微观计量经济学

面向本科生与研究生的微观数据因果推断课程，覆盖 OLS、IV、面板、DID、RDD、匹配、离散选择和机器学习。

微观计量经济学：用微观数据构造可信的因果反事实

课程定位

微观计量经济学研究个人、家庭、企业、学校、地区和政策项目层面的数据，重点是如何从观察到的结果中构造“如果同一个单位没有接受处理，会发生什么”的反事实。

它不是计量经济学基础的简单应用清单，而是一套研究设计流程：

Rendering diagram…

本课程承接计量经济学的 OLS、推断和数据工作流；它不把“有一个显著系数”当作因果识别，而是先问反事实如何被构造，再选择估计方法。

学习成果

完成课程后，你应能够：

使用潜在结果、ATE、ATT、LATE 和异质性处理效应定义目标参数。
判断随机实验、IV、面板、DID、RDD、匹配和合成控制的识别条件。
解释 OLS、2SLS、固定效应、事件研究、局部多项式和离散选择估计。
选择与处理分配、误差相关和样本层级匹配的标准误。
诊断平行趋势、操纵、弱工具、重叠、选择和函数形式风险。
区分总体效应、局部效应、短期效应和特定人群的政策效应。
用 Python 或 R 完成从数据清理到可重复结果的微观实证项目。
阅读前沿论文时，先审查识别策略，再审查估计器、推断和稳健性。

本科生与研究生路径

层级	必须掌握	研究生扩展
本科生	能画潜在结果、解释 OLS/IV/DID/RDD 的直觉，完成一个清晰的政策评估。	加入异质性、安慰剂和替代窗口分析。
研究生	能写出识别假设、目标参数、估计量和推断方案。	处理交错处理、弱识别、部分识别、机器学习 nuisance functions 和外部有效性。

先修诊断

问题	需要掌握的思想
为什么同一单位的 $Y(1)$ 和 $Y(0)$ 不能同时观察？	因果推断的基本反事实问题。
为什么加入固定效应不一定消除内生性？	固定效应只消除时间不变差异。
DID 的平行趋势是关于哪个未观察结果的假设？	关于处理组在未处理状态下的趋势。
RDD 为什么是局部效应？	设计比较阈值附近单位，不能自动推广到远离阈值的人群。
机器学习为什么不能替代识别假设？	算法可改进预测或控制函数估计，但不能创造外生变动。

如果这些问题还不熟，先返回计量经济学的 OLS 与推断章节，再开始具体设计。

贯穿案例：教育政策评估

假设某项奖学金政策使部分学生更容易进入大学，研究者关心四年后的收入。一个完整分析要依次说明：

处理： 获得奖学金、实际入学，还是完成学位？
结果： 年收入、就业概率、工作质量还是继续教育？
目标参数： ATE、符合资格者 ATT，还是被政策改变行为者 LATE？
识别： 随机资格、政策阈值、地区实施时间，还是工具变量？
处理版本： 不同学校、金额、持续时间和遵从程度是否混在一起？
推断： 处理在哪里分配，错误项在哪里相关，标准误应聚类到哪里？
外部有效性： 结果能否推广到未申请、其他年龄或其他地区？

同一数据集可以产生多个不同的估计量。研究设计的价值在于让读者知道哪个估计量对应哪个政策问题。

课程章节

章节	主题	主要问题
01｜微观计量与因果推断导论	微观计量与因果推断导论	潜在结果、RCT、选择偏误如何连接？
02｜线性回归与 OLS	线性回归与 OLS	控制变量、FWL、稳健推断和经济解释如何完成？
03｜工具变量法	工具变量法	如何用外生变动识别内生处理？
04｜面板数据方法	面板数据方法	如何利用个体和时间维度控制不可观测差异？
05｜双重差分法	双重差分法	如何构造政策前后和处理对照的反事实？
06｜断点回归设计	断点回归设计	阈值附近的局部比较何时可信？
07｜匹配与倾向得分	匹配与倾向得分	可观测选择与重叠条件如何影响估计？
08｜离散选择模型	离散选择模型	如何建模二元、多元和随机效用选择？
09｜计数数据与受限因变量	计数数据与受限因变量	零值、上限、截断和计数结构如何处理？
10｜合成控制法	合成控制法	如何为单个处理单位构造加权反事实？
11｜机器学习与因果推断	机器学习与因果推断	高维控制和异质性如何与识别结合？
12｜前沿文献与现代微观案例	高校准入、因果机器学习与选择后推断	研究结论如何进入异质性政策与有效决策？

各章现在采用同一教学骨架：先定义 estimand 与反事实，再给最小公式、一个反例、一个可独立运行的浏览器实验，最后用诊断清单和短任务收束。详细程度来自推理链完整，而不是堆叠重复代码。

二次审查后的识别与实验地图

本轮审查不只检查章节是否“有公式”，而是逐章核对目标参数、识别条件、诊断任务和网页实验是否能连成完整研究流程。以下表格可作为选题导航：

方法	主要 estimand	最关键的识别风险	网页实验
RCT / 潜在结果	ATE、ITT、TOT	不遵从、流失、干扰和处理版本	自选择与随机化
OLS	线性投影或条件效应	遗漏变量、坏控制、函数形式	OVB、HC1 与 FWL
IV	LATE 或结构参数	排除限制、弱工具、单调性	鼓励设计与 Wald 比率
面板固定效应	个体内变化对应的参数	时间变化混淆、动态偏误	pooled 与双向 FE
DID	ATT 或组别—时间效应	平行趋势、交错实施、预期效应	平行与非平行反事实
RDD	阈值处局部处理效应	操纵、排序、带宽与函数形式	局部线性与带宽
匹配 / IPW	可观测选择下的 ATE/ATT	无混杂、重叠和极端权重	平衡、权重与 ESS
离散选择	选择概率、边际效应	IIA、尺度归一化、内生属性	Logit 与 AME
计数 / 受限结果	条件均值或潜变量参数	过度离散、零膨胀、删失机制	Poisson QMLE 与 IRR
合成控制	单个处理单位的路径效应	供体池、预处理拟合、外推	权重、RMSPE 与安慰剂
因果机器学习	异质性效应、正交矩条件	过拟合、重叠、目标泄漏	交叉拟合 DML

表中每个实验都使用当前项目的 Pyodide fenced block，单元彼此独立，可在浏览器中显示、修改和运行；前沿章另给出等价 webR 实现。合成数据只用于暴露统计机制，不会自动证明真实应用中的识别假设。

一页研究设计审计表

在运行任何回归前，先完成下面九项。若其中一项写不清，增加模型复杂度通常不会解决问题。

研究问题： 哪个主体、处理、结果和时间范围？
目标参数： ATE、ATT、LATE、局部效应、边际效应还是预测风险？
处理分配： 谁决定处理，在哪个层级、何时决定？
反事实来源： 随机化、阈值、时间变化、工具变量还是可观测匹配？
识别假设： 哪些假设可用数据诊断，哪些只能依靠制度知识？
估计量： 为什么该估计器对应目标参数，而不是另一个参数？
推断： 误差可能在哪里相关，处理实际有多少个独立分配单元？
稳健性： 哪个检查直接回应最重要的识别威胁？
适用范围： 对哪些人、地区、时期和处理版本成立？

理论与方法支撑

潜在结果与实验：Imbens and Rubin, Causal Inference；
OLS、IV、面板与离散选择：Wooldridge, Econometric Analysis of Cross Section and Panel Data；
DID 与现代政策评估：Angrist and Pischke；Callaway and Sant’Anna；Sun and Abraham；
RDD：Cattaneo, Idrobo and Titiunik, A Practical Introduction to Regression Discontinuity Designs；
匹配与权重：Rosenbaum and Rubin；Imbens；
合成控制：Abadie, Diamond and Hainmueller；
因果机器学习：Chernozhukov et al. 的 Double/Debiased ML 与 Athey–Wager 的异质性效应框架。

这些参考负责支撑识别条件和估计性质；具体实证结论仍要由研究场景、数据质量和设计证据支撑。

13 周研究训练路径

周次	方法	研究训练
1	潜在结果与实验	写出一个政策的处理、结果和反事实。
2	OLS 与选择偏误	用模拟展示随机化和自选择的差异。
3	IV	画出工具、处理、结果和排除限制路径。
4	面板	比较 pooled、固定效应和随机效应。
5	DID	画事件研究图，讨论平行趋势与交错实施。
6	RDD	检查阈值操纵、带宽和连续性。
7	匹配/IPW	检查倾向得分重叠和权重极端值。
8	离散选择	区分概率、边际效应、替代弹性和 IIA。
9	计数/受限因变量	比较 Poisson、负二项、Tobit 与两部模型。
10	合成控制	选择供体池并进行安慰剂检验。
11	因果机器学习	交叉拟合、异质性和过拟合诊断。
12	前沿案例	审计高校准入、个体化处理与赢家诅咒证据。
13	研究项目	完成识别备忘录、结果表和限制说明。

研究项目最低要求

本科项目

研究问题、处理、结果和目标人群定义清楚；
至少一个基准估计和一个识别威胁讨论；
报告单位、样本、标准误和置信区间；
至少一个安慰剂、替代结果或样本敏感性检查；
诚实区分相关、预测和因果语言。

研究生项目

明确 estimand、识别假设和估计量；
说明处理效应异质性和外部有效性；
检查弱识别、操纵、预趋势、重叠或函数形式；
进行多重推断、敏感性分析或部分识别讨论；
交付数据字典、可复现代码、分析日志和研究报告。

读论文的方法

阅读一篇微观计量论文时依次回答：

作者想估计哪个反事实参数？
哪个制度或数据变化提供识别？
识别假设能被观察到、检验到，还是只能由制度知识支持？
估计器与样本结构匹配吗？
标准误和推断是否考虑处理分配与误差相关？
效应对哪些人、哪个时间窗口和哪个处理版本成立？
稳健性分析是否真的对应识别威胁？

常见错误

先选方法，再寻找能套上的问题；
把平行趋势图形“好看”当作假设被证明；
把第一阶段显著当作 IV 有效；
把固定效应写成“控制了所有不可观测变量”；
把显著异质性解释成机制，却没有预先定义分组；
把机器学习的预测性能当作因果效应可信度；
忽略缺失值、样本流失、处理版本和政策执行差异。