有沒有大神可以系統的講一下內生性問題和工具變數？
Tina Wen2018-07-23 20:15:59推薦公眾號“量化研究方法”的這篇文章，已經把內生性和工具變數說的非常系統了。
工具變數是個什麼鬼？
mosuchen2019-01-04 11:34:06給學生講課時，我對內生性問題下了一番功夫。轉一個我之前寫的回答，希望對您有幫助。
先簡單說一下，本文轉自我的微信公眾號SasInResearch。最初由我作於2012年12月份，修改於2017年11月份，但關鍵取材均來自於“人大經濟論壇”的相關討論版塊，謹以此文向“人大經濟論壇”的諸位前輩致謝。
原答案有些長，您可以只看第一部分和第二部分的工具變數法。不過，我仍然建議您將剩餘部分看完，畢竟如果是意圖解決內生性問題，工具變數法只是其中一種應對方法。
一
、內生性問題的緣起
讓我們花點時間，探討一下內生性的緣起。有“內生性”，那麼，必然就有所謂“外生性”，我們需要先看看什麼是“外生性”。
友情提醒一下，隨後的內容很不友好，但為了文章的嚴謹，我不得不犧牲一些可讀性。看不懂公式沒關係，讀者只要讀懂我的說明就行了。
首先從一個經典的多元迴歸模型開始：
下面給出4個基礎假定。
下面給出4個基礎假定。
假定1：線性關係假定，被解釋變數與解釋變數存線上性隨機函式關係。
假定2：嚴格外生假定。
假定3：球形擾動假定。
假定4：無完全共線假定，解釋變數之間無完全共線性。
滿足上述假定，則對β的普通最小二乘估計（OLS）為最優線性無偏估計量，也就是著名的BLUE估計量。
好的，“外生性”出現了，她存在於假定2，假定2 的文字表述是“
當所有時期的解釋變數X給定時，每一期的隨機干擾項均值都為
0
”，有經驗的研究者會講
X和ε同期外生和跨期外生同時存在，則為嚴格外生
。我們可以給出這個假定的條件均值形式：
嚴格外生性通常是很難滿足的，於是，學者們退而求其次，只要求
同期外生
，這便是
弱外生性假定
。我們也可以給出這個假定的條件均值形式：
滿足假定1、假定3和假定4，以及弱外生性假定（被放寬的假定2），我們能夠證明OLS估計量一致、符合漸進正態分佈，T檢驗，F檢驗以及Wald檢驗等常用檢驗都近似有效。
不幸的是，即便是弱外生性假定，即擾動項與解釋變數同期不相關，在現實中也常常不能被滿足。也就是：
外生性假定不滿足，這便產生了內生性問題。
嚴格來說，若擾動項與解釋變數不滿足弱外生性假定，我們稱模型存在內生性問題，與擾動項相關的解釋變數被稱為內生變數。
最後提一點，經驗上來講，內生性問題有四種常見形式：
1。遺漏解釋變數。
2。X與Y互為因果，有時也稱反向因果關係。
3。自選擇問題。
4。測量誤差問題。
上面每一種形式的內生性問題都有很多例證和應對方案，但為了本文主題的集中，我不在這裡展開。
二、內生性的解決方案
事實上，僅僅為了解決內生性問題，並不需要我們對內生性問題的緣起有很深入的理解。對於應用型的實證研究而言，我們只需要掌握解決內生性問題的具體方案即可。內生性問題的解決方案一共四種，理論上來講，這四種方案應對內生性問題都很有效。但於我個人而言，我對四種方法的評價是有高低的，由高到低分別介紹如下。
1.自然實驗法
所謂自然實驗，就是發生了某些外部突發事件，使得研究物件彷彿被隨機分成了實驗組或控制組。
這是我最喜歡的方法，只是自然實驗需要尋找一個事件，並且這個事件隻影響解釋變數而不影響被解釋變數。遇著這種事件是一種緣分，還要能識別出來，這對學者的眼光也是一種挑戰。
有很多文章聲稱使用了自然實驗，但嚴格來講，並沒有做到對研究物件進行了隨機分組。雖然如此，我對此類文章仍然很是喜歡。
知乎-在社會科學研究中，研究者巧妙地運用過哪些「自然實驗」？
https://www.zhihu.com/question/30470194
2.雙重差分法
Difference-in-Difference
（DID）
一般稱為雙重差分法，或倍差法。倘若出現了一次外部衝擊，這次衝擊影響了一部分樣本，對另一部分樣本則無影響，而我們想看一下這次外部衝擊到底有何影響，雙重差分法就是用來研究這次衝擊的淨效應的。
其基本思想是，將受衝擊的樣本視作實驗組，再按照一定標準在未受衝擊的樣本中尋求與實驗組匹配的對照組，而後做差，做差剩下來的便是這次衝擊的淨效應。
雙重差分法實際上是固定效應的一個變種，差分的過程實際上是排除固定效應的過程。
ZERA
在《
計量論文寫作和發表的駭客教程
》有一個非常簡明風趣的舉例，我轉述於此，以饗讀者。
“大家都知道買房子靠不靠學校醫院等設施還是有很大差別的。但是，影響房價的因素又不止學區那麼簡單。
學校旁邊的學區房價格上升，難道一定是學區房因素導致的嗎？
現在我們要使用雙重差分法檢驗一個假設：學區房因素導致房價上升。
差分再差分，這個方法要湊效的秘訣是：學區房因素髮生變化，而其他因素基本維持不變。例如教育管理機構重新劃分學區，一個著名小學突然在某個沒學校的地方建分校，或者一個著名小學搬遷，這些因素導致房子是否屬於學區房發生了變化。
以建分校為例。建校後周圍一片區域A的房子都屬於學區房，這個區域以外附近區域（B）的其他房子就不算該校學區房。然後收集建校前後兩個時間點上、A和B區域房價的資料。
所謂的差分再差分法，就是：A區域兩個時間點上的平均房價差距 - B區域兩時間點上的平均房價差距 = d，這個d就是建校對房價的影響了。d是兩個差距之間的差距，所以才叫做差分再差分。用計量回歸把這個d給估計出來，是有辦法的：
P= b0 + b1*Da +b2*Dt + d*（Da*Dt） + Xb + e
P是房價，Da是虛擬變數，在區域A則為1，否則為0， Dt是時間虛擬變數，建校後為1，建校前為0。 STATA一跑，就把d估計出來了。為什麼d可以如此表示？自己思考一下啦。實在想不出來，Wooldridge的書上有精確嚴格的解釋。這裡給出一個直觀的粗略解釋：北京所有區域的房價每個月都在上升，因此需要控制這部分因素，這就是時間因素Dt；區域不同自然也有差別，需要控制區域位置因素，這就是Da，這就控制了即使不建校也存在的差距；控制住其他因素X，那麼剩下的Da*Dt就是建校帶來的房價提升效應了。這下明白了哦。”
當然，如果你想看到更學術化的探討，可以參考2015年第7期《數量經濟技術經濟研究》所刊文章《國內雙重差分法的研究現狀與潛在問題》。
3.工具變數法
這是一種處理內生性問題的經典方法，或者說被濫用最嚴重的方法。
這種方法相信大家都已經學過，就是找到一個變數
和內生解釋變數相關，但是和隨機擾動項不相關
。在OLS的框架下同時有多個工具變數（IV），這些工具變數被稱為two stage least squares （2SLS） estimator。具體的說，這種方法是找到影響內生變數的外生變數，連同其他已有的外生變數一起迴歸，得到內生變數的估計值，以此作為IV，放到原來的迴歸方程中進行迴歸。
工具變數法最大的問題是滿足研究條件的工具變數難以找到，而不合乎條件的工具變數只能帶來更嚴重的估計問題。
當然，我確實見過非常精巧的工具變數，譬如，殖民地時代的死亡率。
知乎-有哪些有趣的工具變數？
https://www.zhihu.com/question/27623032
4.
動態面板迴歸法
基本思想是將解釋變數和被解釋變數的滯後項作為工具變數（IV）。其實，我是不認可這種處理方法，除非萬不得已，我不推薦這種方法，我也不太相信這種方法能真正緩解內生性問題。可是，確實很多人都在用。算了，不多說了。
三、內生性問題解決的案例示解
致謝：案例示解的文章，來自人大經濟論壇一位版主denver所作的推介，本人從文章中收穫良多。
當然，案例在解讀過程中若出現偏差，由我個人負責。
文章基本故事是：股票的流動性對經理人的激勵合約的設計會產生影響。具體的說，當流動性提高的時候，經理人會更加傾向於選擇現金比重更小（股票比重更高）的激勵合同，因為這時股票的變現成本較低；同時，高流動性意味著股票中的資訊含量更高，因此薪酬與股價市場回報的敏感性（pay-for-performancesensitivity）會更高。
這裡的兩個被解釋變數分別是cash-based compensation佔total compensation的比重，以及pay-for-performance sensitivity （PPS）會更高。關鍵解釋變數是股票流動性。
第一部分，基礎計量技術，固定效應迴歸模型。
值得一提的是，雖然這是本文最基礎的計量技術，但作者還是進行了細緻改進，比如加入管理層的固定效應，以及對標準誤進行了管理層層面的Cluster調整。本表似乎存在一些標註錯誤，注意對Lndelta的迴歸中，顯著性的*標註似乎錯誤，應為兩顆星。
第二部分，股票流動性與薪酬合約可能出現的內生性
1、在薪酬契約設計中更多的股權比例，意味著管理者與投資者利益的繫結，代理問題可能削弱，會吸引更多的投資者交易，這體現為良好的股票流動性；在薪酬契約設計中更多的股權比例自然會減少現金薪酬的比例，薪酬與股價回報的敏感性也會增強。這是典型的共同驅動因素所引起的內生性問題。
2、假定公司的資訊披露質量很高，投資者很放心將資金投放進入該股票，該股票逐漸具有價值貯藏功能，類似可口可樂股票，其交易流動性很高；而高的資訊披露質量使得股價在反映經理人行為時成為良好的業績指標，根據標準的代理理論，這會加強其在薪酬契約中的權重，薪酬敏感性也越強。而資訊披露質量似乎並未出現在作者的變數中，這種遺漏變數也會引起內生性問題。
第三部分，對內生性問題進行的解決方案
1.工具變數與兩階段最小二乘法
作者使用的是滯後一期的股票流動性和行業平均的股票流動性來工具本期的股票流動性。滯後一期的股票流動性，與遺漏變數的相關性是有疑問的，從這個角度講作者選取的工具變數並不令人滿意。
但是，既然作者能把文章發到TOP上，他必然有更好的處理方式，透過類似自然實驗的方法。
2、利用自然實驗。
作者選取股票拆分作為事件，因為這一事件會影響流動性，但卻對薪酬合約設計沒有影響。
另一個事件，是公司被選入標準普爾500，這同樣是外生的，對股票流動性有影響，但對薪酬合約設計沒有影響。
3、差分法
本文還考察了Inter-temporalrelation，即做組內的差分，來考察變數之間的動態關係。差分可以消除一部分不隨時間變化的遺漏變數所導致的內生性問題，比如我提出的資訊披露質量，可以認為在一定期間內企業的資訊披露質量是穩定，從而這一方法可以削弱內生性對本文結論的影響。
四、對內生性問題解決方案的反思
在資料內生這一前提下，任何試圖解決內生性問題的努力都只是削弱內生性對自己所欲證明結論的影響。解決內生性單純依賴工具變數和兩階段最小二乘，在國際頂級的雜誌上是比較少的，因為好的工具變數的尋找幾乎是一件可遇不可求的事情。事實上，在頂級雜誌發文，更有說服力的解決方案是尋求自然實驗法。這種類似生物學控制實驗的方法往往能夠取得審稿人的贊同。
我引用我在“人大經濟論壇”上看到的，在計量經濟學版塊最令我振聾發聵的一段話來做結尾。我記得作者的ID是“
淘寶網橙迷橙橙
”，我一直很想知道作者起這個名字的初衷。
“
研究，永遠是越簡單越好。
能夠用方差分析解決的問題，為什麼要用迴歸？能夠用一元 迴歸解決的問題，為什麼要用多元？ 變數越多，模型越複雜，出錯的機率就越高，這是亙古不變的法則。
難道在計量的眾多“花花腸子”沒搞出來之前，以前的學者就無所適從了？
你看生物學研究，哪有計量這麼多搞來搞去的方法
？人家只要掌握了一般的多元統計， 足矣！為什麼？
因為人家的實驗設計，足以保證資料的可靠性，並控制其他變數
，因此，簡 單的統計方法就能有效地發現因果關係。
計量為什麼要強調方法？就是因為計量有先天性的缺陷
：一是資料來源，很難得到有效 資料，導致遺漏變數偏誤和測量誤差；二是無法保持“在其他條件不變的情況下，考察原因 變數和結果變數之間的關係”，這是計量建模的先天不足，是無法從技術手段上解決的。而 在實驗室條件下，可以輕鬆地做到這點。從這點來說，計量只能是發現變數間的關聯關係， 無法確證因果關係。三是模型設定形式，你說線性就線性？兩維還可以靠看散點圖來判斷， 多維你怎麼去判斷？
說到底，計量就是因為資料問題、模型設定問題（包含很多不合常理的假定，如同方差
假定，實際中是不可能的），使得其先天性就存在不足，因此需要在方法上來修補其缺陷
，
故其強調“方法”遠勝過強調“原始資料”
，
而生物學統計則是強調“原始資料”遠勝過強調“方法”。
只要有可靠的資料，一般的方差分析也是很有力量的！
故：高手不是在模型上 繞來繞去，而是大巧若工，用盡量簡單的方法來得到你無法辯駁的結果！QJE和AER 上有 很多這樣的文章。記得社會學研究學者謝宇的一本書，裡面有一段話大意是指，如果你沒有足夠理想的資料，那麼只有很強的理論假定，才有可能得到比較顯著的結果。這就告訴我們，建模思想非 常關鍵，變數間首先必須有經得起推敲的理論與邏輯關係，然後用資料才能驗證。而我們很多的研究，往往思想性不足，而技術性有餘。
如果你的模型在理論上就經不起推敲，玩弄再多的計量技術又有什麼用?那就真的是“Garbage in Garbage out”
了” 。
我對上面的觀點完全贊同，資料和研究設計才是影響文章結論可靠與否的關鍵。複雜估計方法從來都是資料和研究設計出現缺陷時的緩解手段，注意是緩解，不是解決。與諸位共勉！
倘若文章給您帶來些許收穫，還請關注我的微信公眾號：金融與會計研究中的SAS程式設計實現，SasInResearch，期待您的批評與建議。
梨菠糯2019-01-06 14:43:17內生性問題…老哥，計量一大半都是講如何處理掉內生性問題的……你這個題目應該叫做“有沒有大神可以系統的講一下計量經濟學”
不如去找一本書看看～計量這種東西從基礎打好，越學越輕鬆
連玉君2021-03-29 23:32:20如下兩篇
連享會推文
分別介紹了
內生性概覽
和
工具變數法
：
內生性：來源及處理方法-幻燈片下載
Stata: 工具變數法 (IV) 也不難呀！
相關推文還包括：
Note：產生如下推文列表的 Stata 命令為：
lianxh 內生性 工具變數 穩健性檢驗 安慰劑
安裝最新版
lianxh
命令：
ssc install lianxh， replace
專題：
Stata命令
Stata新命令-pdslasso：眾多控制變數和工具變數如何挑選？
專題：
迴歸分析
穩健性檢驗！穩健性檢驗！
專題：
IV-GMM
twostepweakiv：弱工具變數有多弱？
多個(弱)工具變數如何應對-IV-mivreg？
IV：工具變數不滿足外生性怎麼辦？
IV-工具變數法：第一階段係數符號確定時的小樣本無偏估計
IV：可以用內生變數的滯後項做工具變數嗎？
Stata: 工具變數法 (IV) 也不難呀！
IV專題: 內生性檢驗與過度識別檢驗
IV-估計：工具變數不外生時也可以用！
專題：
倍分法DID
多期DID之安慰劑檢驗、平行趨勢檢驗
專題：
內生性-因果推斷
安慰劑檢驗！安慰劑檢驗！
內生性：來源及處理方法-幻燈片下載
locmtest：非線性模型的內生性檢驗
第三種內生性：衡量偏誤(測量誤差)如何檢驗-dgmtest？
工具變數-IV：排他性約束及經典文獻解讀
Stata新命令：konfound - 因果推斷的穩健性檢驗
專題：
分位數迴歸
Stata：面板分位數模型估計及內生性初探
最後，附上
內生性：來源及處理方法-幻燈片下載
一文的原文：
Stata連享會
主頁
||
影片
||
推文
||
知乎
溫馨提示：
定期
清理瀏覽器快取
，可以獲得最佳瀏覽體驗。
New！
lianxh 命令釋出了：
隨時搜尋連享會推文、Stata 資源，安裝命令如下：
。 ssc install lianxh
使用詳情參見幫助檔案 （有驚喜）：
。 help lianxh
✌
課程詳情：
https://gitee.com/arlionn/Course
|
lianxh.cn
作者：
連玉君 （中山大學）
郵箱：
「編者按」
這份幻燈片的第一版製作於 2014 年。當時，山東大學的曹廷求教授邀請我參加公司治理論壇，做一個 20 分鐘的專題報告。分享的嘉賓們都是我的前輩，讓我倍感壓力，只好劍走偏鋒，講一下公司治理研究中面臨的棘手問題：「公司金融中的內生性問題：來源及處理方法」。內容涉及：IV-GMM 估計、DID、固定效應模型、PSM、SCM、空間計量等。
沒想到大家對此問題都很感興趣，事後好幾位老師還向我索要幻燈片和相關資料。這份幻燈片每年都做一點更新，在上海財大、暨南大學、中山大學等所學校分享過，也會在每年的
Stata 暑期/寒假班
中拆解成 4-5 個專題 （每個專題半天），來個疤丁解牛，好不快活！。雖然每次講的內容都會有差異，但總體的思路和框架是不變的。
鑑於時不時收到各位熱心朋友的郵件，索要這份 PPT，索性公開分享出來，希望大家多提意見，以便於我不斷完善和更新。
有任何建議，請傳送郵件至
。
幻燈片下載
版權宣告：該幻燈片僅用於分享交流。若需在教學、講座、微信公眾號推文等公開途徑使用，請傳送申請郵件至
，以便獲取授權和 PPT 版本。
⛳ - 下載 - 連玉君 - 內生性-來源及方法-幻燈片
亦可掃碼獲取：
相關專題
連享會 - 文字分析-爬蟲-機器學習專題
連享會 - 生存分析專題
連享會 - 效率分析專題 (TFP-SFA-DEA)
相關推文
這份幻燈片裡的很多主題已經在過往三年的連享會推文中進行了非常細緻的分享，列示如下。
專題：
專題課程
FAQs答疑-2021寒假-Stata論文班-Day3-江艇
FAQs答疑-2021寒假-Stata論文班-Day2-江艇
FAQs答疑-2021寒假-Stata論文班-Day1-江艇
FAQs答疑-2021寒假-Stata高階班-Day3-連玉君-RDD-合成控制法
FAQs答疑-2021寒假-Stata高階班-Day2-連玉君-面板門檻-Heckman-Tobit
FAQs答疑-2021寒假-Stata高階班-Day1-連玉君-動態面板
FAQs答疑-2021寒假-Stata初級班-Day3-連玉君
FAQs答疑-2021寒假-Stata初級班-Day2-連玉君
FAQs答疑-2021寒假-Stata初級班-Day1-連玉君
助教入選名單公佈：因果推斷-內生性專題
連享會Live - 我的特斯拉-實證研究設計
專題：
面板資料
xtdpdgmm：動態面板資料模型一網打盡
專題：
IV-GMM
twostepweakiv：弱工具變數有多弱？
多個(弱)工具變數如何應對-IV-mivreg？
IV：工具變數不滿足外生性怎麼辦？
IV-工具變數法：第一階段係數符號確定時的小樣本無偏估計
Stata：GMM-簡介及實現範例
IV：可以用內生變數的滯後項做工具變數嗎？
Stata: 工具變數法 (IV) 也不難呀！
IV專題: 內生性檢驗與過度識別檢驗
IV 經典：尋找 IV 的足跡——Card（1993）
IV-估計：工具變數不外生時也可以用！
專題：
倍分法DID
Fuzzy DID：模糊倍分法
DID：僅有幾個實驗組樣本的倍分法 (雙重差分)
考慮溢位效應的倍分法：spillover-robust DID
tfdiff：多期DID的估計及圖示
長差分：Long Difference及Acemoglu AER論文推介
倍分法DID：一組參考文獻
Stata：雙重差分的固定效應模型-(DID)
倍分法(DID)的標準誤：不能忽略空間相關性
Stata：三重差分 DDD 模型簡介
多期DID之安慰劑檢驗、平行趨勢檢驗
DID邊際分析：讓政策評價結果更加豐滿
Big Bad Banks：多期 DID 經典論文介紹
Stata 倍分法: 不滿足平行趨勢假設咋辦？
多期DID：平行趨勢檢驗圖示
Stata：多期倍分法 (DID) 詳解及其圖示
Stata：三重差分模型簡介
倍分法DID詳解 (三)：多時點 DID (漸進DID) 的進一步分析
倍分法DID詳解 (二)：多時點 DID (漸進DID)
倍分法DID詳解 (一)：傳統 DID
專題：
PSM-Matching
Stata：psestimate-傾向得分匹配(PSM)中協變數的篩選
伍德里奇先生的問題：PSM-分析中的配對——小蝌蚪找媽媽
Stata：psestimate-傾向得分匹配(PSM)中匹配變數的篩選
Stata+PSM：傾向得分匹配分析簡介
Stata-從匹配到迴歸：精確匹配、模糊匹配和PSM
Stata：PSM-傾向得分匹配分析的誤區
專題：
合成控制法
Synth_Runner命令：合成控制法高效實現
Stata：合成控制法程式分享
Stata：合成控制法-synth-命令無法載入-plugin-的解決辦法
合成控制法 (Synthetic Control Method) 及 Stata實現
專題：
內生性-因果推斷
用FE-固定效應模型能做因果推斷嗎？
locmtest：非線性模型的內生性檢驗
Abadie新作：簡明IV,DID,RDD教程和綜述
經典文獻回顧：政策評價-因果推斷的計量方法
因果推斷好書：Causal-Inference-Measuring-the-Effect-of-X-on-y
Stata因果推斷新書：The-SAGE-Handbook-of-Regression-Analysis-and-Causal-Inference
第三種內生性：衡量偏誤(測量誤差)如何檢驗-dgmtest？
工具變數-IV：排他性約束及經典文獻解讀
Stata新命令：konfound - 因果推斷的穩健性檢驗
專題：
分位數迴歸
Stata：面板分位數模型估計及內生性初探
相關課程
連享會-直播課
上線了！
http://lianxh.duanshu.com
免費公開課：
直擊面板資料模型
- 連玉君，時長：1小時40分鐘，
課程主頁
Stata 33 講
- 連玉君， 每講 15 分鐘。
Stata 小白的取經之路
- 龍志能，時長：2 小時，
課程主頁
部分直播課
課程資料下載
（PPT，dofiles等）
課程一覽
支援回看
專題
嘉賓
直播/回看影片
Note： 部分課程的資料，PPT 等可以前往
連享會-直播課
主頁檢視，下載。
關於我們
Stata連享會
由中山大學連玉君老師團隊創辦，定期分享實證分析經驗。
直播間
有很多影片課程，可以隨時觀看。
連享會-主頁
和
知乎專欄
，400+ 推文，實證分析不再抓狂。
公眾號關鍵詞搜尋/回覆
功能已經上線。大家可以在公眾號左下角點選鍵盤圖示，輸入簡要關鍵詞，以便快速呈現歷史推文，獲取工具軟體和資料下載。常見關鍵詞：
模型設定， 研究設計， stata， plus， 繪圖， 程式設計， 面板， 論文重現， 視覺化， RDD， DID， PSM， 合成控制法
等
連享會小程式：掃一掃，看推文，看影片……
掃碼加入連享會微信群，提問交流更方便
✏ 連享會學習群-常見問題解答彙總：
✨
https://gitee.com/arlionn/WD
New！
lianxh 命令釋出了：
隨時搜尋連享會推文、Stata 資源，安裝命令如下：
。 ssc install lianxh
使用詳情參見幫助檔案 （有驚喜）：
。 help lianxh
西偉2021-04-14 15:40:52參見連享會推文：
專題：
內生性-因果推斷
內生性：來源及處理方法-幻燈片下載
locmtest：非線性模型的內生性檢驗
第三種內生性：衡量偏誤(測量誤差)如何檢驗-dgmtest？
常見的處理方法：
專題：
內生性-因果推斷
工具變數-IV：排他性約束及經典文獻解讀
專題：
斷點回歸RDD
Stata+R：一文讀懂精確斷點回歸-RDD
RDD：離散變數可以作為斷點回歸的分配變數嗎？
RDD：斷點回歸可以加入控制變數嗎？
斷點回歸RDD：樣本少時如何做？
Stata：斷點回歸分析-RDD-文獻和命令
Stata：兩本斷點回歸分析-RDD-易懂教程
Stata：時間斷點回歸RDD的幾個要點
Stata：斷點回歸分析-(RDD)-文獻和命令
Stata：斷點回歸RDD簡明教程
RDD：斷點回歸的非引數估計及Stata實現
Stata: 兩本斷點回歸分析 (RDD) 易懂教程
Stata: 斷點回歸 (RDD) 中的平滑性檢驗
專題：
倍分法DID
倍分法：DID是否需要隨機分組？
Fuzzy DID：模糊倍分法
DID：僅有幾個實驗組樣本的倍分法 (雙重差分)
考慮溢位效應的倍分法：spillover-robust DID
倍分法DID：一組參考文獻
倍分法(DID)的標準誤：不能忽略空間相關性
Stata 倍分法: 不滿足平行趨勢假設咋辦？
Stata：多期倍分法 (DID) 詳解及其圖示
倍分法DID詳解 (二)：多時點 DID (漸進DID)
倍分法DID詳解 (一)：傳統 DID
倍分法DID詳解 (三)：多時點 DID (漸進DID) 的進一步分析
