暂无图片
资源介绍
视频数量：45个
总时长：6小时57分
课程介绍：
计量经济学与Python实战
你有没有过这样的经历：啃完了计量经济学的教材，搞懂了各种检验方法的公式，却不知道该怎么把这些理论用在真实数据上？或者你本身是做数据分析的，想往经济金融方向发展，却对计量经济学一头雾水？不管哪种情况，这门课可能就是你在找的那块拼图。
计量经济学本质上是一门用数据说话的经济学分支。你想知道房价跟利率到底是什么关系，想知道一项政策出台后对经济指标有什么影响，想预测明年的GDP增速——这些问题的答案，都藏在计量经济学的工具箱里。而Python，这个在数据科学领域几乎无处不在的编程语言，可以让这些工具变得触手可及。
这门课的设计思路很清晰：先把Python的基础功打扎实，然后从最简单的回归分析开始，逐步深入到计量经济学的核心内容。你不用担心中间会出现断层，因为每一个知识点都是环环相扣的。
一、Python工具入门
正式进入计量经济学之前，你需要先熟悉几把趁手的工具。NumPy是Python做数值计算的基础，学会了它你才能理解后续那些矩阵运算的代码在做什么。Pandas则是处理表格数据的利器，读取数据、筛选样本、变量计算，这些日常操作全靠它。Matplotlib用来画图，不管是散点图看变量关系，还是残差图检验模型假设，可视化都是理解数据的关键一步。课程会通过具体的数据集演示这些库的基本操作，手把手带你走一遍流程。
二、回归分析基础
掌握了Python工具之后，你就可以开始动手做回归了。两变量回归是最简单的情形——一个自变量，一个因变量，看看两者之间的线性关系有多强。多变量回归则更进一步，加入更多控制变量，排除其他因素的干扰。这部分会讲清楚最小二乘法到底在算什么，回归系数怎么解读，模型的整体拟合效果怎么判断。
三、函数形式与模型变换
学完基础回归，你会发现现实中的经济关系往往不是简单的直线。收入和消费可能是对数关系，弹性分析需要用对数形式，进出口数据可能符合指数增长模式。课程会教你四种常见的函数形式：对数线性、线性对数、对数对数、指数回归。不同的经济现象适合不同的函数形式，选择对了形式，模型的解释力会大幅提升。
四、哑变量与结构变化
现实数据里总有很多分类变量，比如性别、地区、是否属于某个时间段。哑变量就是处理这些分类信息的方法。但这只是开始，哑变量还能用来检验政策效果、识别经济结构的转折点、判断两组数据的回归方程是否有显著差异。课程会讲清楚怎么设置哑变量，怎么检验交互效应，怎么用结构断点测试判断某个事件是否改变了变量之间的关系。
五、回归诊断与问题处理
这是计量经济学的精华部分，也是最能体现实战经验的地方。模型建好了，但结果靠不靠谱？需要一系列检验来验证。
多重共线性是指自变量之间存在高度相关，导致回归系数估计不稳定甚至符号错误。课程会教你用方差膨胀因子检测问题，然后介绍两种处理思路：主成分分析把高度相关的变量合并成少数几个独立成分，或者通过增删变量来消除冗余。
异方差性是另一个常见问题——残差的波动不是恒定的，而是随自变量变化而变化。检测方法包括画残差图、Breusch-Pagan检验和White检验。处理方法也很多：用稳健标准误替代普通标准误，对因变量做对数变换消除波动，或者用加权最小二乘法给不同观测不同的权重。
自相关是指残差之间存在相关，这在时间序列数据里特别常见。Durbin-Watson检验能快速判断一阶自相关是否存在，但更全面的检验需要用Breusch-Godfrey方法。处理方法包括Newey-West稳健标准误、一阶差分、加入因变量的滞后项，或者用广义最小二乘法。
六、定性因变量模型
前面讨论的都是因变量为连续数值的情况，但很多经济问题是二元的：会不会违约、会不会失业、投票选A还是选B。这种情况下普通回归就不适用了，需要用Logit或Probit模型。课程会讲清楚这两种模型的原理区别，以及如何在Python里实现估计和预测。
七、时间序列分析
这是课程最重头的部分，从基础概念到高阶模型，层层递进。
时间序列数据的首要问题是平稳性。很多经典回归方法要求数据平稳，否则会出现伪回归——两个毫无关系的非平稳序列看起来却有很强的相关。课程会讲清楚平稳和非平稳的区别，介绍单位根检验，然后讲解协整概念——如果两个非平稳序列存在长期均衡关系，它们依然是可分析的。
误差修正模型是处理短期波动向长期均衡调整的利器，Granger因果检验则用来判断一个变量的过去值能否帮助预测另一个变量。这两个工具在手，你对时间序列关系的理解会上一个台阶。
ARIMA模型是时间序列预测的核心方法，分三个步骤：识别用ACF和PACF图判断参数、建立模型进行最大似然估计、用诊断检验验证残差是否为白噪声。每一步都有具体的Python代码演示。
如果你的数据表现出波动聚集现象——大涨之后往往跟着震荡，大跌之后相对平静——那就需要ARCH或GARCH模型。课程会讲清楚这些模型怎么估计和预测，以及如何用图形直观展示波动率的变化。
VAR模型用来分析多个时间序列之间的动态相互影响，一个变量的冲击如何传导到其他变量。脉冲响应函数和预测误差方差分解是解读VAR结果的主要工具，课程会通过实际例子展示怎么用Python实现。
八、适合谁来学
如果你是在校的经济学、金融学、统计学学生，课堂上学了计量经济学理论但不知道如何落地，这门课能帮你把理论转化为可运行的代码。如果你需要用计量方法处理实际数据做研究报告，课程中的代码可以直接迁移使用。如果你从事量化金融相关工作，时间序列部分是重点补充。如果你是数据科学从业者想拓展经济学领域的知识面，这个课程提供了完整的知识框架。课程从Python基础讲起，适合零基础学员，但需要有一定的统计学或经济学背景知识。
学完这门课，你将能够独立完成从数据读取到模型诊断的完整回归分析流程，对时间序列数据的处理也会建立起系统的认识，从平稳性检验到ARIMA、GARCH模型的建立和应用，都能独立完成。整个课程将近七个小时，内容编排循序渐进，每个方法既有理论背景讲解，也有对应的Python实现。