【免费预约】厦大赵西亮教授分享什么是因果推断

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

计量经济学包括两块内容：

统计推断（参数估计和假设检验）

和因果推断。

然而，现在有很多人搞不清楚两者的区别，

在进行实证研究的时候，不知道参数识别（统计推断）和因果识别（因果推断）的区别，

两块内容混淆在一起，就无法把相关性参数和因果性参数区别开来。

↓↓↓ 识别二维码，预约直播

听赵西亮老师解读：什么是因果推断？

· 因果推断

· 两种悖论

· 定义因果：Rubin因果模型 (RCM)

· 识别因果：随机化实验

当因果推断遇见DDML和AI-基于设计的计量经济学

2025年8月 成都专场

探讨因果关系是经济学实证研究的主要目的，因果关系一般是无法观测到的，我们只能观测到相关性，如何从观测到的相关性中推断出因果效应，是这门课中的主要内容。

现有很多计量教材集中于统计推断，对因果推断很少涉及，包括安神(Angrist and Pischke, 2009)的《基本无害的计量经济学》也没有显性的讲出来什么是因果识别，如何构造识别策略。本课程将详细的对此进行区分，明确目标参数、识别策略和估计方法（OLS,MLE,GMM）的区别。

不讲潜在结果框架或Rubin因果模型(RCM)，就无法说清楚因果识别；不讲图因果模型或Pearl因果模型(PCM)，就无法清楚的构建因果识别策略。不讲随机化实验，就无法讲解清楚实证中的因果效应估计。

课程目的

让学员明确经济学实证研究的基本步骤：

首先，定义清楚目标参数(causal estimand)，

其次，构造识别策略，建立统计参数(statistical estimand)，

最后，构造估计量(estimator)，得到目标参数的估计值。

由目标参数到统计参数，由观测不到的因果效应转变化可以观测到的统计参数的过程，即因果推断。利用样本信息构造估计量，估计统计参数，即统计推断。

2025内容更新

• 增加高维协变量（解释变量个数多于样本量情形）下的统计推断和因果推断方法，主要是MIT教授Chernozhukov等人发展的理论，包括双重Lasso和双重机器学习(Double Lasso/Double ML)。
• 增加平行趋势假设检验方法及平行趋势假设不满足时的敏感性分析方法。
• 增加因果中介分析的理论和应用介绍。
• 增加DeepSeek/Grok + Stata数据处理，借助最新人工智能大模型，为科研助力。
  

讲师介绍

赵西亮，厦门大学经济学院和王亚南经济研究院经济学教授、博士生导师，主要从事劳动经济学、应用计量经济学(因果推断）、中国经济等方面的研究工作。清华大学经济管理学院数量经济学博士，美国康奈尔大学和芝加哥大学访问学者。在《经济研究》《经济学》（季刊）《数量经济技术经济研究》《World Economy》等国内外重要期刊发表论文20余篇。China Economic Review、 Asian Development Review、《经济研究》《经济学》（季刊）《管理世界》《世界经济》《南方经济》《财贸研究》《中国经济问题》等期刊审稿人。

课程特色

✔ 《基本有用的计量经济学》（第2版）最新内容。

进行了全面更新，对统计推断和因果推断进行了区分，对因果推断和因果识别进行了明确定义，并将估计方法和因果推断区分开来，吸收了最近几年各类方法的最新发展，并在统一的框架内进行详细解构，让读者更容易掌握因果推断的基本内容。

✔ 对结构计量和简约计量进行区分，结果计量也称为基于模型的计量，简约计量主要指基于设计的计量，两种研究范式不同，目前学术界研究基于采用结构计量的思路，但却采用简约计量的做法，存在着一定矛盾，我们将讲清楚两者的区别，以及如何使用基于设计的计量。

✔ 讲清楚因果效应参数(causal estimands)、统计参数(statistical estimands)和统计量(estimators)的区别。实证分析的第一步就是明确自己想回答的问题，定义清楚因果效应参数或目标参数(target parameters)，才能根据研究问题的背景信息和先验知识，构造识别策略。

✔ 因果推断的关键在于分配机制(assignment mechanism)，识别策略主要是对分配机制的描述，通过引入合理的识别条件，描述可能的分配机制，才能识别出因果效应。理解了分配机制，也就理解了因果推断的核心内容，对于匹配、IV、DID(SC)、RDD等具体的方法也就更容易理解。

✔ 引入高维情形下的统计推断和因果推断，以适应大数据实证的需要。并引入因果中介理论的介绍，讨论如何使中介分析更加可信。

✔ 在实证分析中，原因变量（或核心解释变量）和控制变量的地位是不同的，如何才能合理的选择控制变量？控制变量越多越好吗？选择控制变量的基本原则是什么？

✔ 如何选择工具变量？如何思考工具变量的独立性和排除性假设？如何合理化(justify)你的工具变量？

✔ 面板数据中固定效应是什么，起着什么作用，如何加固定效应？

✔ 估计方法和目标参数之间是什么关系，关于交错DID（staggered DID）的最新发展，充分反映了这一矛盾。OLS、TSLS、TWFE作为经济学家常用的估计方法，很多时候并不能给研究者想要的目标参数，并不能回答作者想回答的问题。如何解决？

✔ 结合案例讲解各种方面的Stata软件实现，并结合最新人工智能大模型deepseek/Grok，介绍利用AI大模型助力Stata数据编程和学术研究。

培训时间

2025年8月14-17日（四天）

培训安排

9:00-12:00；14:00-17:00；答疑交流

培训方式

成都现场，同步在线直播；

均提供录播回放+配套资料+授课老师答疑

PS：参加现场班提供交通住宿指南及会场酒店住宿协议价

（现场限额30人）~

培训大纲

课程收获

•  统计推断的基本内容，线性回归只是一种参数估计方法，MLE/GMM也是参数估计方法？

• 为什么要考虑高维情形下的参数估计、变量选择方法？

• OLS在估计什么？和因果效应参数是什么关系？

• 什么是因果识别？因果识别和参数识别的区别？

• 如何进行因果推断，如何引入识别条件？

• 如何选择控制变量，基本的原则是什么？

• 什么是固定效应，如何加固定效应？

• 如果选择工具变量，如何说明工具变量的有效性，应该如何思考独立性和排除性假设？

• 如何利用自然实验，包括工具变量、双重差分、断点回归，来识别因果效应？

• 在多期交错政策(staggered)下，双向固定效应方法(TWFE)在估计什么，Goodman-Bacon分解如何判断TWFE估计量的合理性。

• 在交错政策下，事件研究法为何不能用，如果运用正确的方法，包括Callaway and Sant’Anna (2021)的非参数估计量和Wooldridge(2021)的回归估计量。

• 如何进行因果中介分析？

团报优惠及更多内容咨询

刘老师

TEL：18600257362

WX：jgzjwanzi

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2 回帖

关键词：赵西亮 Statistical Development statistica wooldridge

往期学员评价
https://bbs.pinggu.org/forum.php?mod=redirect&goto=findpost&ptid=14853901&pid=94151102&from^^uid=1680430

2025年的‘因果推断’课程，紧跟学术前沿，进行了重要更新。

新增了：

→ 高维协变量下的统计推断和因果推断方法，这在大数据时代尤为重要，因为很多时候我们面临的解释变量个数甚至多于样本量。

→ 同时，还增加了平行趋势假设检验方法及平行趋势假设不满足时的敏感性分析方法，这对于双重差分等研究设计来说，是至关重要的检验环节。

→ 此外，因果中介分析的理论和应用介绍也被纳入其中，帮助我们更好地理解因果作用的传递机制。

→ 而最令人兴奋的是，课程将结合deepseek/Grok + Stata数据处理，借助最新人工智能大模型的力量，为科研助力，让数据处理和分析变得更加高效、智能。

课程亮点：
1. 前沿理论与方法的深度剖析
深入学习统计推断的基本内容，从线性回归、饱和模型、二元选择模型，到带惩罚项的线性回归，如Lasso、岭回归等，再到Neyman正交、Double Lasso等前沿方法，让我们对参数估计方法有全面而深刻的理解。
同时，详细讲解潜在结果框架、因果图等理论基础，帮助我们构建坚实的因果推断理论体系。

2. 因果推断全流程的系统讲解
课程涵盖了因果推断的整个流程，从定义因果效应参数，到选择合适的识别策略，再到估计统计参数，每一步都详细讲解，让学员能够清晰地掌握因果推断的逻辑框架。
无论是随机化实验、非混杂性条件下的因果效应估计，还是工具变量法、固定效应方法、双重差分法等具体方法的应用，都有详尽的案例分析和实操指导。

3. 高维数据与因果推断的紧密结合
随着大数据时代的到来，高维数据成为了我们研究中常见的挑战。课程新增的高维协变量下的统计推断和因果推断方法，将帮助我们更好地应对这一挑战。通过学习Chernozhukov等人发展的理论，包括双重Lasso和双重机器学习等方法，学员能够掌握在高维数据环境下进行因果推断的有效途径。

4. 人工智能大模型的助力
结合DeepSeek/Grok + Stata数据处理，是本次课程的一大亮点。借助人工智能大模型的力量，我们可以更高效地进行数据编程和学术研究。这不仅能够提高数据处理的效率，还能为研究提供新的思路和方法，让学员在科研工作中如虎添翼。

5. 实战案例与实操指导
课程中将通过大量的实战案例，帮助学员更好地理解和应用所学知识。从班级规模与学习成绩的研究，到种族与就业歧视的分析，再到移民冲击和工资的影响等，这些案例覆盖了学术研究的多个领域，让学员能够将理论与实际相结合，提升解决实际问题的能力。同时，课程还提供实操指导，让学员在实践中掌握各种方法的应用技巧。

赵教授编著的教材《基本有用的计量经济学》被京东评为“十大构思细腻的大学教材”之一，其核心贡献在于： 1. 明确因果识别框架： 提出实证研究需区分因果效应参数（causal estimand）、统计参数（statistical estimand）和估计量（estimator），强调分配机制（treatment assignment）在因果推断中的核心作用； 2. 方法论创新： 系统整合随机化实验、自然实验（如工具变量、DID、断点回归）等方法，并引入高维协变量处理（如Double Lasso）和交错DID的最新进展（如Goodman-Bacon分解）； 3. 应用拓展： 近期在因果中介分析领域取得突破，提出自然间接效应和直接效应的识别条件，应用于教育回报、职业选择等经济问题。 他主持的暑期课程（如2023-2024年北京现场班）结合Stata软件实现，涵盖从基础理论到论文复制的全流程，吸引了大量学者参与。

赵西亮在《基本有用的计量经济学》中提出“因果识别三要素”框架（因果效应参数、统计参数、估计量），强调分配机制（TreatmentAssignment）的核心地位，解决了传统计量经济学中因果推断与统计推断的混淆问题。这一框架被学界视为对Rubin因果模型和Pearl因果图模型的整合与简化，更适合中国实证研究场景。

赵西亮在高维协变量处理（如Double Lasso）、交错DID（Staggered DID）的Bacon分解、因果中介效应识别等领域有原创性研究，尤其近期提出的 “非参数中介效应识别条件”突破了传统线性模型的限制，被应用于教育经济学与劳动经济学研究。

赵西亮团队的研究（如户籍制度对收入差距的影响、教育回报的异质性分析）直接服务于国家发改委、教育部的政策制定，其因果推断方法被政府部门采纳为评估工具。

谢谢分享