计量小课：计量经济学基础
模型辨析、OLS 直觉、变量处理、面板与内生性、离散与截断模型
都是模型，计量经济的模型与数学模型、经济模型有什么区别？
你一定听过这样的说法：\"你这个模型不准\"\"这个模型的假设太理想化了\"\"让我们用数据跑一下模型\"。
当一个人在做实证研究的时候，他在做什么？
\"这个结论有实证支持吗？\"\"我们需要做实证研究。\"\"这篇论文是纯理论的，缺乏实证检验。\"
数据分类那么多，我们都要学吗？学了有什么用？
初学计量的人，第一波冲击往往来自数据的分类方式。
当我们拿到一份数据，如何从抽样的视角审视它的代表性与合理性？
上过计量方法课的人，大概率都学过抽样——简单随机抽样、分层抽样、整群抽样、系统抽样、PPS抽样，每种方法的公式和特点都背过。考试的时候，你知道分层抽样能降低方差，知道整群抽样的设计效应怎么算。
大家都关心因果，那么数据\"相关性\"分析到底有什么用？
如果你关注近几年的社科研究方法论讨论，一定会感受到一股强大的风向——因果推断几乎占据了话语权的全部。
多元线性回归中的\"保持其他条件不变\"到底应该怎么理解？
打开任何一篇使用了多元线性回归的实证论文，你大概率会在解释系数的部分看到这句话：
潜在因果框架 vs 多元回归：两种\"因果\"语言有什么不同？谁更可信？
如果你同时读两类论文，会发现\"因果关系\"这个词被用在了两种看起来完全不同的语境中——
为什么最小二乘法只算出一个数，却可以说它是\"无偏\"\"有效\"的？
任何一个学过初级计量的人，都经历过这样一个认知时刻——
回归系数、偏回归系数与相关系数之间有什么关系？
学计量的人，通常是在三个不同的时间点、从三个不同的方向，分别认识这三个概念的：
线性回归模型中的\"残差\"和\"误差\"是什么关系？
如果你翻看计量经济学课本中关于线性回归的章节，你会反复遇到两个长得几乎一模一样、但含义完全不同的词——
回归模型的方差分解：R² 和 F 检验的背后是什么？
回归模型的方差分解：R² 和 F 检验的背后是什么？
为什么实证研究中的回归系数，大多都在 -1 和 1 之间？
翻开任意一本经济学期刊的实证部分，扫一眼回归表，你会观察到一个规律——
什么叫做\"经济显著性\"？它和统计显著性有什么区别？
如果你旁听过经济学 seminar，一定见过这种场面——
面板数据回归中，Within R²、Between R² 和 Overall R² 分别是什么意思？
你用 Stata 跑了一个面板数据固定效应模型：
如何理解线性回归？\"针对 X 的线性\"和\"针对参数的线性\"是一回事吗？
\"线性回归\"这个名字，初听上去似乎不言自明——不就是画一条直线吗？
神奇的自由度：OLS 残差为什么是 n-2？t 检验和 F 检验的自由度从哪来？
如果你翻开任意一本计量教材，自由度（Degrees of Freedom, df）几乎是每章都会出现的\"幽灵参数\"——
当我们说\"OLS 估计量是无偏的\"，我们在说什么？
初学计量的人，在学完 OLS 的无偏性之后，往往会产生一种奇异的安心感。
实证研究中的控制变量怎么选？——不是影响 Y 的就该放进来
在实证研究的方法讨论中，有一个问题被问到的频率极高，但得到系统回答的频率极低——
R² 和调整 R² 是什么关系？为什么有时候调整 R² 会小于 0？
每一个跑过回归的人，都在 Stata 输出中同时见过这两个数字：
多重共线性是什么意思？怎么发现、怎么检验、怎么处理？
假设你跑了一个工资回归，核心变量是教育年限。所有系数看起来很正常。然后审稿人建议你\"再加一个控制变量\"——你照做了，加了一个\"母亲的受教育年限\"。
遗漏变量偏误：明知有变量被遗漏，为什么不放进去？怎么分析它的影响？
在上一篇文章中，我们区分了多重共线性和遗漏变量偏误——前者让估计\"看不清\"，后者让估计\"看错\"。而在这两者之间，遗漏变量偏误（Omitted Variable Bias, OVB）是计量经济学中最根本、最棘手的问题。
方差膨胀因子（VIF）是什么？如何用它诊断多重共线性？
假设你用三个自变量——教育年限、工作经验、年龄——去解释工资。直觉上，这三个变量之间肯定有关系：年龄大的人通常工作经验也更多。但具体来说，这种\"自变量之间的相关性\"对你的回归估计有什么影响？
内生解释变量和外生解释变量有什么关系？什么时候需要担心内生性？
$$ \\text{Wage} = \\beta0 + \\beta1 \\cdot \\text{Education} + \\beta2 \\cdot \\text{Experience} + \\varepsilon $$
FWL定理是什么？如何直观理解？它能帮你理解哪些重要的方法？
每个学过计量的人都会说一句话：\"多元回归的系数是在控制其他变量的情况下，X 对 Y 的偏效应。\"
Stata回归结果中的系数置信区间怎么解读？它和p值是什么关系？
wage | Coefficient Std. err. t P|t| [95% conf. interval] + education | .0800000 .0100000 8.00 0.000 .060399 .0996001 ...
实证分析中，数据可以做标准化吗？标准化后的系数怎么解释？为什么大家更爱取 ln？
跑完回归，你的 Stata 输出里有两个系数：
实证研究中什么时候加平方项？怎么解释？如何论证加入的合理性？
你研究\"收入对幸福感的影响\"。你的直觉是：穷的时候，多挣一分钱对幸福感提升很大；但富到一定程度之后，再多挣的钱对幸福感就没多大用了——可能甚至因为攀比和压力而略微下降。这意味着，收入和幸福感之间不是一条直线——而是一条先升后降（或先升...
实证分析中什么时候应该考虑调节效应？交互项为什么能考察调节？怎么解读？
你跑了一个标准的 Mincer 工资方程：
实证研究中残差有什么用？——从模型验证到特殊问题分析
你跑完回归，扫了一眼 R²、系数、p 值、显著性星星——然后把结果表复制到论文里，关掉了 Stata。
标准差、标准误、标准化——都这么\"标准\"，到底讲的是啥？
如果你是在中文语境下学的统计和计量，一定经历过这种微妙的困惑——
实证分析中可以直接对比不同变量的系数大小吗？什么情况下可以？怎么正确地比较？
lnwage = 0.080 × education + 0.030 × experience + 0.120 × tenure + controls
虚拟变量一定要比定性变量的类别数少一个吗？什么情况下可以例外？这和机器学习的 One-Hot Encoding 一样吗？
你在 Stata 里跑一个包含\"地区\"（东/中/西三类）的回归：
虚拟变量的交互如何理解？这种理解如何映射到双重差分（DID）？
交互项（Interaction Term）的一般含义是：X 对 Y 的效应随第三个变量 M 的取值而变化。当 M 是连续变量（如收入）时，交互项告诉你\"X 的边际效应在 M 的不同水平上如何变化\"。但当 M 是虚拟变量（如性别）时，交...
虚拟变量做因变量，可以直接跑 OLS 吗？——线性概率模型的「三宗罪」与为什么大家还在用
你研究\"什么样的学生会选择考研\"。你的因变量是 kaoyan——考研 = 1，不考研 = 0。你有一堆解释变量：GPA、学校层次、家庭收入、性别……
异方差到底是谁的方差不同？截面和面板中有什么不同表现？怎么检验和解决？
你研究\"教育对个人收入的影响\"。你用 OLS 跑了一个回归：
用滞后变量做工具变量——什么时候合理？什么时候是自欺欺人？
你研究\"FDI 对经济增长的影响\"。你知道 FDI 存在内生性——经济增长快的国家也更能吸引外资，Cov(FDI, ε) ≠ 0。你需要一个工具变量。
非平衡面板和缺失值——什么时候该删？什么时候该补？怎么补才合理？
你用的是 CGSS 五年的追踪调查数据。原始样本 8000 人。你跑了一个面板固定效应模型，Stata 告诉你\"Number of obs = 24,000\"——但你明明有 8000 × 5 = 40,000 条可能的观测。剩下的 1...
面板数据中的异常值——怎么界定？缩尾和截尾什么关系？怎么选？怎么检查不良影响？
你研究\"教育对个人年收入的影响\"。你的样本里有 10,000 个人——其中 9,999 人的年收入在 0 到 100 万之间。但有一个人，年收入 5000 万。
非随机样本是什么？内生选择和外生选择有什么区别？遇到非随机样本怎么办？
你用 CGSS（中国综合社会调查）研究\"教育对个人收入的影响\"。CGSS 是一个全国性的抽样调查——理论上，它是总体的随机样本。但仔细想一下：
因变量有大量零值——直接跑 OLS 行吗？删掉零值会怎样？实证中成熟的做法是什么？
你研究\"企业专利数量\"。你的样本里有 10,000 家公司，其中 7,000 家在任何一年都没有一项专利——因变量 patent = 0。剩下 3,000 家的专利数从 1 到 5000 不等。
面板数据中加自变量的滞后项——什么时候该加？什么时候不该？加了之后能挖出什么信息？
你研究\"企业 R&D 投入对专利产出的影响\"。你跑了一个面板固定效应模型：
控制时间趋势——加一个 t 还是加一串年份虚拟变量？t 怎么赋值？
你研究\"城镇化率对居民消费的影响\"。你用的是省级面板数据，2000—2020 年。你跑了一个回归：
伪回归是什么？在什么情况下容易出现？有什么迹象？怎么避免？
Granger 和 Newbold 在 1974 年做了一个著名的模拟实验。他们生成了两个完全独立的随机游走过程：
什么时候需要做季节调整？面板数据需要吗？怎么判断？怎么做？
你用的是季度 GDP 数据——Q1、Q2、Q3、Q4。你画了一张时序图——发现 GDP 每年都有一个规律的\"锯齿\"：Q1 总是全年的低谷（春节停工），Q4 总是全年的高峰（年末冲刺 + 节日消费）。
面板数据中有时间序列信息——为什么不常规做去趋势和去季节性？
你学完了时间序列计量经济学——单位根检验、协整、去趋势、季节调整。你带着这一套工具打开了一个省级面板数据集——30 个省份，1998—2020 年，每年一个观测。
在实证研究中，如何识别和判断自相关问题？出现后对 OLS 有何影响？应该如何调整？
你跑了一个时间序列回归——用 1980—2020 年的年度宏观数据研究\"货币供应量对通货膨胀的影响\"。你的模型是：
面板数据中也包含时间序列的信息，为何实证研究中经常不需要考虑是否为平稳过程这些问题呢？
你刚修完时间序列计量经济学。你学会了 ADF 检验、KPSS 检验、单位根、单整阶数、差分平稳 vs 趋势平稳、协整与误差修正模型。你记住了 Granger 和 Newbold（1974）的经典警告：两个独立的随机游走在水平值上回归，...
教材中 FE 和 RE 都讲、Hausman 检验也存在——但为什么实证研究中的大部分都直接用固定效应模型？
翻开任何一本中级计量经济学教材的面板数据章节，你一定看到过这个标准的叙事弧线：
实证中常说的稳健标准误包括哪些类别？分别适用在什么情况？如何选择并论证自己的选择？
你跑了一个简单的回归——用企业面板数据研究\"研发投入对企业生产率的影响\"。你在 Stata 里写了三行代码，得到了三套截然不同的 t 值：
工具变量的两大核心：如何论证相关性和外生性？需要什么检验？论证角度从何思考？
你研究\"教育年限对收入的影响\"。你知道 OLS 有一个经典的内生性问题——能力（$ui$）同时影响教育选择和收入水平，遗漏能力导致教育年限的系数有偏。你需要一个工具变量。
用\"更高一层级\"的变量做工具变量——行业均值 IV 的外生性困境与论证策略
你研究\"企业数字化转型对生产率的影响\"。数字化是内生的——高生产率的企业可能更倾向于投入数字化，你分不清是数字化带来了生产率，还是生产率推动了数字化。
实证研究中是否需要严谨的统计学检验来检验变量的内生性？
你学完了计量经济学的内生性章节。你知道了 DurbinWuHausman（DWH）检验——先用工具变量回归，然后比较 IV 估计和 OLS 估计的差异。如果差异显著 → OLS 有内生性偏误 → 应该用 IV。如果差异不显著 → 不能...
从线性回归到 Logistic 模型——核心原理、过渡推理与可挖掘的经济含义
你研究\"个人是否创业\"——Y = 1 表示创业，Y = 0 表示没有。你想用年龄、教育、性别和家庭财富来预测一个人的创业概率。
二值因变量——选 Logit 还是 Probit？面板数据中有什么特殊之处？
你跑了一个二值选择模型——研究\"企业是否出口\"。你先用了 Logit：
因变量为正——面板 OLS 还是 Tobit？差异在哪？何时该换？
你研究\"企业研发投入的决定因素\"。你的因变量是企业的研发支出——有很多企业某一年根本没有研发支出（Y = 0），而研发支出的正数值跨度极大（从几千元到几十亿元）。
截断与断尾回归——处理什么问题？用错 OLS 的后果？最小必要知识与决策框架
你研究\"工资的决定因素\"。你用的是一份微观调查数据——但这份数据只包含正在就业的人。你没有失业者的工资（他们没有工资），也没有退出劳动力市场的人的信息。
描述性统计表格——该放哪些变量？展示什么特征值？用原始还是变换后的变量？
你的实证论文里，第一张表通常是\"描述性统计\"（Descriptive Statistics / Summary Statistics）。你放上了因变量、核心自变量、几个控制变量，跑了一行 summarize，把输出粘成了表格。你可能觉...
实证分析中不同回归模型的样本量经常变化——原因、警惕信号与审稿人的关切
你的论文有四张回归表。每张表的样本量都不同：