經(jīng)濟政策評價與預測：基于因果推斷與機器學習的方法

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
……
第十二章 機器學習的聚類算法
第十三章 機器學習的預測算法
參考文獻