处理效应与选择难题 通过随机分组解决选择难题 依可测变量选择 匹配估计量的思想 倾向得分匹配 倾向得分匹配的Stata实例 偏差校正匹配估计量 双重差分倾向得分匹配 断点回归的思想 精确断点回归 模糊断点回归 断点回归的Stata实例 处理效应模型

15.1 为什么需要非参数与半参数估计 15.2 对密度函数的非参数估计 15.3 核密度估计的性质 15.4 最优带宽 15.5 多元密度函数的核估计 15.6 非参数核回归 15.7 多元核回归 15.8 k近邻回归 15.9 局部线性回归 15.10 非参数估计的Stata命令及实例 15.11 半参数估计

●回归与相关 ●总体回归函数 ●随机扰动项 ●样本回归函数

第一节 回归和相关的概念 第二节 直线回归 第三节 直线相关 第四节 直线回归与相关的内在关系和应用要点 第五节 协方差分析

一、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机扰动项 四、样本回归函数（SRF）

§1 一元线性回归 §2 曲线回归 §3 多元线性回归

时间序列的自相关 一阶自回归 高阶自回归 自回归分布滞后模型 误差修正模型 移动平均与ARMA模型 脉冲响应函数 向量自回归过程 VAR的脉冲响应函数 格兰杰因果检验 VAR的Stata命令及实例 时间趋势项 季节调整 日期数据的导入

第一节 一元线性回归模型的概念 第二节 模型参数的最小二乘估计 第三节 最小二乘估计量的统计性质及分布 第四节 一元线性回归模型的统计检验 第五节 一元线性回归模型的预测 第六节 案例分析

第一节多元线性回归分析 第二节复相关分析 第三节偏相关分析 第四节多项式回归 *第五节通径分析

二重比估计与二重回归估计的思想与二重分层估计的思 想相类似。比估计与回归估计需要事先知道辅助变量X的平 均数或总和。如果事先并不掌握辅助变量的平均数或者总和 的信息,但辅助变量的观察要比调查的指标Y容易得多,那 么就可以使用二重比估计或者二重回归估计