应用经济学本科三年级《计量经济学的逻辑架构与前沿疆域》教学设计

应用经济学本科三年级《计量经济学的逻辑架构与前沿疆域》教学设计

  一、教学理念与目标设计

  本教学设计立足于“新文科”建设与经济学拔尖创新人才培养的时代背景，面向已具备中级微观经济学、宏观经济学及数理统计、概率论基础的应用经济学专业本科三年级学生。课程超越传统计量经济学教材中以具体方法技术为中心的知识罗列模式，旨在引导学生建构一个以“因果推断”为核心、以“设计性思维”为主线、贯通经典理论与当代前沿的、系统而开放的计量经济学心智框架。本课程不仅是工具性知识的传授，更是一场科学范式与研究哲学的思维训练。

  核心教学理念：

  1.成果导向教育（OBE）：以学生最终能独立、批判性地评估实证研究，并初步设计具有因果识别策略的实证方案为最终学习成果，反向设计教学环节与评估标准。

  2.建构主义学习：强调学生在已有知识基础上，通过解决渐进式复杂问题、参与研讨和完成项目，主动建构对计量经济学逻辑体系的理解。

  3.跨学科融合视野：有机融合统计学、计算机科学（特别是机器学习）、社会学实验设计等多学科思想，展现计量经济学作为实证分析基础性方法论的生命力。

  4.价值引领与伦理考量：在探讨模型与方法的同时，嵌入对数据伦理、研究透明度、结论社会影响等的讨论，培养学生的学术责任感。

  三维教学目标：

  知识与技能维度：

  1.系统掌握计量经济学的核心逻辑架构，深刻理解条件期望函数（CEF）与总体回归函数（PRF）的核心地位，以及从描述性分析到因果性推断的范式飞跃。

  2.精通多元线性回归的矩阵表述、几何解释及大样本理论，并能将其作为分析的基本组织框架。

  3.透彻理解内生性的来源（遗漏变量、测量误差、双向因果、样本选择）及其根本危害，掌握工具变量法（IV）、双重差分法（DID）、断点回归设计（RDD）、匹配方法等核心因果推断策略的原理、假设、操作及局限性。

  4.熟悉当前计量经济学与机器学习、文本分析、空间计量、实验经济学等交叉领域的前沿动向，了解基本概念与典型应用场景。

  5.熟练运用至少一种主流统计软件（如R或Python），实现从数据管理、基础回归、因果推断到结果可视化的完整分析流程。

  过程与方法维度：

  1.形成“研究设计先行”的分析习惯，在面对一个经济问题时，能优先思考因果识别策略而非直接套用模型。

  2.发展批判性评估能力，能够对学术论文或实证报告中的识别假设、数据质量和结论稳健性进行专业评价。

  3.掌握通过模拟实验验证计量方法性质的研究方法，深化对抽象理论的理解。

  4.培养团队协作能力，通过小组课题完成从问题提出、文献回顾、数据搜集、实证分析到报告撰写的全流程。

  情感、态度与价值观维度：

  1.树立严谨求实的科学研究态度，理解“相关非因果”的深刻含义，对数据结论保持审慎。

  2.激发对探索经济与社会现象背后因果机制的学术兴趣与热情。

  3.形成开放、创新的学术视野，乐于关注并尝试跨学科的新方法、新数据。

  4.强化学术伦理意识，恪守数据使用规范，重视研究可重复性。

  二、学情分析

  本课程教学对象为应用经济学专业本科三年级学生，其认知结构与学习特征如下：

  已有基础：

  1.知识基础：已系统学习微观、宏观经济学原理，对基本经济概念与模型有较好理解；已完成概率论与数理统计课程，掌握随机变量、分布、期望、方差、假设检验、参数估计等核心统计知识；部分学生可能初步接触过统计学软件。

  2.思维特点：处于从接受知识向批判性思考和探索性研究过渡的关键期，抽象逻辑思维能力较强，但对经济学实证研究的全貌和复杂性认知尚浅。

  潜在困难与挑战：

  1.概念抽象性：因果推断的核心概念（如反事实框架、内生性、识别假设）高度抽象，难以直观理解。

  2.数理要求高：矩阵代数、大样本理论等内容的深度可能超出部分学生的舒适区，易产生畏难情绪。

  3.技术整合复杂：将经济理论、计量方法与软件操作无缝结合，并合理解读输出结果，是一项综合挑战。

  4.范式转换障碍：从传统的“回归万能”思维转向基于“设计”的因果推断思维，需要打破固有认知。

  教学对策：

  针对上述学情，本课程设计将采用“直观引导-理论深化-实践强化-批判反思”的螺旋式教学路径。通过大量现实研究案例和图形化、模拟化的教学手段降低抽象概念的入门门槛；通过清晰的逻辑脉络串联数理推导，强调其经济学含义而非纯数学技巧；通过“代码即笔记”的伴随式编程实践和分步骤的项目任务，化解技术整合难题；通过经典研究与前沿研究的对比研讨，主动推动学生的思维范式转换。

  三、课程资源与学习环境

  核心教材与读物：

  1.主教材：Angrist,J.D.,Pischke,J.S.(2014).Mastering‘Metrics:ThePathfromCausetoEffect

.PrincetonUniversityPress.（中译本《精通计量：从原因到结果的探寻之旅》）——作为因果推断思维的入门引导。

  2.理论深化参考：Wooldridge,J.M.(2015).IntroductoryEconometrics:AModernApproach

(6thed.).CengageLearning.——作为传统理论与方法的系统参考。

  3.前沿拓展阅读：论文集与精选期刊论文，包括但不限于《JournalofEconomicPerspectives》、《AmericanEconomicReview》、《JournalofEconometrics》等期刊中关于机器学习在经济学中的应用、文本数据分析、实地实验设计等方面的综述与经典论文。

  软件与平台：

  1.分析软件：统一使用R语言（或提供Python并行指导），因其在计量经济学、数据可视化及机器学习领域的强大、免费且活跃的生态。提供基于RMarkdown或JupyterNotebook的标准化分析模板。

  2.学习管理平台：利用学校LMS，发布课件、阅读材料、数据集、代码示例，进行在线测验、作业提交与同伴互评，并设置论坛进行异步答疑与讨论。

  3.数据资源：整合公开大型微观数据库（如中国家庭追踪调查CFPS、中国综合社会调查CGSS、美国当前人口调查CPS等）、网络爬虫获取的另类数据、以及为教学专门设计的模拟数据集。

  四、教学实施过程（详细设计）

  本课程共设计为48学时（16周，每周3学时），采用“模块-专题-课时”三级结构。教学实施过程是核心，下面将分模块详细阐述。

  模块一：基石重塑——从统计关联到因果推断的范式转型（6学时）

  专题1.1：计量经济学的使命与哲学基础（2学时）

  *课时1：经济学何以成为一门“科学”？实证研究的循环。

  *核心活动：以诺贝尔经济学奖得主的研究为例，引导学生讨论“什么是好的经济学研究”。引出“理论-测度-识别-推断-沟通”的实证研究循环框架。明确计量经济学在该循环中作为“识别与推断”核心工具的地位。

  *关键概念植入：因果关系vs.统计关联。通过“冰淇淋销量与溺水人数”等经典悖论，强烈冲击“回归即因果”的直觉误区。

  *技术准备：介绍课程将使用的R/RStudio基础环境，以及用ggplot2

进行探索性数据分析（EDA）。

  *课时2：潜在结果框架与因果推断的根本挑战。

  *核心活动：通过一个简单的“培训项目对个人收入影响”的虚构例子，引入Rubin潜在结果框架（PotentialOutcomeFramework）。让学生为每个个体定义处理状态和潜在结果。

  *探究问题：“我们能否同时观察到同一个体在接受处理和未接受处理时的结果？”引出“因果推断的根本问题”——缺失数据问题。

  *定义：个体处理效应（ITE）、平均处理效应（ATE）。引导学生理解，我们通常只能估计ATE，且需要依赖于某种“设计”或假设。

  *实践：使用R生成一个包含潜在结果的模拟数据集，直观展示缺失数据。

  专题1.2：条件期望函数与线性回归的再审视（4学时）

  *课时3：条件期望函数——最佳预测与分析的锚点。

  *核心活动：摒弃从简单线性回归入手的传统，首先定义条件期望函数CEF：E[Y|X]。通过图形和模拟数据展示，对于任意变量关系，CEF都是给定X下对Y的最佳（最小均方误）预测。

  *定理引入：CEF分解定理（Y=E[Y|X]+ε）。强调误差项ε的关键性质：E[ε|X]=0，且与X的任何函数都不相关。这是理解回归本质的基石。

  *课时4：线性回归作为CEF的最佳线性近似。

  *核心活动：提出“如果真实的CEF是非线性的，我们为何还要用线性回归？”引导学生推导，线性回归系数β是使预测误差平方和最小的线性函数的系数，即最佳线性近似（BLA）。

  *几何解释：在向量空间中将因变量Y和自变量X投影，回归系数是投影坐标。这种解释为后续理解工具变量等概念提供强大直觉。

  *实践：模拟一个非线性CEF（如抛物线），分别计算真实CEF和线性回归的BLA，并进行图形对比。

  *课时5-6：多元回归、遗漏变量偏差与因果解释条件。

  *核心活动：将CEF框架自然扩展到多元情形。通过一个详细的案例（教育回报率估计），分析遗漏能力变量导致的偏差。

  *公式推导：在简单二元回归中，清晰推导遗漏变量偏差的公式，直观显示偏差方向取决于遗漏变量与自变量及因变量的协方差符号。

  *核心结论：只有当回归中包含所有与误差项相关的变量时，回归系数才能获得因果解释。这个条件（条件均值独立）在实践中几乎无法满足，从而引出对“设计”的需求。

  *实践：用模拟数据验证遗漏变量偏差公式。

  模块二：核心架构——因果推断的“设计工具箱”（24学时）

  专题2.1：自然实验与工具变量法（8学时）

  *课时7-8：内生性与工具变量的直觉。

  *核心活动：系统总结内生性的四大来源。重点聚焦“遗漏变量”和“测量误差”。通过供需模型中的价格内生性问题，生动展示内生性如何导致OLS估计不一致。

  *工具变量的“思想实验”：引入工具变量Z，其核心是提供一个对处理变量X的外生变化来源。通过“征兵抽签对收入的影响”（用抽签号码作为是否服役的工具）等经典案例，建立直觉。

  *工具变量的三个核心条件：相关性、外生性、排他性约束。重点讨论排他性约束的经济学含义和常见争议。

  *课时9-10：IV的数学框架与估计。

  *从直觉到公式：从“Wald估计量”（分组比较）入手，过渡到两阶段最小二乘法（2SLS）的一般形式。用矩阵和投影几何重新阐释2SLS：将内生变量X中与工具Z相关的“干净”部分提取出来进行回归。

  *讨论：弱工具变量问题——为什么弱工具比没有工具更糟糕？介绍F统计量经验法则。

  *实践：用模拟数据生成内生性问题，分别用OLS和2SLS进行估计，比较结果偏差。

  *课时11-12：IV的拓展与应用批判。

  *局部平均处理效应（LATE）：深刻阐释在异质性处理效应下，IV估计的是什么参数？通过“服从者”、“从不服从者”、“始终服从者”、“叛逆者”的类型划分，讲解LATE定理。

  *案例研讨：分组批判性阅读两篇使用IV的经典或前沿论文，重点讨论其工具变量的可信度、潜在缺陷（如是否满足排他性约束）。

  *实践：在数据中模拟异质性处理效应，计算2SLS估计量，并与真实的LATE和ATE进行对比。

  专题2.2：面板数据与双重差分法（8学时）

  *课时13-14：面板数据的魅力与固定效应模型。

  *核心活动：引入面板数据结构。展示如何利用个体内部随时间的变化来消除不随时间变化的不可观测混杂因素（个体固定效应）。

  *公式与变换：讲解离差变换（WithinTransformation）和一阶差分法的原理与联系。强调其消除时间恒定混杂因素的能力，但无法解决随时间变化的遗漏变量问题。

  *实践：使用实际面板数据集（如企业数据），分别用混合OLS、随机效应和固定效应模型估计同一关系，并解释结果差异。

  *课时15-17：双重差分法的逻辑与设计。

  *核心思想：通过引入一个未受政策影响的对照组，来差分掉处理组和对照组共有的时间趋势。绘制经典的DID示意图（两组时间趋势线）。

  *模型设定：Y_it=α+βTreat_i+γPost_t+δ(Treat_i*Post_t)+ε_it。重点解释交互项系数δ的因果含义。

  *关键假设——平行趋势：用图形和数据进行深入探讨。如何检验平行趋势？事前趋势检验的重要性。讨论违反平行趋势的可能原因。

  *实践：使用模拟或真实数据（如美国各州逐步提高最低工资的影响），实现基础DID估计，并绘制事件研究图进行平行趋势检验。

  *课时18：DID的演进与挑战。

  *多期多组DID与双向固定效应：推广到更一般的设定。

  *现代议题讨论：Goodman-Bacon分解——揭示传统TWFE估计在异质性处理效应下可能存在的偏误（负权重问题）。简介最新的解决方案，如堆叠回归法、交互加权估计量等概念。

  *案例研讨：分析一个应用现代DID方法的研究案例。

  专题2.3：断点回归与匹配方法（8学时）

  *课时19-20：断点回归设计的精巧逻辑。

  *核心直觉：在临界点附近，个体可以被视为“仿佛”随机分配。通过“奖学金分数线”、“选举得票率50%”等案例引入。

  *精确RDDvs.模糊RDD：清晰区分两种类型，并与随机实验、工具变量法建立概念联系。

  *实现要点：带宽选择、多项式阶数、非参数回归。强调在临界点两侧局部进行比较的思想，以及稳定性检验（协变量平滑性、密度检验）。

  *实践：使用R的rdrobust

等包，在一个模拟的选举RDD数据上进行完整分析，包括图形展示、参数选择、估计和稳健性检验。

  *课时21-22：基于可观测变量的选择：匹配方法。

  *基本思想：在控制所有可观测协变量X后，处理状态与潜在结果独立（条件独立假设，CIA）。通过“构造”一个相似的对照组来进行比较。

  *方法演进：从精确匹配到倾向得分匹配（PSM）。详细讲解倾向得分的性质（平衡得分）和估计（通常用Logit/Probit）。

  *匹配实施：近邻匹配、核匹配、半径匹配。共同支撑区域概念。

  *实践与批判：用数据实现PSM，并检查匹配后的平衡性。同时深入讨论PSM的主要批评：对不可观测混杂因素无能为力；极度依赖于模型设定；通常需要非常大的共同支撑区域。

  *课时23-24：综合比较与策略选择。

  *核心活动：组织一场小组辩论或撰写一篇综述性短文，主题为：“估计某项具体经济政策（如：职业培训项目）的影响，你会优先选择IV、DID、RDD还是PSM？为什么？”

  *引导思考：比较各种方法的核心假设、数据需求、适用场景和固有局限。强调“没有最好的方法，只有最适合特定情境和研究问题的方法”。

  *构建决策树：师生共同总结，形成一个基于研究问题特征（有无自然实验？有无清晰临界点？有无面板数据？可观测变量是否充分？）来选择因果推断策略的思维导图。

  模块三：前沿疆域——计量经济学的跨学科拓展（12学时）

  专题3.1：计量经济学与机器学习（6学时）

  *课时25-26：预测与因果：目标的分野与方法的融合。

  *核心辨析：重申因果推断的目标是理解干预效应，要求无偏和可解释；机器学习（ML）的目标是精准预测，可以容忍偏差但追求泛化能力。

  *ML为何有用：高维控制、非线性关系建模、模型选择自动化。

  *案例引入：用LASSO回归进行变量选择，以防止控制变量过多带来的过拟合和偏差。用回归树展示非线性交互作用。

  *实践：在一个高维数据集中，对比使用OLS（全部变量）、逐步回归和LASSO进行预模型选择后的回归结果。

  *课时27-28：因果推断中的ML前沿应用。

  *双重机器学习：讲解其核心思想——通过灵活的ML模型分别拟合处理变量和结果变量的条件期望，再用Neyman正交得分来得到对处理效应的无偏估计，实现“去偏”。

  *异质性处理效应：介绍如何利用随机森林（如因果森林）、提升树等方法来估计条件平均处理效应（CATE），实现个性化政策评估。

  *研讨：阅读一篇应用双重机器学习或因果森林的实证经济学论文，分析其方法贡献。

  *实践：使用grf

等R包，在一个模拟数据上尝试估计CATE。

  专题3.2：非传统数据与文本计量经济学（4学时）

  *课时29-30：文本即数据：从定性到定量。

  *核心活动：展示如何将新闻报道、公司年报、社交媒体帖子、政策文件等非结构化文本转化为结构化数据。

  *方法流程：文本获取（爬虫/API）->预处理（分词、去停用词）->表征（词袋模型、TF-IDF、主题模型LDA）->分析（情感分析、文本回归）。

  *案例：分析美联储会议纪要的语调对金融市场的影响；用上市公司年报文本测度管理层乐观情绪。

  *实践：使用quanteda

或tidy

包，对一组新闻标题进行简单的词频分析和情感词典打分。

  *课时31-32：网络数据与空间计量。

  *网络效应：简要介绍同伴效应、知识溢出等情境中，个体之间相互依赖带来的计量挑战（反射问题）。

  *空间计量经济学：空间自相关、空间权重矩阵、空间滞后模型（SLM）和空间误差模型（SEM）的基本思想。展示地理或经济空间上依赖性的建模。

  *前沿窥探：简介利用卫星夜间灯光数据、手机信令数据等另类数据进行经济测度的研究。

  专题3.3：实验经济学的兴起与伦理（2学时）

  *课时33：随机对照试验作为黄金标准。

  *核心活动：回顾潜在结果框架，指出RCT通过物理随机化，直接保证了处理状态与潜在结果独立，从而干净地识别ATE。

  *讨论：RCT在经济学中的应用领域（发展经济学、劳动经济学、行为经济学）及经典实验（如“扶贫行动创新”J-PAL的研究）。

  *实验设计要素：样本量计算、随机化单位、分层随机化、预分析计划。

  *课时34：实验的局限与伦理边界。

  *局限性讨论：外部有效性（实验室/田野结果能否推广）、成本高昂、伦理约束。

  *研究伦理专题：知情同意、风险最小化、隐私保护、结果反馈。结合具体案例讨论经济学实验可能引发的伦理争议。

  *课程思政融入点：强调在中国开展社会经济调查和实验研究，必须严格遵守国家法律法规和学术伦理规范，坚持以人民为中心的研究导向。

  模块四：综合实践与创造迁移（6学时）

  专题4.1：研究提案设计与学术报告（6学时）

  *课时35-36：研究提案工作坊。

  *任务：学生以3-4人小组为单位，基于兴趣选择一个经济学研究问题，完成一份简要的研究提案。

  *提案内