发帖
雷达卡
UBC 经济系的 ECON526 是给硕士生开的量化经济学课程，全部代码用 Python，重点是数据科学与因果推断。仓库地址是 ubcecon/ECON526，但这门课的仓库有个必须先讲的坑：默认分支已经换成 main_2026，README 写的是 Fall 2026；而 main 分支上的 README 还停留在 Fall 2023，课程表、习题与评分构成都是三年前的版本。直接点进仓库首页看到的内容，取决于 GitHub 给你的是哪个分支。
课程是什么：硕士层级、两段授课、全程 Python
课程全名是 Quantitative Economics with Data Science Applications，2026 年秋季学期开设。授课教师两位：Paul Schrimpf 与 Jesse Perla，助教 Bruno Esposito，上课时间周一与周三 9:30 至 11:00。课程说明写明这是研究生层级，讲编码、理论与数学背景三部分，所有编程用 Python。
先修要求写得比较实在：学生应已有 Python 编程基础（自学或修过课均可），并熟悉 Jupyter。它不承担零基础教学，课程一开始就假定你完成过经济系硕士的数学与编程训练营。
两位老师分段上。前半段由 Jesse Perla 负责，覆盖数值线性代数、概率与模拟、优化与最小二乘、分类、聚类与潜变量、降维、文本分类、自然语言处理与大语言模型，还带一节在自己机器上跑开放权重模型；后半段由 Paul Schrimpf 负责，转向因果推断，从潜在结果、回归、匹配、工具变量、双重差分、面板固定效应一直到断点回归、合成控制与双重机器学习。这个分工直接决定了仓库里两套材料的形态。
评分构成：期末数据项目占三成
| 项目 | 权重 |
| 出勤与课堂参与 | 5% |
| 习题（合计） | 10% |
| 期中考试（一次或两次） | 35% |
| 项目提案 | 10% |
| 提案互评 | 10% |
| 期末数据项目 | 30% |
期中考试的次数取决于机房排期，采用自助预约、在机房完成的方式；期末数据项目与提案的具体截止日要到课程后半段才确定。参与分用 iClicker 一类的课堂活动计，出勤与投入都算。
有两条规定值得单独拎出来。AI 工具是允许用的：可以拿来查资料、复习概念、辅助完成作业，但提交的内容由学生自己负责，任何由 AI 生成或辅助生成的内容必须恰当引用，考试期间一律不许使用。作业合作是鼓励的，但每人必须独立写解答、独立提交；如果代码与写作过于接近，涉事学生都会被扣分或记零分。
仓库里有哪些文件
主干分支下的文件不多，但结构清楚：
- README.md：课程说明与材料入口
- syllabus.md：教学大纲，含课程描述、评分、学术政策与宽免规则
- final_project.md：期末数据项目的说明
- pyproject.toml 与 uv.lock：Python 依赖与锁定版本，配合 uv 使用
- lectures/paul/：Paul 那一半的讲义，共 54 个文件，其中 20 个是成对的 .html 与 .ipynb，另有 index.html 与封面图片
- problem_sets/：目前只放了 problem_set_
6.ipynb 一个文件
最后一条需要说清楚：习题并不都放在仓库里。2026 年的 README 把习题与讲义的日程交给 Canvas 和两份课程表，仓库里的 problem_sets 目录只剩一份。想找全套习题，得去 Jesse 的课程站点看 Problem Set 0 到 5 的入口。
两套讲义怎么用
Paul 的讲义是自包含的 HTML 加 Jupyter 双份，直接打开网页就能读，想动手就跑 ipynb。2026 年的清单里包含 methods_overview、causality_intro、uncertainty、conditionaleffect、regression、regression_realdata、matching、iv、ee_iv、generiv_iv、fe、did、moredid、rdd、syntheticcontrol、doubleml、neuralnets 等主题，另有 regression_realdata_v1 这样的旧版本文件与 feed.html 归档页。顺序大体是先讲方法地图，再进潜在结果框架，然后逐个方法配真实数据。
Jesse 那一半的材料不在这个仓库里，而在单独的讲义站，页脚标注 CC BY-NC-SA 4.0。站点按日期排课，从 9 月 9 日的数值线性代数基础开始，中间跳过 9 月 30 日的真相与和解国家日和 10 月 12 日的感恩节，到 10 月下旬进入文本分类与大语言模型，后面还有图像分类、空间数据这类可选项。习题 0 是数学训练营内容，交 PDF；习题 1 只是检查 Python 与 Jupyter 装好了没有。
环境怎么配：VS Code 加 uv，两个仓库一起 clone
2026 年的说明比 2023 版简洁很多，只给一条路径：看讲义站的 setup 页，用 VS Code 当主编辑器，用 uv 管 Python 与依赖。之后克隆两个仓库，一个是这个课程仓库，一个是 jlperla/grad_econ_datascience_notebooks。仓库自带 pyproject.toml 与 uv.lock，意味着依赖版本是锁定的，不用自己凑环境。
如果你是第一次配这类环境，建议按顺序做三件事：先装 VS Code 与 uv，再克隆两个仓库，最后跑习题 1 验证安装。习题 1 的设计目的就是让你在踩坑时立刻发现，而不是等到第一次期中。
三种用法，按目的选
想完整跟一遍课的，按两份课程表的日期走，先做 Jesse 那一半的习题 0 到 5，再用 Paul 的讲义补因果推断，期末项目按 final_project.md 的说明做提案与互评。
只想学因果推断的，可以跳过前半段，直接读 Paul 的 methods_overview 建立地图，然后按 causality_intro、regression、matching、iv、did、fe、rdd、syntheticcontrol 的顺序走，每个主题配一份真实数据笔记本。这条路径对已有计量基础的人最省时间。
只想搭环境的，克隆仓库后读 pyproject.toml 与 uv.lock，把依赖装好，再打开任意一个 ipynb 跑通首段代码即可。这套配置本身就能当计量经济学的 Python 模板用。
读之前要知道的几点
仓库里没有 LICENSE 文件，README 与 syllabus 也没有写转载或再分发条款，因此这份材料适合按原站入口阅读与自用，不宜整包转存或二次分发；讲义站虽然页脚写了 CC BY-NC-SA 4.0，两者并不是同一份授权文本，引用时最好分别注明。
时间与安排每年会变：习题截止、期中周次、期末项目日期都以当年 Canvas 与课程表为准，旧年份的 README 不能拿来当日程。另外这门课要求先有 Python 基础，把它当零基础入门课会很难受。
────────────────
仓库与两份讲义站的直达入口、完整文件清单、评分与 AI 政策原文位置，回复本帖即可见。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP／技能，让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费，安装可申请领取：3 通用积分＋100 论坛币＋3 元论坛资金 说明： AI 算力按所用平台规则计算；附件按原帖条件获取；福利领取条件以活动页面为准。 |
京公网安备 11010802022788号
