前沿: 解决内生性问题的无工具变量推断法

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

关于内生性问题，参看：看完顶级期刊文章后, 整理了内生性处理小册子；1.“内生性” 到底是什么鬼? New Yorker告诉你；2.Heckman两步法的内生性问题(IV-Heckman)；3.IV和GMM相关估计步骤，内生性、异方差性等检验方法；4.最全估计方法，解决遗漏变量偏差，内生性，混淆变量和相关问题；5.毛咕噜论文中一些有趣的工具变量！；6.非线性面板模型中内生性解决方案；7.内生性处理的秘密武器－工具变量估计；8.内生性处理方法与进展；9.内生性问题和倾向得分匹配；10.你的内生性解决方式out, ERM独领风骚；11.工具变量IV必读文章20篇, 因果识别就靠他了；12.面板数据是怎样处理内生性的；13.计量分析中的内生性问题综述；14.工具变量IV与内生性处理的解读；15.一份改变实证研究的内生性处理思维导图；16.Top期刊里不同来源内生性处理方法；17.面板数据中heckman方法和程序(xtheckman)；18.控制函数法CF, 处理内生性的广义方法；19.二值选择模型内生性检验方法；20.2SRI还是2SPS, 内生性问题的二阶段CF法实现；21.内生变量的交互项如何寻工具变量；22.工具变量精辟解释, 保证你一辈子都忘不了，23.不同来源的内生性问题需要不同的修正方法！24.实证分析中的内生性问题综述,一篇值得阅读和推荐的作品!，25.一张图掌握Top期刊里不同来源内生性处理方法！26.简洁的内生性问题处理思维流程图, 并且还附上检验的代码！27.最全利用工具变量控制内生性的步骤和代码—在经管研究中的应用，28.实证研究中自选择基础上的内生性问题回顾, 建议和纠正措施！29.实证研究中基于自选择的内生性问题修正方法:回顾、建议与模拟！30.不同来源的内生性问题需要不同的修正方法！31.不用IV, 基于异方差解决内生性问题方法的使用建议, 附上程序和示例！32.最清晰的内生性问题详解及软件操作方案！实证研究必备工具！33.内生性问题研究: 4篇推荐与8点认识，34.Quasi-experiment经典文章, 有趣且内生性检验新颖正文关于下方文字内容，作者：周宁哲, 武汉大学经济与管理学院，通信邮箱：[e-mail] Kripfganz, Jan F. KivietFirst , kinkyreg: Instrument-free inference for linear regression models with endogenous regressors, Stata Journal, October 4, 2021In models with endogenous regressors, a standard regression approach is to exploit just-identifying or overidentifying orthogonality conditions by using instrumental variables. In just-identified models, the identifying orthogonality assumptions cannot be tested without the imposition of other nontestable assumptions. While formal testing of overidentifying restrictions is possible, its interpretation still hinges on the validity of an initial set of untestable just-identifying orthogonality conditions. We present the kinkyreg command for kinky least-squares inference, which adopts an alternative approach to identification. By exploiting nonorthogonality conditions in the form of bounds on the admissible degree of endogeneity, feasible test procedures can be constructed that do not require instrumental variables. The kinky least-squares confidence bands can be more informative than confidence intervals obtained from instrumental-variables estimation, especially when the instruments are weak. Moreover, the approach facilitates a sensitivity analysis for standard instrumental-variables inference. In particular, it allows the user to assess the validity of previously untestable just-identifying exclusion restrictions. Further instrument-free tests include linear hypotheses, functional form, heteroskedasticity, and serial correlation tests.

1  引言在具有内生变量的线性回归模型中进行因果推断通常基于工具变量法(IV)。这要求所选工具变量必须兼具相关性和外生性。然而，在寻找工具变量时，使其相关的特征也可能是违反外生性条件的缘由(Hall, Rudebusch, and Wilcox 1996)。对排他性约束检验往往受制于各色假设而无法明晰，即使是在过度识别检验中(Parente and Santos Silva 2012)。本文另辟蹊径，对解释变量内生性相关的程度作出假设进而开发出KLS估计方法，并通过将内生变量内生相关程度限制在合理的范围内，在无需工具变量的情况下实现了对回归系数的有效识别。在合理的内生相关范围内，KLS估计所得置信区间比IV/2SLS所得更窄、包含更多信息，同时免于工具变量搜寻之难。此外，KLS估计法能够对工具变量排他性约束作出检验(Kiviet2020a, b)。Krauth(2016)和Oster(2019)也提出过类似方法，并分别使用其编写的STATA软件包rcr和psacalc实现。其设置的RCR估计在机理上与KLS估计具有一致性，但不支持无控制变量模型，也不能直接适用于多内生变量情况。KLS估计中内生相关范围的合理选择影响着结果的准确性，但在许多情境下，结合领域知识选择这样一种范围可能易于寻找令人信服的强有效的工具变量。尽管如此，无工具变量推理并不能视为解决IV问题的万全之策。它只是用一组限制较小的假设取代了原本限制限制可能很强的假设。故可将KLS方法作为IV估计的一种检验和补充。2  KLS估计原理简介2.1  系数估计和置信区间考虑如下带有内生性变量的线性回归：

2.2  检验kinkyreg可以实现对多种检验的p值结果返回与可视化，其中包括：Ø 系数显著性检验（命令estat test）可使用Wald统计量或F统计量Ø 工具变量排他性检验（命令 estat exclusion）；Ø 拉姆齐(Ramsey)回归设定误差检验（命令 estat reset）Ø 异方差BP检验（命令 estat hettest）Ø 德斌(Durbin)替代检验（命令 estat durbinalt）Ø RCR敏感参数检验（命令 estat rcr）该检验使用Krauth (2016)和Oster (2019)提出无工具变量推断方式RCR复刻KLS估计结果3  回归命令3.1  语法结构Ø kinkyreg回归：

Ø kinkyreg2dta回归：

注：kinkyreg2dta可视为对kinkyreg命令的联合封装，用于内生变量多于1个时3.2  参数详解Ø 必要参数：名称含义varlist1外生解释变量组v**arlist2**内生解释变量组varlist_iv工具变量组Ø 可选参数：选项含义kinkyregendogeneity(numlist)按varlist2顺序指定内生变量与误差项的相关性的值（建议当varlist2存在多个变量时使用）range(#1 #2)计算区间[#1, #2]内所有可行的内生性关联的KLS估计（默认为range(-1 1)）stepsize(#)设置计算KLS估计的间隔步长（默认为stepsize(0.01)）ekurtosis(#)指定要用于方差计算的误差项峰度值（默认根据KLS估计得出）xkurtosis(#)指定要用于方差计算的回归式右侧变量的峰度值（默认使用varlist1和varlist2中所有变量估计峰度的最大值）noconstant不生成常数项（默认不执行）correlation(#)显示对指定内生性关联的估计结果，结果以e(b)和e(V)返回（默认不执行）level(#)设置置信水平（默认为level(95)）small调整自由度，并报告小样本t统计量和F的统计量（默认不执行）inference(varlist)指定将生成KLS推断图的变量（默认为内生变量即inference(varlist2)）lincom(#: exp)指定生成KLS推断图的回归系数线性组合式，#为1—1999间的整数编号（默认不执行）twoway(varname|#)设置二维图，变量需来自varlist1、varlist2或lincom中数字序号，否则生产全部可能组合的二维图Coefplot( kls|ivvarname|#)设置KLS或IV系数图像，变量需来自varlist1、varlist2或lincom中数字序号，否则生产全部可能组合的系数图ciplot( kls|ivvarname|#)设置KLS或IV置信区间图像，变量需来自varlist1、varlist2或lincom中数字序号，否则生产全部可能组合的置信区间图namestub(namestub)设置正在生成的所有图形的名称前缀（默认为namestub(kinkyreg)）ivperfect不检查内生的回归变量与被排除工具变量之间的共线性coeflegend指定系数的图例nograph不生成图像noheader不显示回归系数表表头notable不显示回归系数表novstore不存储方差-协方差矩阵，减少内存消耗（一般不使用）noci,nopvalues,noomitted, vsquish, noemptycells,baselevels,allbaselevels, nofvlabel,fvwrap(#), fvwrapon(style),cformat(%fmt), pformat(%fmt), sformat(%fmt)估计命令所的共有选项，详见[R] Estimation optionsspecific to kinkyreg2dtaframe(framename [, replace])创建一个指定名称的新框架，并在其中生成新的变量（options frame(), replace, or saving()三者至少出现其一）replace使用新生成数据替换内存中数据（options frame(), replace, or saving()三者至少出现其一）saving(filename [, replace])以指定名称保存新生成数据（options frame(), replace, or saving()三者至少出现其一）coef([b] [se] [ciub] [cilb] :[varlist] [numlist])指定要保存的 kinkyreg估计结果（不指定[varlist]或[numlist]时，默认为varlist2中全部变量）estat(#[chi2|F] [p] :estat_cmdline)指定要保存的kinkyreg后验估计结果double为新数据集中的变量使用存储类型double4  检验命令4.1  语法结构Ø 系数显著性检验：

Ø 工具变量排他性检验：

Ø 回归设定误差检验：

Ø BP检验：

Ø Durbin替代检验：

Ø RCR敏感参数检验：

4.2  参数详解Ø 可选参数：选项含义correlation(#)显示指定内生性关联的检测结果twoway(...)设置二维图pvalplot(...)设置p值或参数值图像nograph不生成图像nojoint不进行全变量联合检验noindividual不对单个变量进行排除检验xb使用拟合值（在检验estat reset和estat hettest中，此选项默认执行）order(numlist)指定numlist中接受检验的次序（在检验estat reset中默认为order(2 3 4)；检验estat hettest中默认为order(1)）ekurtosis(#)指定要用于方差计算的误差项峰度值xkurtosis(#)指定要用于方差计算的回归式右侧变量的峰度值lambda & delta计算使用RCR估计时所需参数（默认执行）minp返回每个内生性关联的最小p值level(#)设置置信水平notable不显示结果表格4.3  结果储存Ø 除RCR敏感参数检验(estat rcr)外，其他检验统计量数值均储存在r(chi2_kls)及r(F_kls)，p值储存在r(p_kls)中Ø 工具变量排他性检验(estat exclusion)的内生性相关值及置信区间储存在r(rho)中Ø RCR敏感参数检验(estat rcr)中参数值储存在r(rcr_kls)中5 示例5.1  单内生性变量文章利用kinkyreg方法重新分析Griliches(1976)曾分析的“全国青年男子纵向调查(National Longitudinal Survey of Young Men)”数据，旨在考虑到个人能力差异的同时估计学校教育带来的回报。控制变量包括：工作经验、任职时长、是否处于南部、是否居住在大都市等个体特征以及一组年份虚拟变量。数据导入及主要变量描述性统计如下：

对于个人所具有的能力(ability)，使用个体的智商测试值iq进行代理。出于测量误差，其存在内生性。采取标准解决方法——工具变量法，选择工具变量：年龄age、婚姻状况mrt。2SLS估计结果如下：

Ø 学校教育s带来的近34%的正向影响，但能力iq表现出负向影响。Ø 通过萨根检验Ø 通过过度识别检验Ø 第一阶段F统计量仅为2.87（远低于10），工具变量相关性强度不佳specification A利用Baum, Schaffer, and Stillman (2007)编写的ivreg2命令对此作出进一步分析，同时设定内生性相关程度的范围为(-0.75, 0.75)，使用kinkyreg回归结果分别绘制变量s和变量iq的估计结果及置信区间，两者结果作如下比较：

Ø 范式A中标准IV估计得到的系数表现出宽置信区间，这是弱工具变量所常有的，虽然KLS回归所得系数区间较窄，但总体上下界宽度与标准IV法相差仿佛Ø 同时，后者所得系数也无法确定符号之正负。有理由怀疑所选工具变量为弱工具变量随后，假设内生性出现范围绝对值小于0.4且测量误差是内生性的唯一原因，可将内生性范围视作[−0.4, 0]之内，取其两端估计如下（后者即是普通最小二乘(OLS)结果）：

Ø 变量iq与s系数均为正值，但s系数值远小于2SLS估计结果且两者置信区间不相交Ø 若KLS估计结果正确，则2SLS之结果值得怀疑

KLS估计法还提供了工具变量排他性约束检验的一种方法(estat exclusion)，对两工具变量的三种组合检验结果如下：Ø 可仅当假定的内生性关系非常大时才能不拒绝原假设（工具变量有效排除在模型外），这进一步支撑了对2SLS估计结果的质疑Ø 同时，可能存在的共线性问题也会对KLS估计产生影响（如年龄与学校教育年限、工作经历、任职时长均相关）specification B接下来，文章将年龄和婚姻情况视作控制变量列入回归，采用KLS法进行无工具变量推断，部分重要变量系数估计结果绘制如下图：

Ø 年龄age和婚姻情况mrt对工资均具有正向影响（这或许与年龄增长带来的处事成熟、高新工作的年龄门槛有关）Ø 聚焦此前假设的内生性范围[−0.4, 0]，能力变量iq仍为正且几乎未受到变量添入的影响，但学校教育s变为负向，这表明此前正向估计结果与年龄效应具有较强相关性Ø 此外，工作经验和任职时长的影响并不明显，考虑到研究对象为16-30岁青年，佐证这一结果合理性RESET检验(Ramsey 1969)利用拟合值幂次（此处命令默认为2、3、4次幂）检验模型设定是否正确，得出如下结果：

在5%的显著性水平上，当使用不少于三次幂时，不拒绝原假设（原假设为模型设置正确）。这在假定的内生性范围[−0.4, 0]中表现并不足够令人满意。specification C考虑到变量iq的局限，现换用世界职业能力测试(KWW test)成绩kww作为个人能力的代理变量( Griliches, 1976)，并使用变量iq作为其工具变量。

Ø 修正后结果显示学校教育s之于工资收入lw几无影响，这与KLS无工具变量估计相一致Ø 但KLS估计不同，年龄变量age不具有显著影响进一步检验表明，kww为（与误差项）负相关的内生变量，但其有效应由于工具变量恰好识别而无法在2SLS中检验排他性约束。对此，同时考虑Conley, Hansen, and Rossi (2012) 编写的程序plausexog（主要思想可以简要概括为放松工具变量完全外生的假设转而对排他性约束的程度及结构施加相应先验信息(prior information)或信念(belief)，最终得到一个更为稳健的区间估计）和KLS排他性约束检验。两种方法对主要变量的估计结果绘制如图：

Ø plausexog估计区间往往横贯0界，并不能提供太多有效信息Ø 相比之下，合理的内生性范围内KLS能够提供更多的内容进一步，依然考虑区间[−0.4, 0]，KLS估计表明iq为一个有效的工具变量。检验estat exclusion也大致证明了这一判断，如图：

Ø 5%显著性下，工具变量iq在区间[−0.521, −0.112]内不拒绝原假设为加强上述检验结果的可信度，考虑加入部分关键变量的二次项或交乘项进行检验：

Ø 除了任期时长和年龄的交互项外，其余平方与交乘均被有效排除在模型外Ø 表明任期时长对工资的影响或许会因年龄而异specification D考虑年龄交互影响，将以下三组交乘分别加入回归模型中，形成范式D：

对交乘项与任期时长系数之和是否等于工作经验expr之系数作出检验，形成下图：

Ø 随年龄增长，任职时长带来的回报逐渐增加，且在合理的内生范围内与工作经验相异Ø 表明当年龄到达一定程度时，特定工作任职的积累终于开始显现出效用Ø 考虑到研究对象为青年，这一效用并不总是显著

接着对范式D进行RESET检验，形成下图，其中左图为对拟合值的检验、右图为对全解释变量的检验：Ø 显然，不拒绝原假设的意愿强于范式C中检验结果Ø 但如果kww的负向内生性足够大，则仍有可能无法通过检验（见左图中偏左侧部分）随后，进行异方差检验，分别对四种组合进行检验：全解释变量、全解释变量及工具变量、全解释变量及一些交乘项、拟合值。以下左图显示联合检验结果，右图显示各变量列表中个体显著性检验所得最小p值：

Ø 在假定的合理内生性范围内无条件异方差Ø 虽然个体显著性检验时varlist3的结果出现了一些异常，但交互项对结论的影响几近于无Ø 自此，多数检验均表明KLS估计结果具有良好的统计学意义KLS估计进行的无工具变量推断与Krauth (2016)和Oster (2019)二者创造的方法相关，在某种程度上，这三种方式具有一致性。其关键参数可通过下式相互转换：

Ø 分别使用rcr命令和psacalc命令进行回归运算（结果表格略）Ø 数据表明，kww的参数估计值与KLS估计近乎相同，仅在标准误计算上由于各命令依托的算法不同而存在差异Ø 相比与为上述两种方式寻找合意的δ和λ，KLS估计所需要的内生性范围边界显然更易得、更可信5.2  多内生性变量specification E考虑在范式D的基础上加入iq（放松工具变量iq的相关性假设），即化为存在两个内生变量的情形，记为范式E。分别假定iq与残差项的内生相关性为0、-0.2、-0.4，绘制下图（为便于展示，图中纵轴进行截取）：

Ø 随iq内生相关性（绝对值）逐渐增加，学校教育带来的汇报渐少Ø 最左侧一列中学校教育汇报甚至显著为负（假设kww的内生相关性为负）使用kinkyreg2dta命令，（结合surface包）能够绘制出如下三维图形：

Ø 图中结果与二维分析结果无异Ø 仅当两内生变量内生相关性（绝对值）均相当小（近于0）时，接受教育才能带来正向显著的回报6  结论本文介绍了线性回归模型KLS估计方法的kinkyreg命令。对于包含内生变量的模型，KLS方法基于内生性相关的可信范围为回归系数提供了有效的置信区间。在许多情境中，研究者可能对合理的内生性范围有先验性认知，但难以发掘合适的工具变量。此外，KLS能为内生变量排他性检验提供决定性证据且不易受到弱工具变量问题的影响。总之，没有任何一种方法严格优于他法，无工具变量推断方法可以作为传统工具变量法的补充，也未尝没有希望成为一种合理的独立估计方法。下面再按照各种内生性问题，整理了上百篇专栏性文章。关于合成控制法，1.匹配, 双重差分, 合成控制, 断点回归方法的比较, 思想原理, 适用范围和主要特征，2.断点回归RD和合成控制法SCM免费课程, 文章, 数据和代码全在这里, 有必要认真研究学习！3.中文刊上用断点回归RDD和合成控制法SCM的实证文章有哪些？不看至少需要收藏一下！4.合成控制法创始人如何用SCM做实证呢？这些规定动作一个都不能少！5.最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响！6.关于合成控制法SCM的33篇精选Articles专辑！小组惊动了阿里巴巴！7.合成控制法与HCW方法, 谁能够走得更远？8.广义合成控制法gsynth, Stata运行程序release，9.广义合成控制法gsynth, 基于交互固定效应的因果推断，10.再谈合成控制法SCM, 帮你寻找因果推断控制组，11.合成控制法什么鬼? 因果推断的前沿方法指南关于面板数据模型，1.面板数据方法免费课程, 文章, 数据和代码全在这里, 优秀学人好好收藏学习！2.面板数据中标准误的估计方法, 你确定用对了吗? 我们来比较一番！3.疫情期计量课程免费开放！面板数据, 因果推断, 时间序列分析与Stata应用，4.用Stata做面板数据分析, 操作代码应有尽有，5.面板数据为什么好？读了这篇你才会明白，6.GMM和工具变量在面板数据中的运用，7.面板数据聚类, 因子分析和主成分分析咋做? 8.伪面板回归是什么, 诺贝尔经济学家推荐使用，9.面板数据中介效应的计算程序, 打开面板这扇门，10.面板数据模型操作指南, 不得不看的16篇文章，11.2SLS第一阶段输出, 截面或面板数据及统计值都行，12.面板数据模型操作指南, 不得不看的16篇文章，13.面板数据中heckman方法和程序, 动态, 0-1面板和内生性选择都行，14.面板数据是怎样处理内生性的,一篇让人豁然明朗的文章，15.面板数据计量方法全局脉络和程序使用指南篇，16.面板数据密度图和时间趋势图韩城攻略和常见操作，17.面板数据里处理多重高维固定效应的神器, 还可用工具变量处理内生性，18.reg3, 多元回归, 面板数据, 方差分析, 异方差和自相关检验和修正的Stata程序Handbook，19.面板数据的DID估计，透彻解读，20.非线性面板模型中内生性解决方案以及Stata命令，21.面板数据、工具变量选择和HAUSMAN检验的若干问题，22.把动态面板命令讲清楚了，对Stata的ado详尽解释，23.动态面板回归和软件操作，单位根和协整检验（Dynamic Panel Data）关于DID相关文章0.双重差分DID方法免费课程, 文章, 数据和代码全在这里, 优秀学人必须收藏学习！1.DID运用经典文献，强制性许可:来自对敌贸易法的证据，2.连续DID经典文献, 土豆成就了旧世界的文明，3.截面数据DID讲述, 截面做双重差分政策评估的范式，4.RDD经典文献, RDD模型有效性稳健性检验，5.事件研究法用于DID的经典文献"环境规制"论文数据和程序，6.广义DID方法运用得非常经典的JHE文献，7.DID的经典文献"强制许可"论文数据和do程序，8.传销活动对经济发展影响, AER上截面数据分析经典文，9.多期DID的经典文献big bad banks数据和do文件，10.因果推断IV方法经典文献，究竟是制度还是人力资本促进了经济的发展？11.AER上因果关系确立, 敏感性检验, 异质性分析和跨数据使用经典文章，12.第二篇因果推断经典，工作中断对工人随后生产效率的影响？，13.密度经济学:来自柏林墙的自然实验, 最佳Econometrica论文，14.AER上以DID, DDD为识别策略的劳动和健康经济学，15.一个使用截面数据的政策评估方法, 也可以发AER，16.多期DID模型的经典文献，big bad banks讲解"，17.多期DID的经典文献big bad banks数据和do文件，18.非线性DID, 双重变换模型CIC, 分位数DID，19.模糊(Fuzzy)DID是什么？如何用数据实现呢？20.多期DID的big bad banks中文翻译版本及各细节讲解，21.DID中行业/区域与时间趋势的交互项, 共同趋势检验, 动态政策效应检验等，22.截面数据DID操作程序指南, 一步一步教你做，23.DID的研究动态和政策评估中应用的文献综述，24.连续DID经典文献, 土豆成就了旧世界的文明，25.DID双重差分方法, 一些容易出错的地方，26.连续DID, DDD和比例DID, 不可观测选择偏差，27.加权DID, IPW-DID实证程序百科全书式的宝典，28.DID和DDD, 一个简明介绍, 双重和三重差分模型，29.DID过程中总结的地图展示技巧，30.DID的平行趋势假定检验程序和coefplot的其他用法，31.截面DID, 各种固定效应, 安慰剂检验, 置换检验, 其他外部冲击的处理，32.实践中双重差分法DID暗含的假设，33.过去三十年, RCT, DID, RDD, LE, ML, DSGE等方法的“高光时刻”路线图，34.计量院士首次用DID方法分析, 中国封城对新冠病毒扩散的影响！，35.截面DID, 各种固定效应, 安慰剂检验, 置换检验, 其他外部冲击的处理，36.诺奖夫妇的中国学生, “DID小公主”的成名之作, 茶叶价格与中国失踪女性之谜！，37.前沿: 反向DID, 反向双重差分法DDR全解析, 辅以实证示例！38.英诺丁汉大学校长为你讲解逐年PSM匹配-DID方法的操作, 并配上自己写的一篇范文！39.逐年PSM匹配后再DID识别因果的实证范文, 这就是逐年PSM-DID的操作范式！40.用事件研究法进行因果识别如何做? 有什么好处? 与DID结合起来潜力无穷！41.Abadie半参数双重差分DID估计量, 使你的平行趋势假设更加可信！42.弹性DID, DID的终极大法, 关于DID各方法总结太赞了！43.二重差分法分析（DID），44.比DID更加灵活的DDID政策效应评估方，45.DID思路和操作，一篇相关实证文献，46.二重差分法深度分析（DID），三重差分兼论，47.面板数据的DID估计，透彻解读，48.PSM-DID, DID, RDD, Stata程序百科全书式的宝典，49.关于DID的所有解读, 资料, 程序, 数据, 文献和各种变形都在这里，50.分位数DID, PSMDID, 政策前协变量平衡性检验操作步骤和案例，51.PSM-DID, DID实证完整程序百科全书式的宝典，52.逐年匹配的PSM-DID操作策略, 多时点panel政策评估利器，53.广义DID, DID最大法宝, 无所不能的政策评估工具，54.渐进DID专治各种渐进性政策的良药, 可试一试疗效，55.双重差分DID的种类细分, 不得不看的20篇文章，56.找不到IV, RD和DID该怎么办? 这有一种备选方法，57.在教育领域使用IV, RDD, DID, PSM多吗? 使用具体References，58.DID和IV操纵空间大吗? 一切皆为P-hacking，59.第一篇中文DID实证论文长啥样? 60.世界上第一篇DID实证论文长啥样?，61.关于双重差分法DID的32篇精选Articles专辑！62.空间双重差分法(spatial DID)最新实证papers合辑！63.空间DID双重差分方法的文献, spatial DID，64.多期三重差分法和双重差分法的操作指南，65.多期双重差分法,政策实施时间不同的处理方法，66.三重差分法运行和示例，67.如何设计双重差分法DID: 各种政策研究的最佳指南!关于匹配方法相关文章1. PSM倾向匹配Stata操作详细步骤和代码，干货十足，2.处理效应模型选择标准，NNM和PSM，赠书活动，3.PSM和马氏匹配已淘汰, '遗传匹配'成因果推断匹配之王，4.PSM, RDD, Heckman, Panel模型的操作程序, selective文章精华系列，5.广义PSM,连续政策变量因果识别的不二利器，6.PSM-DID, DID, RDD, Stata程序百科全书式的宝典，7.在教育领域使用IV, RDD, DID, PSM多吗? 使用具体References，8.分位数DID, PSMDID, 政策前协变量平衡性检验操作步骤和案例，9.逐年匹配的PSM-DID操作策略, 多时点panel政策评估利器，10.执行PSM的标准操作步骤, 不要再被误导了，11.PSM匹配后如何保留配对样本? 1:1, 1:4或更多情况呢？12.逐年PSM匹配后再DID识别因果的实证范文, 这就是逐年PSM-DID的操作范式！13.英诺丁汉大学校长为你讲解逐年PSM匹配-DID方法的操作, 并配上自己写的一篇范文！14.内生性问题和倾向得分匹配, 献给准自然试验的厚礼，15.粗化精确匹配CEM文献推荐, 程序步骤可复制，16.DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征，17.匹配方法(matching)操作指南, 值得收藏的16篇文章，18.中国工业企业数据库匹配160大步骤的完整程序和相应数据，19.Match匹配估计做敏感性检验的最新方法, 让不可观测变量基础上的选择无处遁形，20.无需检查协变量平衡性的CEM匹配, 到底有多神气和与众不同，21.因果推断中的匹配方法:最全回顾和前景展望，22.内生性问题和倾向得分匹配, 献给准自然试验的厚礼，23.倾向值匹配与因果推论,史上最全面精妙的锦囊，24.匹配还是不匹配？这真是个值得考虑的问题，25.匹配比OLS究竟好在哪里？这是一个问题，26.倾向匹配分析深度（Propsensity matching analysis），27.倾向得分匹配PSM, 你真的用对了吗? 对主流期刊86篇文章分析与总结！28.中文刊上用倾向得分匹配PSM和内生转换模型ESM的实证文章有哪些？不看至少需要收藏一下，29.倾向得分匹配PSM, 你真的用对了吗? 对主流期刊86篇文章分析与总结，30.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS，31.ESP内生转化概率模型是什么, 如何做, 如何解释, 为什么需要它? 32.Heckman模型out了,内生转换模型掌控大局，33.因果效应中的双重稳健估计值, 让你的估计精准少误，34.加权DID, IPW-DID实证程序百科全书式的宝典关于Stata，1.Stata16新增功能有哪些? 满满干货拿走不谢，2.Stata资料全分享，快点收藏学习，3.Stata统计功能、数据作图、学习资源，4.Stata学习的书籍和材料大放送, 以火力全开的势头，5.史上最全Stata绘图技巧, 女生的最爱，6.把Stata结果输出到word, excel的干货方案，7.编程语言中的函数什么鬼？Stata所有函数在此集结，8.世界范围内使用最多的500个Stata程序，9.6张图掌握Stata软件的方方面面, 还有谁, 还有谁? 10.LR检验、Wald检验、LM检验什么鬼？怎么在Stata实现，11.Stata15版新功能，你竟然没有想到，一睹为快，12."高级计量经济学及Stata应用"和"Stata十八讲"配套数据，13.数据管理的Stata程序功夫秘籍，14.非线性面板模型中内生性解决方案以及Stata命令，15.把动态面板命令讲清楚了，对Stata的ado详尽解，16.半参数估计思想和Stata操作示例，17.Stata最有用的points都在这里,无可替代的材料，18.PSM倾向匹配Stata操作详细步骤和代码，干货十足，19.随机前沿分析和包络数据分析 SFA,DEA 及Stata操作，20.福利大放送, Stata编程技巧和使用Tips大集成，21.使用Stata进行随机前沿分析的经典操作指南，22.Stata, 不可能后悔的10篇文章, 编程code和注解，23.用Stata学习Econometrics的小tips, 第二发礼炮，24.用Stata学习Econometrics的小tips, 第一发礼炮，25.广义合成控制法gsynth, Stata运行程序release，26.多重中介效应的估计与检验, Stata MP15可下载，27.输出变量的描述性统计的方案，28.2SLS第一阶段输出, 截面或面板数据及统计值都行，29.盈余管理指标的构建及其Stata实现程序, 对应解读和经典文献，30.Python, Stata, R软件史上最全快捷键合辑！，31.用Stata做面板数据分析, 操作代码应有尽有，32.用Stata做面板数据分析, 操作代码应有尽有，33.没有这5个Stata命令, 我真的会活不下去！，34.第一(二)卷.Stata最新且有趣的程序系列汇编，35.第三卷.Stata最新且急需的程序系列汇编，36.第四卷.Stata最新且急需的程序系列汇编，37.干货: UN和WTO推荐的最全且权威的实证研究方法及在Stata实现！必收藏！，38.再中心化影响函数RIF回归和分解的Stata操作程序，39.R和Stata软件meta分析操作详细攻略, 对研究再开展研究的利器！，40.不能安装Stata命令咋弄？这个方法一直都比较靠谱！，41.使用Stata做结构方程模型GSEM的操作指南，42.疫情期计量课程免费开放！面板数据, 因果推断, 时间序列分析与Stata应用，43.一些Stata常见操作代码和注释, 能够让年轻学人更快掌握相关命令！44.Stata语言中的常用函数及其用法解释, 在附上42篇Stata相关学习资料，45.Stata经典操作笔记和学习资源合辑! 都是些博士生导师比较推荐的!断点回归设计RDD的文章1.断点回归设计RDD分类与操作案例，2.RDD断点回归, Stata程序百科全书式的宝典，3.断点回归设计的前沿研究现状, RDD，4.断点回归设计什么鬼？且听哈佛客解析，5.断点回归和读者的提问解答，6.断点回归设计RDD全面讲解, 教育领域用者众多，7.没有工具变量、断点和随机冲击，也可以推断归因，8.找不到IV, RD和DID该怎么办? 这有一种备选方法，9.2卷RDD断点回归使用手册, 含Stata和R软件操作流程，10.DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征，11.安神+克拉克奖得主的RDD论文, 断点回归设计，12.伊斯兰政府到底对妇女友不友好？RDD经典文献，13.PSM,RDD,Heckman,Panel模型的操作程序，14.RDD经典文献, RDD模型有效性稳健性检验，15.2019年发表在JDE上的有趣文章, 计量方法最新趋势，16.关于(模糊)断点回归设计的100篇精选Articles专辑！17.断点回归设计RDD精辟解释, 保证你一辈子都忘不了，18.“RDD女王”获2020年小诺奖！她的RD数据, 程序, GIS和博士论文可下载！关于她学术研究过程的最全采访！19.中国博导要求掌握的RDD方法实证运用范文(配程序code), 不然就不要用RDD做实证研究！20.最近70篇关于中国环境生态的经济学papers合辑！21.事件研究法用于DID的经典文献"环境规制"论文数据和程序，22.环境, 能源和资源经济学手册推荐, 经典著作需要反复咀嚼，23.中文刊上用断点回归RDD和合成控制法SCM的实证文章有哪些？不看至少需要收藏一下！24.上双一流大学能多赚多少钱? 学习断点回归RDD, 机制分析的经典文章！25.JPE上利用地理断点RDD和IV研究中国环境议题的do文件release！关于工具变量，参看1.内生性问题操作指南, 广为流传的22篇文章，2.看完顶级期刊文章后, 整理了内生性处理小册子，3.如何寻找工具变量？得工具者得实证计量，4.内生性处理的秘密武器－工具变量估，5.工具变量在社会科学因果推断中的应用，6.为你的"工具变量"合理性进行辩护, 此文献可以作为范例，7.没有工具变量、断点和随机冲击，也可以推断归因，8.工具变量与因果推断, 明尼苏达Bellemare关于IV的分析，9.工具变量IV与内生性处理的精细解读，10.我的"工具变量"走丢了，寻找工具变量思路手册，11.面板数据里处理多重高维固定效应的神器, 还可用工具变量处理内生性，12.豪斯曼, 拉姆齐检验，过度拟合，弱工具和过度识别，模型选择和重抽样问题，13.工具变量先锋 Sargan，供参考，14.AEA期刊的IV靠不靠谱？15.计量大焖锅: iv, clorenz, rank, scalar, bys, xtile, newey, nlcom，16.GMM是IV、2SLS、GLS、ML的统领，待我慢慢道来，17.IV和GMM相关估计步骤，内生性、异方差性等检验方法，18.因果推断IV方法经典文献，究竟是制度还是人力资本促进了经济的发展？19.内生变量的交互项如何寻工具变量, 交互项共线咋办，20.面板数据、工具变量选择和HAUSMAN检验的若干问题，21.IV和Matching老矣, “弹性联合似然法”成新趋势，22.IV回归系数比OLS大很多咋回事, 怎么办呢? ，23.不用IV, 基于异方差识别方法解决内生性, 赐一篇文献，24.找不到IV, RD和DID该怎么办? 这有一种备选方法，25.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS，26.内生性, 工具变量与 GMM估计, 程序code附，27.GMM和工具变量在面板数据中的运用，28.关于工具变量的材料包, 标题,模型,内生变量,工具变量，29.必须使用所有外生变量作为工具变量吗？30.工具变量精辟解释, 保证你一辈子都忘不了，31.毛咕噜论文中一些有趣的工具变量！33.前沿: 删失数据分位数工具变量(CQIV)估计, 做删失数据异质性效应分析，34.不需要找工具变量, 新方式构建工具变量, 导师再也不用担心内生性问题了！35.关于顶级外刊工具变量的使用最全策略, 不收藏反复读就不要谈IV估计！36.如何通过因果图选择合适的工具变量？一份关于IV的简短百科全书，37.前沿: nature刊掀起DAG热, 不掌握就遭淘汰无疑！因果关系研究的图形工具! 38.最清晰的内生性问题详解及软件操作方案！实证研究必备工具！39.中国女学者与其日本同行在JPE上发文了！利用独特数据, 地理断点RDD和IV研究中国环境议题！40.双胞胎样本解决遗漏变量和测量误差, LIV解决选择偏差，41.内生性处理的秘密武器－工具变量估计，42.工具变量IV必读文章20篇, 因果识别就靠他了，43.看完顶级期刊文章后, 整理了内生性处理小册子，44.“内生性” 到底是什么鬼? New Yorker告诉你，45.Heckman两步法的内生性问题(IV-Heckman)，46.最全估计方法，解决遗漏变量偏差，内生性，混淆变量和相关问题，47.非线性面板模型中内生性解决方案，48.内生性处理方法与进展，49.内生性问题和倾向得分匹配，50.你的内生性解决方式out, ERM独领风骚，51.面板数据是怎样处理内生性的，52.计量分析中的内生性问题综述，53.一份改变实证研究的内生性处理思维导图，54.Top期刊里不同来源内生性处理方法，55.面板数据中heckman方法和程序(xtheckman)，56.控制函数法CF, 处理内生性的广义方法，57.二值选择模型内生性检验方法，58.2SRI还是2SPS, 内生性问题的二阶段CF法实现，59.非线性模型及离散内生变量处理利器, 应用计量经济学中的控制函数法！60.最全利用工具变量控制内生性的步骤和代码—在经管研究中的应用，61.如何选择合适的工具变量, 基于既有文献的总结和解释！62.中介效应最新进展: 中介效应中的工具变量法使用方法及其代码！63.弱工具变量的稳健性检验, 附上code和相关说明！64.工具变量对因果效应的识别和外推, 大牛的顶级评述！关于一些计量方法的合辑，参看①“实证研究中用到的200篇文章, 社科学者常备toolkit”、②实证文章写作常用到的50篇名家经验帖, 学者必读系列、③过去10年AER上关于中国主题的Articles专辑、④AEA公布2017-19年度最受关注的十大研究话题, 给你的选题方向，⑤2020年中文Top期刊重点选题方向, 写论文就写这些。后面，咱们又引荐了①使用CFPS, CHFS, CHNS数据实证研究的精选文章专辑！，②这40个微观数据库够你博士毕业了, 反正凭着这些库成了教授，③Python, Stata, R软件史上最全快捷键合辑！，④关于(模糊)断点回归设计的100篇精选Articles专辑！，⑤关于双重差分法DID的32篇精选Articles专辑！，⑥关于合成控制法SCM的33篇精选Articles专辑！⑦最近80篇关于中国国际贸易领域papers合辑！，⑧最近70篇关于中国环境生态的经济学papers合辑！⑨使用CEPS, CHARLS, CGSS, CLHLS数据库实证研究的精选文章专辑！⑩最近50篇使用系统GMM开展实证研究的papers合辑！下这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。数据系列：空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 | 内部数据计量系列：匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 200篇合辑 | 因果识别 | 社会网络 | 空间DID数据处理：Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |干货系列：能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 | 名家经验计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。