双重差分法（Difference-in-differences，简记DID）无疑是实证研究中最常用的计量方法之一，而交互项则是DID的灵魂。在计量实践中，取决于数据的类型与性质，DID的交互项有着不同的形式。灵活地使用DID的交互项，是实证研究的一项重要技能。

尽管方法都源于统计学，但同样是定量分析、经验研究，经济学与社会学在方法论上面存在显著的差异。在大数据时代，这两个"古老"的学科同时面临海量数据资源的冲击，大数据资源给两个学科各个方向上的学者带来了重大研究机遇，同时在分析方法乃至研究方法论方面面临重大挑战。本文较早讨论了大数据对社科学等学科研究的冲击，这对我们思考大数据及其分析技术的出现对经济学研究带来的机遇和挑战，具有特别的参考意义。

OLS 在实践中的两大适用条件，即线性模型、无内生性。其中，无内生性（no endogeneity）要求所有解释变量均与扰动项不相关。

这个假定通常太强，因为解释变量一般很多（比如，5-15个解释变量），且需要保证它们全部外生。是否可能弱化此条件？答案是肯定的，如果你的解释变量可以区分为核心变量与控制变量两类。

1、工具变量法

2、断点回归

3、双重分差法

4、倾向匹配方法

实证研究的常见问题之一为 “内生性”（endogeneity），即解释变量与扰动项相关。研究者通常要花很大精力来解决内生性问题，而工具变量法则是解决内生性的常用利器。

我们从边际效应（求偏导数）的角度考察了交互效应的经济含义。这隐含地假设了，在交互项的两个变量中，至少有一个为连续变量，故可以求偏导数。显然，如果两个变量都是离散变量（比如虚拟变量），则此法不通，因为无法求导数。

倾向得分匹配（Propensity Score Matching，简记 PSM）常用于估计微观数据的处理效应（treatment effects），特别适用于样本容量较大，而且协变量（控制变量）较多的情形。

35个国内外社会科学数据网站资源汇总（附链接地址）

计量经济学家对于 Machine Learning 的学习框架似乎并不陌生。纵观计量经济学在过去大几十年的发展史，我们不是也念兹在兹地想估计这么一个函数 吗？但为什么机器学习可以用于 “人工智能”（Artificial Intelligence，简记AI），而计量经济学却无人问津（影响力几乎不出学术界）呢？

随着大数据时代到来，部分行政数据开始公开透明化，但微观数据的获取仍有障碍。“巧妇难为无米之炊”，本期隆重推荐中山大学岭南学院产业与区域经济研究中心（IRE）的公开数据资源——共九大数据库，其可提供研究方向不限于地方官员行为、方言指数、经济增长等。

►一周热文

统计计量丨一文读懂11个常见的多变量分析方法

数据呈现丨Pandas可视化综合指南：手把手从零教你绘制数据图表

统计计量丨计量经济学中的“条件”与“无条件”

老姚专栏丨与标准误有关的那些事

统计计量丨Back to Basics: OLS与内生性

数据呈现丨R语言可视化学习笔记之ggridges包

统计计量丨To Take Log, or Not to Take Log (取对数，还是不取对数)

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

    欢迎扫描👇二维码添加关注