R入手计量经济学与实证分析_Learning by Doing

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

计量经济学到后面往往对programming有很大的需求，如果你想在计量或者数量方面长期发展的话，建议开始就从STATA或者R来入手，早早的建立良好的编程习惯对你日后是有很大帮助的，也节省时间。

R相对于EViews来说，还是需要一点点门槛的，不过不是很难，因为R中有非常多为计量经济学的R包（比如car包）。如果以后要用计量来做实证分析的话，开始直接就用R会友好很多。缺点可能是这些R包次使用需要在自己去搜索，哪些函数在哪个R包里。而且R里面有个packages叫R Markdown。R Markdown可以使得计量的代码直接在R中写作，而且有highlight，看上去很美观。

R语言作用之强大，成为越来越多的人想要掌握的一种语言。对于初学R语言的人，系统地学习尤其重要，Learning by Doing：

R语言计量经济学应用

对计量经济学,对编程零基础都可以学：

培训时间：2017年12月15-18日（四天）

培训地点：北京市海淀区厂洼街3号丹龙大厦附近
培训费用：3200元 / 2600元 (本科及硕士学生价)
授课安排：上午9:00至12:00; 下午1:30至4:30; 答疑4:30至5:00

我要报名

课程介绍：

      通过四天的学习帮助大家实现：借助R语言来处理实际计量经济学数据，以更好地感受计量经济学的实际应用效果。

      在这门课程的学习过程中，基本不会出现大量晦涩的专业术语，也不会有大篇幅的公式推导和运算。授课会用朴素的语言和直观的案例帮助大家理解各类计量模型的应用条件与计算结果，因此对计量经济学基础的要求并不高；同时，尽管R语言不是一项能够通过菜单操作就获得结果的编程语言，但由于R有着异常强大的扩展库，因此对编程基础的要求同样近乎于零。

讲师简介：
阎老师，长期从事数据分析的理论研究、教学和实践工作。
长期关注各类统计软件的发展和国内外各行业的应用情况，一直保持着与统计应用前沿的密切接触，在数据挖掘应用、市场研究应用等领域经验丰富。
擅长企业数据分析和企业诊断，参与多项、省级课题的科研工作，曾任多家电商企业的运营顾问和培训师，积累了大量实战经验。

课程大纲：

部分 R语言快速入门

目标：作为一门应用课程的开篇，这一部分并不会出现艰涩的代码操作，有的只是实用的语法介绍和应用技巧。

1. 数据：构建模型的基本单元

  1.1 列表

  1.2 数据框

  1.3 外部数据导入与格式转换

2. 函数体：呈现逻辑的基本框架

   2.1 if…else 条件语句

   2.2 for & while 循环语句

   2.3 function定义函数

第二部分 截面数据的分析方法

目标：从简单也是要求苛刻的OLS切入，在不断放宽基本假定的过程中陆续引入其他计量模型，以理解不同模型的应用条件，并使用R语言实现对各类模型的拟合。

3. 连续因变量模型

   3.1 单纯的一元回归

   3.2 现实的多重回归

   3.3 细节处理

4. 专题讨论1：多重共线性问题的解决

   4.1 逐步回归

   4.2 主成分分析与因子分析

5. 专题讨论2：内生性问题的解决

   5.1 两阶段最小二乘法

   5.2 广义矩估计

6. 离散因变量模型

   6.1 二分类概率回归与逻辑回归

   6.2 多分类逻辑回归

   6.3 定序变量回归

7. 受限变量模型

   7.1 断尾数据回归

   7.2 删截数据回归

   7.3 样本选择模型

第三部分 时间序列数据的分析方法

目标：从简单的单变量平稳时间序列入手，逐步深入，内容涵盖ARMA、VARMA、ARCH、GARCH等模型。

8. 单变量时间序列模型

   8.1自回归模型

   8.2 移动平均模型

9. 多变量时间序列

   9.1 向量误差修正模型

   9.2 向量自回归模型

   9.3 向量移动平均模型

10. 条件异方差模型

    10.1 自回归条件异方差模型

    10.2 广义自回归条件异方差模型

第四部分 面板数据的分析方法

目标：从常见的静态面板入手，逐步深入，内容涵盖固定/随机效应模型、分层线性模型、动态面板等内容。
11. 连续因变量静态面板数据模型

    11.1 混合回归模型

    11.2 固定效应模型

    11.3 随机效应模型

    11.4 分层线性模型

    11.5 双重差分法

    11.6 合成控制法

12. 离散因变量数据模型

    12.1 面板概率/逻辑回归

    12.2 面板泊松/负二项回归

13. 动态面板数据模型

    13.1 差分广义矩估计

    13.2 系统广义矩估计

优惠：
现场班老学员9折优惠；
同一单位三人以上同时报名9折优惠；
以上优惠不叠加。

报名流程：
1：点击 “我要报名”，填写信息提交；
2：订单缴费（如需刷公务卡支付，请报名后联系我们）；
3：给予反馈，确认报名缴费信息；
4：开课前一周发送课程电子版讲义，软件准备及交通住宿指南。

联系方式：
魏老师
QQ：1143703950
Mail：vip@pinggu.org
Tel： 010-68478566

R语言培训扩展：

18年1月R数据挖掘与机器学习初高级（方匡南老师主讲）：https://bbs.pinggu.org/thread-3820540-1-1.html

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏4 回帖

开源软件R是世界上流行的数据分析、统计计算及制图语言，几乎能够完成任何数据处理任务，可安装并运行于所有主流平台，为我们提供了成千上万的专业模块和实用工具，是从大数据中获取有用信息的绝佳工具。

R是一个免费的自由软件，它有UNIX、LINUX、MacOS和WINDOWS版本，都是可以免费下载和使用的,在那儿可以下载到R的安装程序、各种外挂程序和文档。在R的安装程序中只包含了8个基础模块，其他外在模块可以通过CRAN获得。

R语言，作为一门统计学家开发的语言，从诞生之日起，就与统计和计量问题的处理有着密不可分的联系。随着大数据的兴起，R语言凭借其强大的数据处理能力和不断完善的扩展功能，迅速成为一项炙手可热的数据分析利器，针对统计与计量问题的处理方法也越来越丰富，覆盖范围也越来越广。

近几年专业文献中的数据分析工作越来越多的用R来完成，其它软件的功能几乎都有相关的R包可以实现，R的功能确实很强大！

虽然计量经济学和统计学关系密切，但是两者存在较大的差异性。
应用计量经济学主要是研究经济变量之间的关系，并且努力证明其为因果关系。这也是为什么现在在经管类实证研究文献中基于自然实验（Natural Experiment）的经验研究非常流行的原因。
除了学科本身的差异以外，两个群体用的工具也存在较大的差异。应用计量经济学的人较多的是用Stata，统计学的人较多的是用R。
R语言的优点在网上有很多，如可以操作多个数据集和对象、Rstudio提供良好的开发环境、丰富的画图包，静态的ggpot2，交互式的plotly、号称操作100GB数据的data.table、可以生成动态报告的rmarkdown……在大数据的热潮中，微软加盟R语言社区，还专门发行了增强版的R语言MRO，并且在自己的产品中嵌入R。
R语言这么厉害，当然也会被引入到应用计量经济学中。Kleiber and Zeileis（2008）写了一份小册子Applied Econometrics with R，这个算是比较早专门介绍R语言在应用计量经济学中的使用。
Zeileis and Koenker（2008）在JSS上写了一篇文章，名字非常带感Econometrics in R: Past, Present, and Future。这么多年过去了，当年的Future已经是Present，只是现在这个Present估计还没有达到他们当年的预期。
R语言社区在CRAN Task View设立一个Econometrics，包的种类挺丰富：Basic linearregression、Microeconometrics、Instrumentalvariables、Panel data models、Furtherregression models、Time series data and models、Data sets和Miscellaneous。
面对眼花缭乱的包、风格迥异的操作，没有老司机带路，新手不敢上路呀。所以一般的新手纷纷奔向Stata阵营去了。因为围绕着Stata讲应用计量经济学的教程实在是太多了。
                                                                                                              （摘自“知乎专栏”Cheng. Jun）

在R官网有这样几句介绍：“R provides a wide variety of statistical (linear and nonlinear modelling, classical statistical tests, time-series analysis, classification, clustering, …) and graphical techniques, and is highly extensible.  One of R's strengths is the ease with which well-designed publication-quality plots can be produced, including mathematical symbols and formulae where needed.”
        * R高度的可扩展性正是体现在它那1万多个包上，你想做的几乎所有事情都可以用现有的R包来辅助完成（当然，有些工作即便能完成但也不适合）。
        * R另一个杀手锏就是其强大的绘图功能，正如上面的英文介绍所言，R可以画图，画各种各样的图，画各种各样高逼格的图，画各种各样高逼格可以直接出版的图。
       * 完善的统计学功能再加上强大的绘图功能，就是你学习的理由。

面对眼花缭乱的包、风格迥异的操作，没有老司机带路，新手不敢上路呀。

好好好

好好好

支持一下