新书推荐
《计量经济学编程：以Python语言为工具》
严子中 张毅 著
本书配有课件
近年来，社会学科编程通常选择Python语言。Python有着易写、易懂、跨平台、用户群体大、线上资源丰富等优势。尽管如此，在实际学习过程中，非计算机专业的人士仍时常感到“专业不对口”：面对浩瀚的英文技术文档、大量的Python第三方文库，到底哪些才是我应该看的？为了处理当前最亟须的数据分析任务，我首先应该学会哪些Python技巧?
面对这些问题，本书应运而生。
本书以Python语言为工具，面向经济学等非计算机专业的读者，以简明易懂的语言写作，靶向聚焦经济学专业的编程知识需求，以实际案例驱动编程技巧学习，以编程语言学习促进数据分析方法的掌握。
本书涵盖多个常用和进阶的计量经济学方法，由浅入深地阐述这些方法在Python语言中的编程实现。本书假设的阅读对象为普通高等学校经济学专业本科学生，经济学专业学生能够在本科阶段学习一门编程语言，并系统掌握数据分析“必备的”编程知识，可以为未来从事数据分析工作以及进行科学研究打下扎实的基础。教学实践中，本书内容与本科阶段计量经济学课程起到了很好的互补作用。计量经济学具有数学化程度高的特点，学生在初始学习阶段往往感觉难度较大。本书旨在利用Python编程语言严谨化、可视化的优势，将抽象的数学公式符号转化为具体代码，当学生通过编写一行行代码实现某个方法的同时，自然而然也就对公式背后的原理产生了更为直观和深刻的理解，这也是当前国内外一流经济学院系的主流教学趋势。
在讲解不同计量经济学方法时，我们展示多种编程实现途径。比如，如何写出便于Python编程的模型表达式、如何手动编写代码实现、如何利用现有的Python模块实现、如何跨平台与Stata交互实现。
同时，本书提倡实际数据分析应结合使用不同编程语言或软件。Python被誉为“胶水”语言，意味着它可以与Stata、R、Matlab等软件实现交互。书中，我们通过实例演示Python与Stata如何进行“无缝衔接”。比如，我们可以用Python中更为丰富、高效的矩阵计算、概率统计公式编写出一个创新的计量经济学方法；而对于有些在Stata中更容易实现的操作，我们可以将此交给Stata来完成。当Stata与Python互相配合能迅速实现时，对于经济学数据分析，也能提升效率，相得益彰，这也是当前国内外经济学学者常用的方式。
此外，不同编程方法在计算效率、精度上会有显著差异，即使一些微小差异也会决定一个运算结果到底可不可行、可不可信。数值计算方法是非计算机专业学科人士经常容易忽视的。本书对此着重强调，通过不时穿插讲解一些编程中的数值计算“窍门”，引导非计算机专业的读者掌握在编程中兼顾数值计算的效率和精度。
本书采用双语编写，英文为主，辅以中文讲解。中文讲解主要通过三种形式：第一，针对计量经济学编程中的知识点、难点，本书配以中文“Python技巧小贴士”进行专项讲解，提高读者的理解深度。第二，本书采用较多中文旁注对模型、算法、术语等进行诠释。第三，我们在代码中采用中文注释，以便于读者更好理解每一段代码的编写目的和原理。
本书目录
-上下滑动查看完整目录-
1 接触Python语言
Get Started with Python
1.1 Introduction to Python
1.1.1 Why Python for Economists?
1.1.2 Setup the Python
1.1.3 Resources
1.1.4 “Hello world!”
1.2 Basics of Math and Variables
1.2.1 Python Calculator
1.2.2 Variables
1.2.3 Numbers and Characters
1.3 Built-in Functions and Modules
1.3.1 Built-in math Module
1.3.2 Built-in print Function
1.3.3 Read and Write Text Files
1.4 Data Structures
1.4.1 Tuples and Lists
1.4.2 Operations
1.4.3 Indexing and Slicing
1.5 Control Flow
1.5.1 If-elif-else Statements
1.5.2 Loop Statements
1.5.3 While Statements
1.5.4 Break and continue Statements
1.6 Functions and Classes
1.6.1 Functions
1.6.2 Classes
1.6.3 Functional Programming
1.7 Using Python and Stata Together
1.7.1 Configurations
1.7.2 Call Stata from Python
1.8 拓展学习资源及参考目录
1.9 习题
2 Python 数值计算
Numerical Python
2.1 Numerical Computation
2.1.1 Arrays, Vectors and Matrices
2.1.2 Linear Algebra Operations
2.1.3 Commonly Used Functions
2.1.4 Efficiency of Computations
2.2 Data Manipulations
2.2.1 Series and DataFrame
2.2.2 Indexing and Slicing for DataFrame
2.2.3 Examples
2.3 Data lmporting and Exporting
2.3.1 Read and Write Data Files
2.3.2 Pass Data Between Python and
Stata
2.4 拓展学习资源及参考目录
2.5 习题
3 Python 科学计算
Scientific Python
3.1 Data Visualization
3.1.1 Plot2DData
3.1.2 Generate Stata Graph in Python
3.2 Scientific Computation
3.2.1 Optimization Toolbox
3.2.2 Probability Distributions
3.2.3 lllustrative Example
3.2.4 Quadrature Integration
3.2.5 Ordinary Differential Equations
3.3 Symbolic Computation
3.3.1 Symbolic Variables and Functions
3.3.2 Symbolic Math Operations
3.3.3 Symbolic Probability
Distributions
3.4 拓展学习资源及参考目录
3.5 习题
4 Python中实现蒙特卡洛方法
Monte Carlo Methods
4.1 Monte Carlo Experiment
4.1.1 lllustrative Example: Estimating π
4.1.2 Code in Python
4.2 Monte Carlo Integration
4.2.1 Integration on Finite Intervals
4.2.2 Integration on Infinite Intervals
4.3 Simulation Studies in Econometrics
4.3.1 Simulation for Estimators
4.3.2 Simulations for Inferences
4.3.3 Design a Simulation
4.4 拓展学习资源及参考目录
4.5 习题
5 线性回归模型及内生性问题
Linear Regression Models & Endogeneity Issues
5.1 Introduction
5.1.1 Motivations
5.1.2 Model Setup
5.2 OLS Estimation
5.2.1 Estimation of β
5.2.2 Plot the Fitted Line
5.2.3 Variance of β
5.2.4 Goodness of Fit
5.3 Inferences
5.3.1 Student's t-test
5.3.2 z-test
5.3.3 F-test
5.3.4 Testing for Heteroskedasticity
5.4 Residual Analysis
5.4.1 Visualization of Residuals
5.4.2 Testing for Normality
5.5 Robust Standard Errors
5.5.1 White Standard Errors
5.5.2 Clustered Standard Errors
5.6 Endogeneity
5.6.1 Introduction
5.6.2 Instrumental Variable
Estimations
5.6.3 Testing for IV Validity
5.6.4 Testing for Endogeneity
5.7 拓展学习资源及参考目录
5.8 习题
6 最大似然估计法
Maximum Likelihood Estimation
6.1 Introduction
6.2 Analytical and Numerical Solutions
6.2.1 Analytical Solution
6.2.2 Numerical Solution
6.3 Constrained Optimizations
6.3.1 scipy.optimize with Constraints
6.3.2 Reparametrization
6.3.3 Plot the Log-likelihood Surface
6.4 Properties of the MLE
6.4.1 Finite Sample Properties
6.4.2 Large Sample Properties
6.4.3 Verification with Simulations
Studies
6.5 Normal Linear Models
6.5.1 Point Estimates
6.5.2 lllustrations
6.5.3 Asymptotic Variance
6.6 拓展学习资源及参考目录
6.7 习题
7 受限因变量模型
Limited Dependent Variable Models
7.1 Binary Response Models
7.1.1 Model Setup
7.1.2 Estimation
7.1.3 Results Visualizations
7.1.4 Marginal Effects
7.2 Ordinal Response Models
7.2.1 Model Setup
7.2.2 Estimation
7.2.3 Marginal Effects
7.3 Code Up an Estimation Routine
7.3.1 More Functionalities
7.3.2 Present a Formatted Table
7.3.3 Frame the Code using
Python Class
7.4 拓展学习资源及参考目录
7.5 习题
8 面板数据模型
Panel Data Models
8.1 Introduction
8.1.1 Model Setup
8.1.2 Coding Friendly Model
Expressions
8.2 Fixed Effects Models
8.2.1 Fixed Effects Estimator
8.2.2 Python Implementations
8.2.3 First Difference Estimator
8.3 Random Effects Models
8.3.1 Random Effects GLS Estimator
8.3.2 Code in Python
8.4 Fixed Effects vs Random Effects
8.5 拓展学习资源及参考目录
8.6 习题
9 进阶计量经济学方法中的Python编程实例
Further Econometric Topics and Examples
9.1 Bootstrap Resampling
9.1.1 Introduction
9.1.2 Bootstrap Algorithm
9.1.3 Bootstrap Estimators
9.1.4 Bootstrap Inference
9.1.5 Code up an Bootstrap Routine
9.2 Monte Carlo Sampling Methods
9.2.1 Inversion Sampling
9.2.2 Rejection Sampling
9.2.3 Importance Sampling
9.3 Nonparametric Methods
9.3.1 Introduction
9.3.2 Nonparametric Density
Estimation
9.3.3 K-fold Cross-Validation
9.4 Bayesian Econometrics
9.4.1 Introduction
9.4.2 Maximum a Posteriori
Estimation
9.4.3 Markov Chain Monte Carlo (MCMC) Methods
9.5 拓展学习资源及参考目录
9.6 习题
本书参考目录
致谢
《计量经济学编程：以Python语言为工具》
严子中 张毅 著
中国财政经济出版社 出版
ISBN：978-7-5223-2710-5
定价：78.00元
中国财政经济出版社
中国财政经济出版社
投稿热线
010-88190772
在线咨询电话
010-88191642
热门跟贴