DIDが伝える断面データ、二重微分のパラダイムを行うための断面ポリシー評価
4.RDD古典文献、RDDモデルの妥当性と堅牢性テスト
5.DID古典文献「環境規制」の紙のデータと手順で使用されるイベント調査方法
6.非常に古典的なJHE文献を使用する一般化されたDID方法7.DID
古典文献「強制実施」 「論文データと実行プログラム
8.MLM活動は経済発展に影響を与える、AER断面データ分析古典的テキスト
9.複数期間のDID古典的文献ビッグバッドバンクデータと実行ファイル
10.因果推論IV法古典的文献、それはシステムですかまたは人的資本は経済発展を促進しますか？
11. AER、感度テスト、不均一性分析、および古典的な記事のクロスデータ使用に関する因果関係の確立
12.因果推論の2番目の古典、労働者のその後の生産効率に対する作業中断の影響？
13.密度経済学：ベルリンの壁からの自然実験、ベストエコノメトリカペーパー
14.AERの識別戦略としてDIDとDDDを使用した労働と医療経済学
15.断面データを使用したポリシー評価方法もAERで発行できます。
拡張読書：
1.二重微分DIDの種類の内訳、読まなければならない20の記事
2.内因性問題操作ガイド、22の広く流通している記事
3.マッチング方法（マッチング）操作ガイド、収集
する価値のある16の記事4.百科事典空間計測のスタイルガイド、これはこのユニークなチートを習得する唯一の
ガイドです。5。パネルデータモデル操作ガイド、あなたが読まなければならない16の記事
6.ソーシャルネットワーク分析最新の文献とソフトウェア学習マニュアル
7.中国の産業企業データベースの使用問題の説明
8.JEEM環境および資源経済学の最新の研究動向とホットトピック
9.経済学の分野における英語ジャーナルのレビュー状況の統計、レビューサイクル数
10.中国のCジャーナルのレビュー情報の完全な統計、数レビューサイクルの、できるだけ早くダウンロード
11. Stataの115ページのヒントを効率的に使用し、PDFバージョンを印刷して使用することができます
1. Anshen + Clark Prize受賞者のRDDペーパー、ブレークポイント回帰設計
2.ポリシー評価におけるブレークポイント回帰の設計とは何ですか、またそれを行う方法は何ですか？
ボリューム3.2RDDブレークポイント回帰ユーザーマニュアル（StataおよびRソフトウェアの操作手順を含む）
4.ブレークポイント回帰設計RDDが十分に説明されており、教育分野には多くのユーザーがいます
5.操作変数、ブレークポイント、ランダムショックがなければ、帰属も推測できます
6. RDDブレークポイント回帰、経験的完全プログラムの百科事典
7.ブレークポイント回帰設計のRDD分類と操作のケース
8. DID、合成制御、マッチング、RDD、適用可能な範囲と特性の4つの方法の比較
9. RDDの古典的な文献、RDDモデルの妥当性と堅牢性テスト
10.教育分野でIV、RDD、DID、PSMをもっと使用していますか？
11.RDDスライドデータの公開共有
12.ブレークポイント回帰設計、RDDのフロンティア研究状況
13.PSM-DID、DID、RDD、Stataプログラム百科事典
14. IV、RD、DIDが見つからない場合はどうすればよいですか？これは別の方法です。
他の有名なコラム記事をすべて読むことをお勧めします。
1.実証研究に従事する学者に対するLuMing教授の実証的提案
2.Lu Ming教授は、査読者としての原稿の執筆とレビューについて話し
ます。3。Lu Mingは、実証研究を最後まで実行し、学術道路の人々に捧げます
4。 Positivismに反対しなければならない：Lu Ming5による「実証的研究を最後まで実行する方法」へのコメント。YaoYangが
「EconomicResearch」を公開できないのはなぜですか。
6.八尾陽経済学は科学ですか？四半期の編集長が言ったこと
7.経済四半期の編集長、Yao Yang：高品質の論文の書き方
8. Qiang Chen：経験的計量経済学のエッセイ執筆の完全な分析
9。 Hong Yongmiao教授、計量経済学について話すことができます
10. Lu Rongの計量経済学ツールは経済学を科学的にしましたか？
11。XuShuying：ビジネススクールの教授は象牙の塔に隠れないでください。12。YuXiaohua
の計量経済学モデルを開く正しい方法。実証分析のために
中国から13牙Hanming、アメリカの経済教育システムとその応答啓蒙
14経済学の馬Guangrongの実証的研究で誤解をすべて経験している。
15呉Xizhi計量経済学での7つの主要な誤解、あなたが強化しています雷に？
16.創刊号、ゾウ・ヘンフー教授の若手研究者への4つの学術的格言
以下の短いリンクの記事はコレクションに属しています。それらを収集して読むことができます。そうしないと、将来それらを見つけることができなくなります。
2年間で、1,000近くの記事が計量経済学界の公式アカウントに掲載されました。
計量経済学サークル