內(nèi)容簡(jiǎn)介:　　這本備受贊譽(yù)的研究生教材第二版提供了用在現(xiàn)代計(jì)量經(jīng)濟(jì)學(xué)研究的兩類(lèi)數(shù)據(jù)結(jié)構(gòu)分析的一個(gè)統(tǒng)一處理：橫截面數(shù)據(jù)和面板數(shù)據(jù)。本書(shū)同時(shí)涵蓋了線性和非線性模型，包括含有動(dòng)態(tài)性和/或個(gè)體異質(zhì)性的模型。除了一般估計(jì)框架（特別是矩方法與極大似然法）外，還詳細(xì)介紹了一些特定的線性與非線性方法，包括probit和logit模型、多項(xiàng)選擇和有序選擇模型、Tobit模型和兩部拓展式、關(guān)于計(jì)數(shù)數(shù)據(jù)的模型、多種截取和缺失數(shù)據(jù)設(shè)計(jì)、因果（或處理）效應(yīng)估計(jì)，以及期限分析，并擴(kuò)展了控制函數(shù)和相關(guān)隨機(jī)效應(yīng)方法以允許估計(jì)存在內(nèi)生性和異質(zhì)性的復(fù)雜模型。
　　  相比第一版，第二版已經(jīng)被實(shí)質(zhì)性地更新和修訂。改進(jìn)包括：更大的一類(lèi)關(guān)于缺失數(shù)據(jù)問(wèn)題的模型；整群抽樣問(wèn)題更詳細(xì)的處理，這對(duì)經(jīng)驗(yàn)研究而言是一個(gè)重要主題；關(guān)于＂廣義工具變量＂(GIV)估計(jì)的展開(kāi)討論；對(duì)逆概率加權(quán)的新覆蓋；一個(gè)用于估計(jì)含有關(guān)于干預(yù)和不同數(shù)據(jù)結(jié)構(gòu)——包括面板數(shù)據(jù)，和一個(gè)在對(duì)非線性面板數(shù)據(jù)的計(jì)量經(jīng)濟(jì)學(xué)方法與在統(tǒng)計(jì)學(xué)及其他領(lǐng)域中流行的＂廣義估計(jì)方法＂文獻(xiàn)之間牢固確立的聯(lián)系——方面假設(shè)的處理效應(yīng)之更完整的框架。對(duì)解釋特殊的計(jì)量經(jīng)濟(jì)學(xué)方法可以在何時(shí)應(yīng)用給予了新的關(guān)注；目標(biāo)不僅是告訴讀者什么是起作用的，而且還說(shuō)明某些＂顯然的＂程序?yàn)楹尾豢尚?。許多列入書(shū)中的習(xí)題，無(wú)論是理論性的還是基于計(jì)算機(jī)的，都允許讀者拓展涵蓋在書(shū)中的方法并發(fā)現(xiàn)新的洞見(jiàn)。

作者簡(jiǎn)介:杰弗里.M.伍德里奇是密歇根州立大學(xué)的經(jīng)濟(jì)學(xué)＂大學(xué)杰出教授＂和計(jì)量經(jīng)濟(jì)學(xué)會(huì)院士。

目錄:第Ⅰ篇 引論與背景

第1章 引論
1．1 因果關(guān)系與其余條件不變分析
1．2 隨機(jī)設(shè)置與漸近分析
1．2．1 數(shù)據(jù)結(jié)構(gòu)
1．2．2 漸近分析
1．3 一些例子
1．4 為什么不使用固定的解釋變量?

第2章 計(jì)量經(jīng)濟(jì)學(xué)中條件期望與相關(guān)概念
2．1 條件期望在計(jì)量經(jīng)濟(jì)學(xué)中的作用
2．2 條件期望的特征
2．2．1 定義與例子
2．2．2 偏效應(yīng)、彈性與半彈性
2．2．3 條件期望模型的誤差形式
2．2．4 條件期望的若干性質(zhì)
2．2．5 平均偏效應(yīng)
2．3 線性投影
習(xí)題
附錄2A
2A．1 條件期望的性質(zhì)
2A．2 條件方差與協(xié)方差的性質(zhì)
2A．3 線性投影的性質(zhì)

第3章 基本漸近理論
3．1 確定性序列收斂
3．2 依概率收斂與依概率有界
3．3 依分布收斂
3．4 隨機(jī)樣本的極限定理
3．5 估計(jì)量與檢驗(yàn)統(tǒng)計(jì)量的極限特性
3．5．1 估計(jì)量的漸近性質(zhì)
3．5．2 檢驗(yàn)統(tǒng)計(jì)量的漸近性質(zhì)
習(xí)題


第Ⅱ篇 線性模型

第4章 單方程線性模型與普通最小二乘法估計(jì)
4．1 單方程線性模型概述
4．2 普通最小二乘法的漸近性質(zhì)
4．2．1 一致性
4．2．2 利用普通最小二乘法的漸近推斷
4．2．3 異方差性穩(wěn)健的推斷
4．2．4 拉格朗日乘子（得分）檢驗(yàn)
4．3 遺漏變量問(wèn)題的普通最小二乘法解
4．3．1 忽略被遺漏變量的普通最小二乘法
4．3．2 代理變量——普通最小二乘法解
4．3．3 含有在不可觀測(cè)項(xiàng)中存在的交互作用的模型：隨機(jī)系數(shù)模型
4．4 測(cè)量誤差下普通最小二乘法的性質(zhì)
4．4．1 因變量的測(cè)量誤差
4．4．2 解釋變量的測(cè)量誤差
習(xí)題

第5章 單方程線性模型的工具變量估計(jì)
5．1 工具變量與兩階段最小二乘法
5．1．1 工具變量估計(jì)的動(dòng)機(jī)
5．1．2 多重工具：兩階段最小二乘法
5．2 兩階段最小二乘法的一般處理
5．2．1 一致性
5．2．2 兩階段最小二乘法的漸近正態(tài)性
5．2．3 兩階段最小二乘法的漸近有效性
5．2．4 使用兩階段最小二乘法的假設(shè)檢驗(yàn)
5．2 兩階段最小二乘法的異方差性穩(wěn)健推斷
5．2．6 使用兩階段最小二乘法的潛在陷阱
5．3 遺漏變量與測(cè)量誤差問(wèn)題的IV解
5．3．1 誤差項(xiàng)中的遺漏因素
5．3．2 利用不可觀測(cè)指示符求解
習(xí)題

第6章 附加的單方程專(zhuān)題
6．1 使用生成回歸元與工具的估計(jì)
6．1．1 使用生成回歸元的普通最小二乘法
6．1．2 使用生成工具的二階段最小二乘法
6．1．3 生成工具與回歸元
6．2 處理內(nèi)生性的控制函數(shù)法
6．3 一些設(shè)定檢驗(yàn)
6．3．1 內(nèi)生性檢驗(yàn)
6．3．2 過(guò)度識(shí)別約束檢驗(yàn)
6．3．3 函數(shù)形式檢驗(yàn)
6．3．4 異方差性檢驗(yàn)
6．4 相關(guān)的隨機(jī)系數(shù)模型
6．4．1 何時(shí)一般的IV估計(jì)量是一致的？
6．4．2 控制函數(shù)法
6．5 混合的截面數(shù)據(jù)與倍差法估計(jì)
6．5．1 跨時(shí)間混合橫截面
6．5．2 政策分析和倍差法估計(jì)
習(xí)題
附錄6A

第7章 利用普通最小二乘法與廣義最小二乘法估計(jì)方程組
7．1 簡(jiǎn)介
7．2 一些例子
7．3 多變量線性方程組的系統(tǒng)普通最小二乘法估計(jì)
7．3．1 預(yù)備知識(shí)
7．3．2 系統(tǒng)普通最小二乘法的漸近性質(zhì)
7．3．3 多重假設(shè)檢驗(yàn)
7．4 廣義最小二乘法的一致性與漸近正態(tài)性
7．4．1 一致性
7．4．2 漸近正態(tài)性
7．5 可行的廣義最小二乘法
7．5．1 漸近性質(zhì)
7．5．2 標(biāo)準(zhǔn)假設(shè)下可行的廣義最小二乘法的漸近方差
7．5．3 含有對(duì)無(wú)條件方差矩陣（可能不正確）約束的可行廣義最小二乘法的性質(zhì)
7．6 檢驗(yàn)可行廣義最小二乘法的使用
7．7 似無(wú)關(guān)回歸的再研究
7．7．1 關(guān)于似無(wú)關(guān)回歸方程組的普通最小二乘法與可行廣義最小二乘法之間的比較
7．7．2 含有方程間約束的方程組
7．7．3 似無(wú)關(guān)回歸方程組中的奇異方差矩陣
7．8 線性面板數(shù)據(jù)模型的再研究
7．8．1 混合普通最小二乘法的假設(shè)
7．8．2 動(dòng)態(tài)完備性
7．8．3 時(shí)間序列持久性的一個(gè)評(píng)注
7．8．4 穩(wěn)健漸近方差矩陣
7．8．5 檢驗(yàn)混合普通最小二乘法的序列相關(guān)性與異方差性
7．8．6 嚴(yán)格外生性下可行的廣義最小二乘法估計(jì)
習(xí)題


第8章 利用工具變量的系統(tǒng)估計(jì)
8．1 簡(jiǎn)介與例子
8．2 一般線性方程組
8．3 廣義矩估計(jì)方法
8．3．1 一般加權(quán)矩陣
8．3．2 系統(tǒng)兩階段最小二乘法估計(jì)量
8．3．3 最優(yōu)加權(quán)矩陣
8．3．4 廣義矩三階段最小二乘法估計(jì)量
8．4 廣義工具變量估計(jì)量
8．4．1 廣義工具變量估計(jì)量的推導(dǎo)及其漸近性質(zhì)
8．4．2 廣義矩方法、廣義工具變量及傳統(tǒng)的三階段最小二乘估計(jì)量之比較
8．5 利用廣義矩方法的檢驗(yàn)
8．5．1 檢驗(yàn)古典假設(shè)
8．5．2 檢驗(yàn)過(guò)度識(shí)別約束
8．6 更有效估計(jì)與最優(yōu)工具
8．7 對(duì)如何選擇一個(gè)估計(jì)量的總結(jié)評(píng)論
習(xí)題

第9章 聯(lián)立方程模型
9．1 聯(lián)立方程模型的范圍
9．2 線性方程組的識(shí)別
9．2．1 排除約束與約簡(jiǎn)型
9．2．2 一般線性約束與結(jié)構(gòu)方程
9．2．3 不可識(shí)別、恰好識(shí)別以及過(guò)度識(shí)別方程
9．3 識(shí)別后估計(jì)
9．3．1 穩(wěn)健性與有效性的權(quán)衡
9．3．2 什么時(shí)候2SLS與3SLS是等價(jià)的？
9．3．3 估計(jì)約簡(jiǎn)型參數(shù)
9．4 附加的線性聯(lián)立方程方法的若干專(zhuān)題
9．4．1 利用跨方程約束達(dá)到識(shí)別
9．4．2 利用協(xié)方差約束達(dá)到識(shí)別
9．4．3 關(guān)于線性方程組中的識(shí)別與有效性的一些微妙之處
9．5 關(guān)于內(nèi)生變量為非線性的聯(lián)立方程模型
9．5．1 識(shí)別
9．5．2 估計(jì)
9．5．3 三角形方程組的控制函數(shù)估計(jì)
9．6 不同方程的不同工具
習(xí)題
．

第10章 基本線性不可觀測(cè)效應(yīng)面板數(shù)據(jù)模型
10．1 動(dòng)機(jī)：遺漏變量問(wèn)題
10．2 不可觀測(cè)效應(yīng)與解釋變量的假設(shè)
10．2．1 隨機(jī)效應(yīng)還是固定效應(yīng)?
10．2．2 解釋變量的嚴(yán)格外生性假設(shè)
10．2．3 不可觀測(cè)效應(yīng)面板數(shù)據(jù)模型的一些例子
10．3 通過(guò)混合普通最小二乘法估計(jì)不可觀測(cè)效應(yīng)模型
10．4 隨機(jī)效應(yīng)方法
10．4．1 基本隨機(jī)效應(yīng)假設(shè)下的估計(jì)與推斷
10．4．2 穩(wěn)健方差矩陣估計(jì)量
10．4．3 一般可行廣義最小二乘法分析
10．4．4 檢驗(yàn)不可觀測(cè)效應(yīng)的存在
10．5 固定效應(yīng)方法
10．5．1 固定效應(yīng)估計(jì)量的一致性
10．5．2 含有固定效應(yīng)的漸近推斷
10．5．3 虛擬變量回歸
10．5．4 序列相關(guān)與穩(wěn)健方差矩陣估計(jì)量
10．5．5 固定效應(yīng)廣義最小二乘法
10．5．6 利用固定效應(yīng)對(duì)政策分析進(jìn)行估計(jì)
10．6 一階差分方法
10．6．1 推斷
10．6．2 穩(wěn)健方差矩陣
10．6．3 序列相關(guān)檢驗(yàn)
10．6．4 利用一階差分的政策分析
10．7 估計(jì)量的比較
10．7．1 固定效應(yīng)與一階差分
10．7．2 隨機(jī)效應(yīng)估計(jì)量與固定效應(yīng)估計(jì)量之間的關(guān)系
10．7．3 比較隨機(jī)效應(yīng)估計(jì)量與固定效應(yīng)估計(jì)量的豪斯曼檢驗(yàn)
習(xí)題

．
第11章 線性不可觀測(cè)效應(yīng)模型的更多專(zhuān)題
11．1 標(biāo)準(zhǔn)線性不可觀測(cè)效應(yīng)模型的廣義矩方法（GMM）
11．1．1 GMM的3SLS和標(biāo)準(zhǔn)估計(jì)量之間的等價(jià)性
11．1．2 不可觀測(cè)效應(yīng)模型的張伯倫方法
11．2 隨機(jī)和固定效應(yīng)工具變量法
11．3 豪斯曼和泰勒式模型
11．4 一階差分工具變量法
11．5 含測(cè)量誤差的不可觀測(cè)效應(yīng)模型
11．6 序貫外生性下的估計(jì)
11．6．1 一般框架
11．6．2 含滯后因變量的模型
11．7 含有個(gè)體特有斜率的模型
11．7．1 隨機(jī)趨勢(shì)模型
11．7．2 含有個(gè)體特有斜率的一般模型
11．7．3 標(biāo)準(zhǔn)固定效應(yīng)方法的穩(wěn)健性
11．7．4 相關(guān)隨機(jī)斜率檢驗(yàn)
習(xí)題


第Ⅲ篇非線性估計(jì)的一般方法

第12章 M估計(jì)、非線性回歸以及分位數(shù)回歸
12．1 簡(jiǎn)介
12．2 識(shí)別、一致收斂性與一致性
12．3 漸近正態(tài)性
12．4 兩步驟M估計(jì)量
12．4．1 一致性
12．4．2 漸近正態(tài)性
12．5 估計(jì)漸近方差
12．5．1 不含多余參數(shù)的估計(jì)
12．5．2 調(diào)整兩步估計(jì)
12．6 假設(shè)檢驗(yàn)
12．6．1 瓦爾德檢驗(yàn)
12．6．2 得分（或拉格朗日乘子）檢驗(yàn)
12．6．3 基于目標(biāo)函數(shù)中變化的檢驗(yàn)
12．6．4 備擇假設(shè)下的統(tǒng)計(jì)量表現(xiàn)
12．7 最優(yōu)化方法
12．7．1 牛頓拉夫森方法
12．7．2 伯恩特霍爾霍爾豪斯曼算法
12．7．3 廣義高斯牛頓方法
12．7．4 出自目標(biāo)函數(shù)的集成參數(shù)
12．8 模擬與再抽樣方法
12．8．1 蒙特卡羅模擬
12．8．2 自助法
12．9 多元非線性回歸方法
12．9．1 多元非線性最小二乘法
12．9．2 加權(quán)多元非線性最小二乘法
12．10 分位數(shù)估計(jì)
12．10．1 分位數(shù)、估計(jì)問(wèn)題和一致性
12．10．2 漸近推斷
12．10．3 面板數(shù)據(jù)的分位數(shù)回歸
習(xí)題

第13章 極大似然法
13．1 簡(jiǎn)介
13．2 預(yù)備知識(shí)與例子
13．3 條件極大似然估計(jì)的一般框架
13．4 條件極大似然估計(jì)的一致性
13．5 漸近正態(tài)性與漸近方差估計(jì)
13．5．1 漸近正態(tài)性
13．5．2 估計(jì)漸近方差
13．6 假設(shè)檢驗(yàn)
13．7 設(shè)定檢驗(yàn)
13．8 面板數(shù)據(jù)的偏（或混合）似然方法
13．8．1 面板數(shù)據(jù)設(shè)置
13．8．2 漸近推斷
13．8．3 動(dòng)態(tài)完備模型的推斷
13．9 含有不可觀測(cè)效應(yīng)的面板數(shù)據(jù)模型
13．9．1 含嚴(yán)格外生解釋變量的模型
13．9．2 含滯后因變量的模型
13．10 涉及極大似然的兩步法估計(jì)量
13．10．1 第二步估計(jì)量為極大似然估計(jì)量
13．10．2 當(dāng)?shù)谝徊焦烙?jì)量是條件極大似然估計(jì)量時(shí)令人驚訝的有效性結(jié)果
13．11 準(zhǔn)極大似然估計(jì)
13．11．1 一般誤設(shè)
13．11．2 模型選擇檢驗(yàn)
13．11．3 線性指數(shù)族中的準(zhǔn)極大似然估計(jì)
13．11．4 面板數(shù)據(jù)的廣義估計(jì)方程
習(xí)題
附錄13A

第14章 廣義矩方法與最小距離估計(jì)
14．1 廣義矩方法的漸近性質(zhì)
14．2 在正交性條件下的估計(jì)
14．3 非線性方程組
14．4 有效估計(jì)
14．4．1 一般有效性框架
14．4．2 極大似然估計(jì)的有效性
14．4．3 在條件矩約束下對(duì)工具的有效選取
14．5 古典最小距離估計(jì)
14．6 面板數(shù)據(jù)的應(yīng)用
14．6．1 非線性動(dòng)態(tài)模型
14．6．2 不可觀測(cè)效應(yīng)模型的最小距離方法
14．6．3 含有關(guān)于不可觀測(cè)效應(yīng)的時(shí)變系數(shù)的模型
習(xí)題
附錄14A


第Ⅳ篇 非線性模型與相關(guān)專(zhuān)題

第15章 二值響應(yīng)模型
15．1 簡(jiǎn)介
15．2 二值響應(yīng)的線性概率模型
15．3 二值響應(yīng)的指標(biāo)模型：Probit與Logit
15．4 二值響應(yīng)指標(biāo)模型的極大似然估計(jì)
15．5 二值響應(yīng)指標(biāo)模型檢驗(yàn)
15．5．1 多重排除約束檢驗(yàn)
15．5．2 關(guān)于β的非線性假設(shè)檢驗(yàn)
15．5．3 針對(duì)更一般備擇假設(shè)的檢驗(yàn)
15．6 Probit與Logit的結(jié)果報(bào)告
15．7 二值響應(yīng)模型的設(shè)定問(wèn)題
15．7．1 可忽略的異質(zhì)性
15．7．2 連續(xù)內(nèi)生解釋變量
15．7．3 二值內(nèi)生解釋變量
15．7．4 潛變量模型的異方差性與非正態(tài)性
15．7． 5 在更弱假設(shè)下的估計(jì)
15．8 面板數(shù)據(jù)的二值響應(yīng)模型
15．8．1 混合的probit與logit
15．8．2 嚴(yán)格外生性下不可觀測(cè)效應(yīng)的probit模型
15．8．3 嚴(yán)格外生性下不可觀測(cè)效應(yīng)的logit模型
15．8．4 動(dòng)態(tài)不可觀測(cè)效應(yīng)模型
15．8．5 含異質(zhì)性與內(nèi)生解釋變量的probit模型
15．8．6 半?yún)?shù)方法
習(xí)題

第16章 多項(xiàng)響應(yīng)與有序響應(yīng)模型
16．1 簡(jiǎn)介
16．2 多項(xiàng)響應(yīng)模型
16．2．1 多項(xiàng)logit
16．2．2 概率選擇模型
16．2．3 內(nèi)生解釋變量
16．2．4 面板數(shù)據(jù)方法
16．3 有序響應(yīng)模型
16．3．1 有序logit與有序probit
16．3．2 有序模型中的設(shè)定問(wèn)題
16．3．3 內(nèi)生解釋變量
16．3．4 面板數(shù)據(jù)方法
習(xí)題

第17章 角點(diǎn)解響應(yīng)
17．1 動(dòng)機(jī)和例子
17．2 第Ⅰ類(lèi)Tobit回歸的有用表達(dá)式
17．3 第Ⅰ類(lèi)Tobit模型的估計(jì)和推斷
17．4 結(jié)果報(bào)告
17．5 Tobit模型中的設(shè)定問(wèn)題
17．5 ．1 可忽略的異質(zhì)性
17．5．2 內(nèi)生解釋變量
17．5．3 潛變量模型中的異方差性與非正態(tài)性
17．5．4 更弱假設(shè)下的參數(shù)估計(jì)
17．6 兩部模型和角點(diǎn)解的第Ⅱ類(lèi)Tobit回歸
17．6．1 斷尾正態(tài)柵欄模型
17．6．2 對(duì)數(shù)正態(tài)柵欄模型和指數(shù)條件均值
17．6．3 指數(shù)的第Ⅱ類(lèi)Tobit模型
17．7 雙限Tobit模型
17．8 面板數(shù)據(jù)方法
17．8．1 混合方法
17．8．2 嚴(yán)格外生性下的不可觀測(cè)效應(yīng)模型
17．8．3 動(dòng)態(tài)不可觀測(cè)效應(yīng)Tobit模型
習(xí)題

第18章 計(jì)數(shù)響應(yīng)、分?jǐn)?shù)響應(yīng)及其他非負(fù)響應(yīng)
18．1 簡(jiǎn)介
18．2 泊松回歸
18．2．1 用于泊松回歸及所關(guān)注的量的假設(shè)
18．2．2 泊松QMLE的一致性
18．2．3 泊松QMLE的漸近正態(tài)性
18．2．4 假設(shè)檢驗(yàn)
18．2． 5 設(shè)定檢驗(yàn)
18．3 其他計(jì)數(shù)數(shù)據(jù)回歸模型
18．3．1 負(fù)二項(xiàng)回歸模型
18．3．2 二項(xiàng)回歸模型
18．4 伽瑪（指數(shù)）回歸模型
18．5 指數(shù)回歸函數(shù)中的內(nèi)生性
18．6 分?jǐn)?shù)響應(yīng)
18．6．1 外生解釋變量
18．6．2 內(nèi)生解釋變量
18．7 面板數(shù)據(jù)方法
18．7．1 混合QMLE
18．7．2 對(duì)含不可觀測(cè)效應(yīng)的條件期望設(shè)定模型
18．7．3 隨機(jī)效應(yīng)方法
18．7．4 固定效應(yīng)泊松估計(jì)
18．7．5 放松嚴(yán)格外生性假設(shè)
18．7．6 面板數(shù)據(jù)的分?jǐn)?shù)響應(yīng)模型
習(xí)題

第19章 截取數(shù)據(jù)、樣本選擇及損耗
19．1 簡(jiǎn)介
19．2 數(shù)據(jù)截取
19．2．1 二值截取
19．2．2 區(qū)間加密
19．2．3 上部截取和下部截取
19．3 樣本選擇概述
19．4 樣本選擇何時(shí)可被忽略？
19．4．1 線性模型：利用OLS與2SLS的估計(jì)
19．4．2 非線性模型
19．5 以響應(yīng)變量為基礎(chǔ)的選擇：斷尾回歸
19．6 從屬斷尾：一個(gè)probit選擇方程
19．6．1 外生解釋變量
19．6．2 內(nèi)生解釋變量
19．6．3 含有樣本選擇的二值響應(yīng)模型
19．6．4 一個(gè)指數(shù)響應(yīng)函數(shù)
19．7 從屬斷尾：一個(gè)Tobit選擇方程
19．7．1 外生解釋變量
19．7．2 內(nèi)生解釋變量
19．7．3 估計(jì)含有樣本選擇的結(jié)構(gòu)Tobit方程
19．8 缺失數(shù)據(jù)的逆概率加權(quán)
19．9 線性面板數(shù)據(jù)的樣本選擇與損耗
19．9．1 含有非平衡面板數(shù)據(jù)的固定和隨機(jī)效應(yīng)估計(jì)
19．9．2 對(duì)樣本選擇偏誤的檢驗(yàn)與校正
19．9．3 損耗
習(xí)題

第20章 分層抽樣與整群抽樣
20．1 簡(jiǎn)介
20．2 分層抽樣
20．2．1 標(biāo)準(zhǔn)分層抽樣與可變概率抽樣
20．2．2 用加權(quán)估計(jì)量解釋分層
20．2．3 基于外生變量的分層
20．3 整群抽樣
20．3．1 關(guān)于整群數(shù)量多且整群規(guī)模小的推斷
20．3．2 含單元特有面板數(shù)據(jù)的整群樣本
20．3．3 對(duì)于大的組規(guī)模，我們應(yīng)當(dāng)應(yīng)用整群—穩(wěn)健的推斷嗎？
20．3．4 整群數(shù)量少時(shí)的推斷
20．4 復(fù)雜的調(diào)查抽樣
習(xí)題

第21章 估計(jì)平均處理效應(yīng)
21．1 簡(jiǎn)介
21．2 反事實(shí)設(shè)置與自選擇問(wèn)題
21．3 假設(shè)處理的可忽略性（或無(wú)混性）的方法
21．3．1 識(shí)別
21．3．2 回歸調(diào)整
21．3．3 傾向得分方法
21．3．4 使回歸調(diào)整和傾向得分加權(quán)相結(jié)合
21．3．5 匹配方法
21．4 工具變量方法
21．4．1 利用IV估計(jì)平均處理效應(yīng)
21．4．2 校正和控制函數(shù)法
21．4．3 利用IV估計(jì)局部平均處理效應(yīng)
21．5 斷點(diǎn)回歸設(shè)計(jì)
21．5．1 清晰斷點(diǎn)回歸設(shè)計(jì)
21．5．2 模糊斷點(diǎn)回歸設(shè)計(jì)
21．5．3 與模糊斷點(diǎn)回歸相對(duì)比的無(wú)混性
21．6 進(jìn)一步探討的問(wèn)題
21．6．1 關(guān)于含離散性或取值范圍有限響應(yīng)的特殊考慮
21．6．2 多值處理
21．6．3 多重處理
21．6．4 面板數(shù)據(jù)
習(xí)題

第22章 期限分析
22．1 簡(jiǎn)介
22．2 風(fēng)險(xiǎn)函數(shù)
22．2．1 不帶協(xié)變量的風(fēng)險(xiǎn)函數(shù)
22．2．2 以非時(shí)變協(xié)變量為條件的風(fēng)險(xiǎn)函數(shù)
22．2．3 以時(shí)變協(xié)變量為條件的風(fēng)險(xiǎn)函數(shù)
22．3 含有非時(shí)變協(xié)變量的單個(gè)時(shí)段數(shù)據(jù)分析
22．3．1 流量抽樣
22．3．2 使用截取流量數(shù)據(jù)的極大似然估計(jì)
22．3．3 存量抽樣
22．3．4 不可觀測(cè)異質(zhì)性
22．4 分組期限數(shù)據(jù)分析
22．4．1 非時(shí)變協(xié)變量
22．4．2 時(shí)變協(xié)變量
22．4．3 不可觀測(cè)異質(zhì)性
22．5 進(jìn)一步探討的問(wèn)題
22．5．1 比例風(fēng)險(xiǎn)模型的考克斯偏似然方法
22．5．2 多重時(shí)段數(shù)據(jù)
22．5．3 互競(jìng)風(fēng)險(xiǎn)模型
習(xí)題
譯后記
第二版譯后記