定量分析方法（公共管理硕士（MPA）系列教材） pdf epub mobi txt 电子书 下载 2026

现代统计推断与应用：面向复杂社会科学研究的工具箱 本书简介 本书旨在为社会科学，特别是公共管理、政治学、社会学和经济学等领域的学生和研究人员提供一套系统、深入且高度实用的现代统计推断工具。它聚焦于如何将前沿的统计学方法应用于分析现实世界中错综复杂的社会现象、政策效果以及组织行为，强调从理论基础到实际操作的无缝衔接。 本书内容结构与核心特色： 本书内容严格围绕现代统计推断的核心算法、模型构建与解释展开，内容详实，力求覆盖当前学术界和实务界对数据分析能力的新要求。 第一部分：基础与回归模型的深化 第一章：统计学思维与数据素养重塑 本章首先回顾了概率论与数理统计的基本概念，但重点迅速转向面向应用。它深入探讨了统计显著性、效应量、置信区间在社会科学中的实际意义，并着重区分了相关性与因果性。此外，本章强调了数据质量在推断中的决定性作用，包括缺失数据处理（如多重插补的基础逻辑）、异常值识别与稳健性检验的必要性。 第二章：经典线性回归模型的局限与扩展 虽然 OLS 回归是基础，但本章并未停留在基础层面。它详细分析了 OLS 假设（如异方差性、自相关性）在社会科学数据中频繁被违反的情况。随后，章节深入介绍了广义最小二乘法 (GLS) 和稳健标准误 (Robust Standard Errors) 的应用场景和计算原理，确保读者能够识别并修正模型中的异方差问题。同时，对于面板数据中的个体效应和时间效应的分解，也进行了详尽的讲解。 第三章：离散因变量与选择模型 社会科学研究中，结果变量往往是非连续的（如是/否、选择/不选择、等级评价）。本章系统梳理了处理这类数据的模型： Logit 与 Probit 模型： 深入分析了它们与线性概率模型的区别，重点解释了如何解释系数（通过边际效应，包括平均边际效应 AME 和个体边际效应 MPE）。 多项式 Logit 与有序 Logit/Probit 模型： 针对多类别选择（如投票倾向、满意度等级）的设计，详细阐述了累积优势模型和比例赔率模型的应用边界与结果解释的差异。 第二部分：因果推断的现代范式 本部分是本书的核心，旨在将读者从单纯的“预测”导向真正严谨的“归因”。 第四章：准实验设计的统计基础 本章系统介绍了如何利用现有数据模拟实验环境。重点关注： 断点回归设计 (Regression Discontinuity Design, RDD)： 区分清晰断点（Sharp RDD）和模糊断点（Fuzzy RDD），并详细介绍了 McCrary 密度检验在识别断点效应中的关键作用。 双重差分法 (Difference-in-Differences, DiD)： 强调了平行趋势假设的检验方法，并扩展到包含协变量的多元 DiD 模型，以及处理多时间点和多组别干预（如合成控制法 SCM 的统计逻辑）。 第五章：倾向得分匹配 (PSM) 与工具变量 (IV) PSM： 详细讲解了如何构建有效的倾向得分、选择合适的匹配方法（最近邻、带宽选择、核匹配），并强调了共同支撑条件 (Common Support) 的重要性及其对估计偏差的影响。 工具变量 (IV)： 聚焦于如何识别和构建有效的工具变量。深入剖析了两阶段最小二乘法 (2SLS) 的操作流程，并详细讨论了弱工具变量（Weak Instruments）的诊断（如第一阶段 F 统计量）及其对估计结果的偏差影响。 第六章：因果推断中的机器学习方法 本章是连接前沿计算与传统推断的桥梁。它介绍了如何利用机器学习的预测能力来提高因果估计的效率和稳健性： 双重/正交化机器学习 (Double/Debiased Machine Learning, DML)： 解释了如何利用随机森林或梯度提升树等非参数方法来估计混杂因素对方程的干扰项，从而得到更稳健的因果效应估计。 因果树与异质性处理效应估计： 利用树模型识别处理效应在不同子群体中的差异（Heterogeneous Treatment Effects, HTEs）。 第三部分：高级计量模型与数据处理技术 第七章：生存分析与事件历史模型 本章关注时间到事件（如政策退出、组织变革发生时间）的数据分析： Kaplan-Meier 生存曲线与 Log-Rank 检验。 Cox 比例风险模型： 详细解释了风险比 (Hazard Ratio) 的解释，以及如何纳入时变协变量。 参数生存模型（如 Weibull 模型）的选择标准。 第八章：高维数据与正则化回归 在大数据时代，研究者经常面临变量多于观测值（p>n）的情况。本章介绍了处理高维共线性问题的强大工具： 岭回归 (Ridge Regression)、Lasso (Least Absolute Shrinkage and Selection Operator) 和 Elastic Net。 重点解释了 $lambda$（惩罚项系数）的选择标准（如交叉验证）以及 Lasso 如何实现变量选择。 第九章：空间计量模型基础 针对具有地理依赖性的社会现象（如区域经济发展、传染病传播等），本章引入了空间计量框架： 空间权重矩阵 (Spatial Weight Matrix) 的构建与选择（邻接、距离）。 空间滞后模型 (SAR) 与空间误差模型 (SEM)： 解释了它们的理论区别以及如何进行模型选择（如 LM 检验）。 第十章：模型的报告、验证与透明度 本书的最后部分强调了研究的规范性。它指导读者如何进行彻底的敏感性分析（如更换工具变量、改变样本子集、改变模型设定），如何有效地展示模型结果（使用标准化图表和表格），以及如何遵循开放科学（Open Science）的原则，确保代码和数据可复现性。 目标读者： 本书为研究生及以上水平的社会科学研究者设计，尤其适合那些已经掌握了基础统计学（如假设检验、基础回归）但希望深入掌握现代因果推断和复杂模型构建的研究人员。它提供清晰的理论解释和丰富的案例演示，确保读者不仅知道“如何操作”软件，更理解“为何如此操作”。