applied_metrics:应用计量经济学和面板数据博士学位课程 源码

应用指标 这是纽约大学斯特恩分校应用计量经济学的博士学位课程。 该课程比我的微尺度课程( )应用得多 除了传统的计量经济学方法之外,本课程还吸引了有关机器学习的最新文献的联系。 以下教科书可能对其他信息有用: 其他讲座是从各种渠道借来的/被盗的 这些是更高级的治疗方法: 该课程的概要如下: 介绍性时间序列 极值估计I:MLE和M估计器 极值估计II:GMM估计器 增量法和自举 非参数简介:kNN,内核等。 模型选择和验证/ ML简介:Lasso,Ridge,PCA。 计划评价I:潜在成果和选择 计划评估II:匹配,倾向得分和LATE定理 方案评价三:差异,回归不连续 方案评价四:综合控制和边际处理效果 离散选择:多重离散选择和具有内生性的离散选择 先进的机器学习:助推,装袋和决策树 高级面板数据:因果关系? 动态面板 我的学生们 在整个学期中,我希望每个学生都能发现至少两个错别