|
Stata初高级特训_2025年
- 课程简介
- 适用人群
- 讲师介绍
- 课程安排
- 课程特色
- 课程大纲
- 往期学员评价
2025年寒假 Stata 课程专为希望在数据分析和计量经济学领域精进技能的学员设计，课程聚焦Stata 软件在学术研究和实务操作中的强大应用，致力于提升学员的数据管理和模型构建能力。本课程提供完整的代码、配套数据和案例解析，分为初级和高级两个层次，逐步带领学员从 Stata 的基础操作到高阶分析，掌握广泛应用于经济、金融、管理等多个领域的前沿分析技术。
在课程内容上，我们结合当前的研究热点，涵盖了从数据预处理、可视化到线性回归、工具变量、面板数据模型（静态和动态）、双重差分、断点回归、合成控制、机器学习与因果推断等多种常用的计量分析方法，力求让学员掌握多元化的模型选择和分析策略。特别值得关注的是，课程全面引入 AI 辅助技术，帮助学员高效完成数据清洗、变量选择、模型优化等繁琐任务。AI 的引入不仅提升了学习效率，更帮助学员掌握数据分析的自动化与智能化技能。
在初级课程中，学员将系统学习 Stata 的基础操作，掌握数据导入、数据清理、绘图等常用技能，为后续的数据分析奠定坚实基础。同时，课程详细讲解了 Stata 在经典计量经济学模型（如线性回归、工具变量法和面板数据模型）中的应用，包括基于 AI 的模型实现和结果解读，帮助学员高效掌握从变量边际效应到弱工具变量检验等关键技能。
高级课程则专注于前沿计量模型和因果推断方法，重点讲授面板模型的最新发展（如非平稳、动态和非线性面板数据模型）、因果推断效应（异质性双重差分、断点回归和合成控制法）以及复杂异质性处理效应等前沿方法。AI 在高级课程中的应用更为突出，包括自动化高维面板数据模型估计、模型选择和动态效果分解等，帮助学员快速适应计量经济学和数据科学的最新趋势。通过深入学习，学员不仅能理解模型背后的理论，还将具备直接应用于学术论文撰写和复杂数据项目分析的能力。
课程面向Stata 初学者、具有一定计量分析基础的学员以及希望掌握最新 Stata 工具和技术的学者。无论是学术研究、政策分析还是行业数据研究，课程都将为学员提供强大支持，并通过 AI 辅助工具提升分析效率，让学员从繁杂的数据处理中解放出来，专注于模型构建和结果分析。
-
经济金融学的教师、博硕士研究生和学者
-
管理学的教师、博硕士研究生和学者
-
政治学的教师、博硕士研究生和学者
-
社会学的教师、博硕士研究生和学者
-
教育学的教师、博硕士研究生和学者
-
相关社科类的教师、博硕士研究生和学者
-
医学统计的教师、博硕士研究生和学者
-
对Stata统计计量软件感兴趣的研究人员
崔百胜
教授
崔百胜，经济学博士，教授，硕士生导师。2006年7月毕业于厦门大学金融系，现任教于上海师范大学。
主要从事
主要讲授研究生《空间计量经济学》、《中级应用计量经济学》、《货币理论与政策》等课程。教学使用软件为Stata和Matlab软件，熟悉相关软件的操作与使用。 主要研究领域为货币理论与政策、动态一般均衡模型、空间计量经济学。主持国家社会科学基金项目，教育部人文社会科学基金项目，以及上海市教委科研创新项目等在内的多项课题。在CSSCI期刊发表学术论文30余篇。参与编写《空间计量经济学——现代理论与模型》、《经济计量研究指导——实证分析与软件实现》等专业教材。
主讲课程
《空间计量经济学》、《中级应用计量经济学》、《货币理论与政策》等课程。
培训时间：2025年1月13-15, 17-19日 (六天)
培训地点：北京现场班, 同步远程直播; 均提供录播回放
培训费用：6000元/5600元(学生优惠价仅限全日制本科及硕士在读)
授课安排：9:00-12:00；14:00-17:00；答疑交流
-
课程内容更丰富更新
36小时课程共讲授12章的内容，且包括了多篇论文的实例，相当于将初级、高级和论文三个阶段的学习融入到初级和高级课程学习的过程中，课程也包括空间计量经济学的核心模型应用，如动态空间面板模型的实现与效应分解等。同时，课程包括例如DID扩展模型，这些政策评价领域最新的研究进展，例文也是2020年新近刊发的AER顶级论文的实现。
-
授课方式三位一体
采用“理论讲解+代码实现+论文复制”三维一体的模式，从而将理论的学习与论文的写作很好结合，通过解读论文的实现过程，实现论文的再现和自身研究领域的完美拓展；
-
初高级各有30天回放
课后可以反复复习以掌握授课内容，免去时间限制远程班无法消化的内容。
-
全面引入AI辅助
课程全面引入 AI 辅助技术，帮助学员高效完成数据清洗、变量选择、模型优化等繁琐任务。AI 的引入不仅提升了学习效率，更帮助学员掌握数据分析的自动化与智能化技能，让学员从繁杂的数据处理中解放出来，专注于模型构建和结果分析。
初级班课程大纲
第1讲 Stata基础操作（3h）
- 1.1 Stata软件快速入门
- 1.2 AI赋能Stata学习实例 2025 new
- 1.3 Stata菜单操作
- 1.4 Stata路径设定：sysdir和adopath
- 1.5 Stata外部命令科学管理与更新
- 1.6 各类文件的合理组织：do文件、ado文件和数据文件
- 1.7 Stata命令与帮助文件
- 1.8 do文件创建与优化
- 1.9 标量与矩阵
第2讲 数据处理与作图（3h）
- 2.1 数据处理准备
- 2.1.1 各类数据导入与导出
- 2.1.2 整理、提取和变量转换
- 2.1.3 AI辅助数据预处理 2025 new
- 2.2 合并、转换与堆叠
- 2.2.1 纵向与横向数据合并
- 2.2.2 数据转换
- 2.2.3 数据堆叠与面板数据构建
- 2.2.4 AI辅助合并与匹配 2025 new
- 2.3 数据清理
- 2.3.1 单变量清理
- 2.3.2 多变量清理
- 2.3.3 AI自动化数据清洗 2025 new
- 2.4 缺失值与补漏方法集成
- 2.5 数据清理实操
- 2.5.1 主流数据库：Wind数据转换为Stata面板数据
- 2.5.2 微观调查类数据处理：以CFPS数据为例
- 2.6 Stata数据的科学图形展示
- 2.6.1 基础图形命令应用
- 2.6.2 面板数据的动态显示
- 2.6.3 交错事件面板数据图形
- 2.6.4 回归系数可视化
- 2.6.5 分箱散点图
- 2.7 例文软件实现与解读：
- ① Cattaneo M D, Crump R K, Farrell M H, et al. On binscatter[J]. American Economic Review, 2024,114(5): 1488-1514.
第3讲 Stata程序与编程（3h）
- 3.1 局域暂元与全局暂元
- 3.1.1 global的使用技巧
- 3.1.2 local的几种常用方法
- 3.1.3 AI提升暂元应用技能 2025 new
- 3.2 条件与循环语句
- 3.2.1 巧用if嵌套语句
- 3.2.2 循环语句
- 3.2.3 AI辅助语句解读 2025 new
- 3.3 程序编写规范与语法解析
- 3.3.1 Stata程序结构
- 3.3.2 程序参数解析
- 3.3.3 程序返回值
- 3.3.4 标准语法解析
- 3.3.5 参数类型验证
- 3.3.6 AI智能编写Stata程序 2025 new
- 3.4 ado文件与hlp文件
- 3.4.1 ado文件编写规范
- 3.4.2 标准文件的编写
- 3.5 Stata编程示例: LM和GMM估计的代码编程
第4讲 线性回归模型、内生性与工具变量法（3h）
- 4.1 regress估计、结果解释与边际效应
- 4.2 如何正确使用稳健与聚类-稳健标准误
- 4.3 Wild cluster bootstrap
- 4.4 自变量相对重要性的Shapley分解
- 4.5 AI辅助识别内生性与修正 2025 new
- 4.6 IV估计量：IV、2SLS和GMM
- 4.7 恰好与过度识别模型的IV估计
- 4.8 弱工具变量检验
- 4.9 弱工具变量的稳健推断
- 4.10 IV和OLS估计系数差异分解
- 4.11 例文软件实现与解读：
- ② 尹志超等. 农村劳动力流动对家庭储蓄率的影响[J]. 中国工业经济,2020.
- ③ Ishimaru S. Empirical decomposition of the iv-ols gap with heterogeneous and nonlinear effects[J].Review of Economics and Statistics, 2024: 1-16.
第5讲 因果推断经验研究中的中介效应与调节效应（IV）（3h）
- 5.1 中介效应模型的现行做法与检验
- 5.2 中介效应检验的反思
- 5.3 中介效应分析的操作建议
- 5.4 中介效应估计新命令：sgmediation2
- 5.5 具有工具变量的中介效应分析
- 5.6 基于结构方程模型的中介效应分析
- 5.7 AI赋能中介效应分析 2025 new
- 5.8 调节效应与异质性分析
- 5.9 调节效应分析的操作建议
- 5.10 例文软件实现与解读：
- ④ 孙伟增,毛宁,兰峰等.政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].中国工业经济,2023.
- ⑤ 曹伟,綦好东,赵璨.企业金融资产的配置动机：基于产权性质与异质性股东参股的分析[J].中国工业经济,2023.
- ⑥ Braghieri L, Levy R, Makarin A. Social media and mental health[J]. American Economic Review, 2022.
第6讲 静态面板数据模型与双重差分法（3h）
- 6.1 估计量比较：混合OLS、组内、组间与一阶差分
- 6.2 模型选择检验：固定效应or随机效应模型
- 6.3 面板数据内生性与IV估计
- 6.4 高维固定效应模型：reghdfe
- 6.5 AI辅助静态面板数据模型估计、模型选择与结果解释 2025 new
- 6.6 政策评估两种偏误如何影响评估效果
- 6.7 双重差分的7种估计方法
- 6.8 双重差分法的平行趋势检验与安慰剂检验
- 6.9 Stata时间-空间维度安慰剂检验新命令
- 6.10 多期双重差分的估计与规范作图
- 6.11 三重差分估计如何检验平行趋势
- 6.12 例文软件实现与解读：
- ⑦ 曹清峰.国家级新区对区域经济增长的带动效应——基于70大中城市的经验证据.中国工业经济,2020.
高级班课程大纲
第7讲 长面板与动态面板数据模型（3h）
- 7.1 长面板估计策略
- 7.2 长面板估计方法选择：稳健 vs. 效率
- 7.3 组内自相关与组间同期相关检验
- 7.4 偏差校正LSDV估计
- 7.5 面板工具变量估计法
- 7.6 工具变量高维固定效应面板
- 7.7 移动份额工具变量法Bartik方法
- 7.8 动态面板数据的差分与系统GMM估计
- 7.9 不规则时间间隔的动态面板数据
- 7.10 AI赋能长面板与动态面板数据模型学习案例 2025 new
- 7.11 例文软件实现与解读：
- ① Acemoglu D, Naidu S, Restrepo P, et al. Democracy does cause growth. Journal of political economy,2019.
- ② Borusyak K, Hull P, Jaravel X. Quasi-experimental shift-share research designs[J]. The Review of Economic Studies, 2022.
第8讲 非平稳与非线性面板数据模型（3h）
- 8.1 跨截面相依检验
- 8.2 面板单位根检验
- 8.3 面板协整检验
- 8.4 异质性数据的面板Granger检验-xtgrangert
- 8.5 静态面板门槛数据模型
- 8.6 具有内生性与门限效应的动态面板数据模型
- 8.7 共同因子数量测度
- 8.8 具有共同相关因子的动态面板数据模型
- 8.9 面板向量自回归模型（PVAR）
- 8.10 AI赋能非平稳与非线性面板数据模型学习案例 2025 new
- 8.11 例文软件实现与解读：
- ③ Ditzen J., Estimating long run effects and the exponent of cross-sectional dependence: an update to xtdcce2, The Stata Journal,2021.xtdcce2, The Stata Journal,2021.
- ④ 王维国,王鑫鹏.创新转化效率、要素禀赋与中国经济增长[J].数量经济技术经济研究,2022.
第9讲 因变量受限的面板数据模型（3h）
- 9.1 面板二值选择模型
- 9.2 面板logit的边际效应与处理效应
- 9.3 面板多值选择模型
- 9.4 面板Tobit模型
- 9.5 面板计数模型：泊松与负二项模型
- 9.6 多项选择面板回归模型
- 9.7 高维固定效应泊松面板模型
- 9.8 动态面板Probit模型
- 9.9 非平衡面板的动态面板Probit模型
- 9.10 AI赋能因变量受限的面板数据模型学习案例 2025 new
- 9.11 例文软件实现与解读：
- ⑤ 吴小康,于津平.科技中介与全国统一技术大市场建设[J].数量经济技术经济研究,2023.
第10讲 异质性DID模型（3h）
- 10.1 如何在多期与处理时间变化时，选择合适的DID估计量？
- 10.2 负权重的诊断：de Chaisemartin and D’Haultfoeuille 分解
- 10.3 禁止比较组的诊断：Bacon分解
- 10.4 组别-时期平均处理效应估计：csdid和did_multiplegt
- 10.5 插补估计量：did_imputation
- 10.6 堆叠回归估计量：stackedev
- 10.7 通过TWFE的事件研究：eventstudyinteract与jwdid
- 10.8 Stata官方异质性双重差分命令：xthdidregress
- 10.9 放松或允许平行趋势假设被违反
- 10.10 稳健性推论和敏感性分析
- 10.11 异质性处理效应应用建议
- 10.12 AI赋能异质性DID模型学习案例 2025 new
- 10.13 例文软件实现与解读：
- ⑥ De Chaisemartin C, d’Haultfoeuille X. Two-way fixed effects and differences-in-differences with heterogeneous treatment effects: A survey[J]. The Econometrics Journal, 2023.
- ⑦ Roth J, Sant’Anna P H C, Bilinski A, et al. What’s trending in difference-in-differences? A synthesis of the recent econometrics literature, Journal of Econometrics, 2023.
- ⑧ 余长林,马青山.特高压输电与区域经济发展——来自特高压工程的经验证据[J].数量经济技术经济研究,2023.
第11讲 断点回归与合成控制（3h）
- 11.1 精确断点回归
- 11.2 断点回归的检验（连续性检验、安慰剂检验）
- 11.3 模糊断点估计
- 11.4 多断点回归
- 11.5 断点回归（RDD）与扭点回归（RKD）的最优模型选择
- 11.6 合成控制法
- 11.7 非参数合成控制法
- 11.8 合成控制与合成双重差分的比较
- 11.9 AI赋能断点回归与合成控制学习案例 2025 new
- 11.10 例文软件实现与解读：
- ⑨ Cattaneo M D, Idrobo N, Titiunik R. A Practical Introduction to Regression Discontinuity Designs: Extensions[M]. Cambridge University Press, 2024.
- ⑩ Clarke, D Pailañir, S. Athey and G. Imbens. Synthetic Difference-in-Differences Estimation. IZA Discussion Paper, 2023.
第12讲 Lasso在预测与推断中的应用（3h）
- 12.1 变量选择与交叉验证
- 12.2 收缩法：ridge, Lasso, elasticnet
- 12.3 Lasso用于预测
- 12.4 Lasso用于推断
- 12.4.1 变量选择与系数估计
- 12.4.2 获得标准误
- 12.5 不同结果变量的Lssso推断命令
- 12.5.1 连续结果变量
- 12.5.2 两元选择结果变量
- 12.5.3 计数结果变量
- 12.6 系数解释：边际效应、对比、获胜率、发生率
- 12.7 实例：探讨母亲教育和吸烟习惯对出生体重的影响
- 12.8 AI辅助Lasso在预测与因果推断中的应用 2025 new
- 12.9 扩展Lasso模型
- 12.9.1 adaptive Lasso
- 12.9.2 ivlasso
- 12.9.3 pdslass
- 12.9.4 dslasso
- 12.10 例文软件实现与解读：
- ⑪ Ahrens A, Hansen C B, Schaffer M E. lasso pack: Model selection and prediction with regularized regression in Stata[J]. The Stata Journal, 2020, 20(1): 176-235.
- 以往现场班/远程班老学员，9折优惠。
- 同一单位3人以上报名，9折优惠。
- 每项课程都为学员精心准备了纸质版和电子版的内部教材和讲义。
- 每位学员赠送1000个论坛币。
联系方式
尹老师
电话: 13321178792
Q Q: 42884447
邮箱: yinna@pinggu.org
微信：yinyinan888
刘老师
电话: 18600257362
Q Q: 3196394371
邮箱: liumei@pinggu.org
微信：jgzjwanzi