经济社会学手册 pdf epub mobi txt 电子书 下载 在线阅读 2026

计量经济学导论：基于R与Python的实证分析 本书简介 《计量经济学导论：基于R与Python的实证分析》是一部面向经济学、金融学、社会学及相关量化研究领域的综合性教材与实践指南。本书旨在为读者提供坚实的计量经济学理论基础，并侧重于如何运用当前主流的统计计算语言——R和Python——进行实际的数据处理、模型构建与结果解释。我们深知，现代经济学研究已不再局限于纯粹的理论推导，而是越来越依赖于严谨的、可复现的实证检验。因此，本书的核心目标是将抽象的计量模型“落地”到具体的代码实现上。 第一部分：计量经济学的基石与工具准备 本部分聚焦于为后续的深入分析打下坚实的基础。我们首先回顾了经济学中关于数据、变量和模型设定的基本概念，强调了因果关系识别在经济学研究中的中心地位。 第1章：计量经济学概述与研究范式 本章将计量经济学置于现代科学研究的语境下进行讨论。我们探讨了描述性统计、推断性统计与因果推断之间的逻辑递进关系。重点剖析了科学方法在社会科学研究中的应用，包括理论假设的提出、实证模型的构建、参数估计与假设检验的循环过程。此外，本章也对经济数据（时间序列、截面数据、面板数据）的特点进行了分类介绍，并阐述了数据质量对研究结论可靠性的决定性影响。 第2章：R与Python环境的搭建与数据处理基础 本章是实践操作的起点。我们详细指导读者如何安装和配置R（重点介绍`tidyverse`生态系统）和Python（重点介绍`pandas`, `NumPy`, `Statsmodels`, `Scikit-learn`库）。后续内容将围绕这两个平台展开。数据处理方面，本书侧重于数据清洗、缺失值处理、异常值检测与转换（如对数变换、标准化）等关键步骤。我们提供了大量针对真实经济数据集的案例，演示如何使用管道操作符（在R中）或链式操作（在Python中）高效地完成数据预处理任务，确保数据准备阶段的严谨性。 第3章：经典线性回归模型（OLS）的深入剖析 本章是本书理论核心的奠基石。我们不仅复习了多元线性回归模型的数学形式和最小二乘估计的推导，更深入探讨了OLS估计量的“最佳线性无偏估计量”（BLUE）的条件——高斯-马尔可夫定理。随后，我们将重点放在违反OLS假设的情况及其对估计结果的影响： 多重共线性： 如何通过方差膨胀因子（VIF）进行诊断，以及在R/Python中使用主成分回归等替代方法的探讨。 异方差性： 详细介绍怀特检验、BP检验，并重点讲解如何使用稳健标准误（如HC3）和广义最小二乘法（GLS）进行修正。 序列相关性（自相关）： 针对时间序列数据，使用DW检验或Breusch-Godfrey检验，并介绍HAC（Newey-West）估计量的应用。 第二部分：模型拓展与进阶估计技术 在掌握了经典OLS的基础上，本部分转向处理更复杂、更贴近现实的经济数据结构和潜在的内生性问题。 第4章：工具变量法（IV）与内生性问题的解决 内生性问题，如遗漏变量偏误、测量误差和同时性，是计量经济学实证研究中最大的挑战之一。本章将工具变量法（IV）作为解决内生性的核心工具进行系统讲解。我们详细阐述了有效工具变量的两个关键特征（相关性和外生性），并着重介绍了两阶段最小二乘法（2SLS）的实施。在软件实现上，本书将比较R中的`AER`包和Python中的`linearmodels`库在处理一阶段和简化式回归时的差异，并讨论了过度识别约束的检验（如Sargan/Hansen检验）。 第5章：面板数据分析：固定效应与随机效应模型 面板数据（Panel Data）的优势在于其能够同时观测多个个体随时间变化的动态过程，有效控制不随时间变化的个体异质性。本章系统比较了混合回归模型、固定效应模型（FE）和随机效应模型（RE）。我们指导读者如何使用豪斯曼检验来辅助选择合适的模型，并详细演示了如何通过Fama-MacBeth回归、动态面板模型（如Arellano-Bond GMM估计）来处理面板数据中的序列相关性和内生性问题。 第6章：离散选择模型与有限因变量分析 许多经济学和政策评估中的结果变量并非连续的，而是二元（如是否购买）、计数（如专利数量）或分类变量。本章专注于处理这类有限因变量模型： Logit与Probit模型： 详细解释了边际效应的计算及其经济学解释，并比较了二者在估计效率上的差异。 多项Logit与有序Logit模型： 针对具有多于两个类别的选择场景，介绍如何应用这些模型识别选择偏好。 第三部分：因果推断的现代方法与前沿应用 本部分是本书实践导向的最高体现，重点关注在缺乏完美实验数据的背景下，如何利用准实验方法识别可靠的因果效应。 第7章：准实验方法：断点回归与双重差分法 我们详细介绍两种最受认可的准实验方法： 断点回归设计（RDD）： 区分清晰断点（Sharp RDD）和模糊断点（Fuzzy RDD），重点在于带宽的选择、核函数的应用以及估计的局部平均处理效应（LATE）的含义。 双重差分法（DID）： 强调其核心假设——平行趋势检验。我们展示了如何使用面板数据或多期截面数据，通过构造交互项来估计平均处理效应（ATE），并介绍了检验平行趋势假设的现代方法（如Callaway & Sant’Anna, 2021）。 第8章：倾向得分匹配与反事实推断 倾向得分匹配（PSM）是处理截面数据中选择偏误的有效工具。本章从理论上阐释了“可忽略性”和“共同支撑”这两个核心假设。随后，我们分步骤指导读者如何：计算倾向得分、进行匹配（最近邻、半径匹配、内核匹配）、进行平衡性检验，并最终估计处理效应（ATT）。我们也将讨论PSM方法的局限性，并将其与工具变量法和DID进行比较。 第9章：时间序列分析与预测 针对宏观经济学和金融市场数据，本章引入了时间序列分析工具。内容涵盖平稳性检验（ADF, KPSS）、协整检验，以及ARMA、ARIMA模型的构建与应用。特别地，本书会演示如何使用向量自回归模型（VAR）来分析多个变量间的动态相互影响，并利用脉冲响应函数（IRF）和方差分解来解读经济冲击的传导机制。 总结与展望 全书通过大量的代码片段和完整的案例分析，确保读者不仅理解“为什么”要使用某种方法，更掌握“如何”在R或Python中精确高效地执行它。本书的最终目标是培养读者将经济理论转化为可检验的量化模型的实证研究能力，为他们未来的学术研究或量化职业生涯提供强大的工具支撑。