邮件：econometrics666@126.com
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
以下是她于2021年为上财金融学院做的5场系列学术讲座，“From Students to Researchers: A Preparation”（从研究生到研究者：准备阶段）。从想法到研究问题与设计
从工作论文到期刊发表
完成有意义的因果推断
从计量经济学到机器学习
机器学习与计量经济学的结合——一个研究应用
这些讲座深入剖析了研究生在成为研究者过程中所需的关键步骤，涵盖了从构思研究问题到将成果发表在期刊上的全过程，以及如何运用因果推断和机器学习等工具来丰富研究成果。姜纬教授的分享为年轻学者提供了宝贵的指导和启发，有助于他们在学术道路上更进一步。
关于姜纬教授，参看：1.研究创意的来源在哪里？顶级国际金融期刊主编如是说，2.如何产生能发表AER的想法? 又如何与合作者一起工作呢？3.华人金融学术女神为运用工具变量估计方法做因果推断的学者提供了如下宝贵建议！4.没有工具变量、断点和随机冲击，也可以推断归因
Source: 上财金融学院，文字整理及编辑：刘承昊, 司思，讲座主持人：陈选娟教授
①从想法到研究问题与设计
From Ideas to Research Questions and Designs”（从想法到研究问题与设计）本场为姜纬教授系列讲座 “From Students to Researchers: A Preparation.”（从研究生到研究者：转型准备）的第一讲。基于这一主题，姜纬教授精心设计了五场讲座，前两场旨在帮助大家尝试从单纯记笔记的学生角色转向主动提问、参与讨论，进而擅长串联要点的独立研究者。通过分享自己的研究经历，深入浅出的案例讲解，姜纬教授不断引导屏幕前的大家思考：如何产生一个想法，并把它变成一篇论文？从哪里获取一篇研究论文的灵感或想法？姜老师首先抛出她对这一问题的三点建议：第一，你所做的研究一定是你观察这个世界所形成的一些想法。多去关注周围发生了什么，尤其是金融市场，针对你感兴趣的话题，不妨在脑中做一下想象当中的回归。或许此时的想法还不够精确，但这确实是一个“起点”。第二，一定要进行非常广泛的阅读。阅读范围不光包括学术论文、其他学术著作、财经类型的杂志期刊，甚至包括与财经完全无关的内容，比如文学。第三点，你要争取成为某一个问题的专家。作为一名研究者，必需能够表达一些前人还没有表达过的想法，或者做出一些前人还没有做过的发现。若不成为相关方面的专家，则很难达到理想的境界。针对第二个建议，姜纬老师着重分享了自己的经验和体会。① 通过阅读文献获取灵感。把相同的思路应用于不同的数据库、不同的国家和地区，研究者将面临较大的竞争。做类似研究必需要“快”，要足够精细，还可能需要一点运气。② 从阅读《华尔街日报》中获取灵感。从报刊中获取的信息更多也更快速，但基于“流行观点”的选题容易“撞车”，同样存在竞争性。可在研究思路上另辟蹊径——尝试让思路“转弯”。③ 休闲阅读同样有助于获取灵感。研究工作是严肃而枯燥的，在研究中做一些休闲阅读其实很有必要，无需负罪感。姜纬老师阅读广泛，包括在慢跑时听书，在图书馆随意翻看……她表示在放松状态下很可能会灵感涌现。姜纬老师从一个耐人寻味的“反直觉”故事开启对人工智能的讲述：国际象棋世界冠军卡斯帕罗夫在1997年被IBM制造的国际象棋计算机“深蓝”击败。但也正是从1997年开始，学国际象棋的人变得更多了，人们的棋技也普遍提高。机器战胜人类，这并不意味着某种结束，相反，这促使人们开始思考怎样运用机器将决策做得更好。姜纬老师的讲座深入浅出，逻辑分明。她通过分享自己及身边人的科研经历、多年积累的阅读心得，适时插入对经典案例的生动讲解，启发同学们思考将灵感变为论文的多种途径，鼓励大家关注人工智能等金融领域的创新与前沿问题。讲座中，姜老师和小组师生互动讨论，并就一些具体问题进行了探讨，为下一次讲座主题做好了铺垫。最后，姜纬老师为讨论小组留下课后思考任务，本次讲座圆满结束。' From working paper to publication”（从工作论文到期刊发表）。本场为姜纬教授系列讲座 “From Students to Researchers: A Preparation.”（从研究生到研究者：转型准备）的第二讲。一般而言，从工作论文到期刊发表会分为四种情形：第一种是“一投一个准”，第二种是“总有一本期刊能够接受”，第三种是“需要一点好运气才能投中”，第四种是“被编辑错误地接受”，换言之就是“误打误撞”。你会是哪一种？姜老师毫不讳言地表示，大部分投稿情况属于第三种，在此前提下，她给出一条总体的建议：期刊投稿类似资产组合，要结合目标与风险综合考虑。既要承担一定的风险，也要选择一些安全资产。既要有作为终极目标的TOP期刊，也要有能稳定投中的期刊。作为学术行业的起步者，应注重“短期的安全性与流动性”。具体地，姜老师就一些论文发表的细节经验与大家分享。投稿初期阶段的论文基本上是在前人发表过的论文基础上，通过进行一定的拓展，补充与调整，“一块砖一块砖拼起来的”。这当然是比较具有普适性的策略，经常被一般研究者所采用，但也面临较大的同质化竞争。掌握elevator pitch（电梯简报）技能，在短时间内把关键信息传递给他人。就论文而言，需要研究者非常自律地把论文的架构，贡献，研究途径等阐述清楚。参考范式：A问题被广泛研究，但是因为B，学者没有进行广泛研究，我有了新发现C，帮助我们识别出了D，从而通过机制E对A进行了研究。目的是把研究话题从一个模糊的概念提炼为一条清晰的线路。通过对SSRN工作论文网站数据库、机器学习和自然语言处理等工具的运用，姜老师及其合作者对研究论文进行了系统性研究，发现影响论文发表的因素有：论文相似度，论文类型，是否含有新话题，数据库使用个数，作者声誉，作者所在机构声誉等。提高上述指标均可以增加发表概率。姜老师特别指出，创新非常重要，它决定论文能否最终发表，但创新必须建立在大家十分熟悉的框架和十分熟悉的语境下，这就需要研究者尽可能多地通过阅读文献来把握。对于学术行业的起步者而言，工作论文的文章类型最好能被归类到特定的、可以被识别的金融领域范围内。另外参与一些好的学术会议也可以提高论文发表的可能性。论文合作者之间是长期合作的关系，包含很大的承诺，一定要谨慎对待，务必做好尽职调查。合作开始前，双方事先要协调和明确一些基本的权利条款，尽量把可能出现的情况预想到并沟通清楚。合作开始后，则一切决定就要以合作项目的利益最大化为优先。作为年轻学者，尽量与更多的而非固定的一位资深学者合作。姜纬老师勉励大家，虽然短期内论文发表会取决于一些简易的信号，也允许研究者相应地采取一定的策略，但长期来看，一位合格研究者的学术声誉将最终取决于其论文的质量。“从想法到研究问题与设计”，“ 从工作论文到期刊发表”，两场讲座衔接有序，姜纬老师延续了她循循善诱，干货满满的讲座风格。她在讲座间隙与讨论小组的师生互动问答，细致讲解关于论文发表的一些疑问，引导大家思考或重新思考“从研究生到研究者：转型准备”的关键因素和实践技巧。至此，姜纬教授系列讲座第二讲圆满结束。Accomplishing Meaningful Inferences without Instruments, Discontinuity, and Random Shocks（在没有工具变量、断点与随机冲击情况下完成有意义的因果推断）。本场为姜纬教授系列讲座 “From Students to Researchers: A Preparation.”（从研究生到研究者：转型准备）的第三讲。姜老师从基本的统计概念切入，与大家分享什么是因果推断。很多时候，研究人员会发现需要研究的变量之间在回归上存在显著相关关系。但X不一定是导致Y的原因，因为回归结果存在多种可能的解释。而探究因果关系是学术工作者最为看重的。影响因果推断的内生性问题，是实证分析过程中非常棘手的问题。内生性问题的产生有两个主要原因：第一个被称为遗漏变量，第二个是反向因果关系。姜纬教授举例说明，在今天的自然科学和某些社会科学领域的工作中（比如测试哪种疫苗更有效），采用“随机双盲对照试验”非常有助于建立因果关系。但对于绝大多数社会研究来说，“随机双盲对照试验”的要求难以被满足。姜纬教授首先就经济与金融学顶尖期刊文献中在处理内生性问题方面使用的“准随机”，或者说“自然试验”模型和方法，通过一系列生动例子，做了深入浅出的说明。这些方法包括工具变量估计（IV）、断点回归 (RD)、以及外源性政策冲击。但是，在大多数情况下，“自然试验”方法对研究者来说仍然是可遇不可求的“奢侈品”。在没有随机双盲对照试验、IV、 RD和外源性冲击情形下，如何进行因果推理？姜老师为大家讲解了很多其他方法——平均处理效应模型，更精妙的固定效应模型（配对固定效应模型、多维固定效应模型、以及基于共同选择的固定效应模型），借助于在法律政策变化的双重差分分析法，从中识别预先确定的法律政策变化风险，非外生冲击中对不同个体影响的外生性，以及逐个驳斥各种可能的假设等等。这些方法能够帮助研究者完成有意义的因果关系推断研究。最后，姜纬老师强调，大家一定要时刻牢记自己从事研究的最终目的，它并非为了炫耀一种让人耳目一新的识别方法，而是试图回答一个既有趣又有研究价值的问题。而且对一个问题的探索往往不止需要一项研究。正因如此，姜老师表示，谦虚的心态在研究工作中非常重要。Extracting and Interpreting Information from Data: From Econometrics to Machine Learning（从数据中提取和理解信息：从计量经济学到机器学习）。本场为姜纬教授系列讲座 “From Students to Researchers: A Preparation.”（从研究生到研究者：转型准备）的第四讲。讲座伊始，姜老师提出了两个概念：传统的计量经济学——包括参数和非参数的计量经济学，以及计量经济学的“时髦表亲”——机器学习。她指出，两者目的都在于从数据中提取信息，以回答定义明确和有趣的研究问题。本次讲座通过将计量经济学和机器学习进行比较和整合，以较高的站位概述两者的异同，以帮助大家基于自己的知识储备将两者联系起来。姜老师首先带大家回顾了经典的计量回归模型，包括参数估计(OLS，NLS)，以及非参数估计，她指出参数估计其实是非参估计的特例 – 比如，线性回归预测模型就是将非参数回归进行无限平滑后的结果。接下来，姜老师以OLS举例说明，回归可以被看做机器学习中的监督学习或者批处理学习。机器学习中有两种非常流行的方法 – 一个是Lasso回归，另一个是Ridge回归。相对于OLS的目标是使残差平方和最小，Lasso回归的目标是使残差平方和与参数绝对值的和最小，而Ridge回归的目标是使残差平方和与参数平方和的总和最小。也就是说，Lasso和Ridge回归仅仅是在OLS回归的目标方程中加入一个惩罚项（在Lasso回归中惩罚项是参数绝对值，而在Ridge回归中惩罚项是参数平方和）。因此，Lasso回归、Ridge回归、OLS本质上都是以最短距离为目标的回归估计方法。姜老师通过分析指出，机器学习也可以是高度参数化的。使用回归或者机器学习，人们总是可以完美地拟合任何给定的样本，但这些方法也存在缺点，即对样本外的情况进行预测时效果不佳。学术界既重视对过去发生的事情提供合理解释，也重视对未来的预测。但商界显然对预测更感兴趣。优化样本外预测的基本方法是：（1）分离训练样本和测试样本，但这并非机器学习所独有的；（2）理解所研究问题的经济机制，而这一点在机器学习中常常被忽视。具体而言，优化样本外预测的一种方法是K-折叠交叉验证（k-fold cross validation）。但交叉验证其实不是机器学习所独有的，交叉验证其实是参数估计和非参数估计必不可少的组成部分，比如自助抽样法（bootstrapping）中就用到交叉验证。当存在内生性时，模型能否用于预测未来？姜老师指出，受决策影响的代理人具有操纵输入的动机，这是计量经济学长期面临的挑战，机器学习也是如此。在因果关系不能被识别时，预测结果会失效。这是因为当某种政策施行时，人们也相应会改变策略，最终使得用于预测的变量无效。姜老师以她的一篇合作论文举例说明。银行家们起初根据信用分，工作，收入等情况决定是否发放贷款。但一些聪明的银行家发现在给定信用分数的情况下，工作稳定性，收入等指标不会影响违约率。因此为了节约成本，他们开始不再关注这些信息，只通过信用分数来发放贷款。这样做的结果是这些银行的贷款申请者中绝大部分是信用评分高，但是没有稳定工作和收入的人群。这些人未来的违约率会更高。由于没有考虑到新的贷款标准对贷款申请人行为的影响，使得采用新标准的银行在选择贷款人时存在样本选择偏误。他们通过新标准来筛选贷款申请人的预测模型最终使得他们发放的贷款的违约率大大高于其他银行。姜老师举了经典的“电车困境”难题，并指出这已经成为自动驾驶汽车（以及其他人工智能设备）挑战人类道德伦理的典型例子。在机器学习的世界里，决策过程仅仅根据编码人员预先设定的偏好决定，没有将伦理考虑在内。人工智能可能会产生意想不到的效果 – 鼓励人类社会的价值观更进一步的开放和明确，因为要使一台机器能够做出最适合人类的决定，需要我们自己首先将基本的价值观加以声明，从而使机器基于这些价值观来进行决策。姜老师总结道，机器学习极大地扩展了人类从大型非结构化数据中提取信息的能力，与此同时，机器学习也可能造成研究者意料之外的情形，因此不能完全指望机器学习来提取有目的的信息。她再次强调，识别的关键在于对数据生成背后的经济机制的探查，而不是计量经济学或机器学习本身。就像传统计量经济学中的研究一样，要始终弄清楚你做了什么样的假设前提。在下一次的讲座中，她将通过一个具体的研究项目带领大家理解机器学习和人类学习之间的关系：替代还是补充？Integrating Machine Learning with Econometrics: A Business Application（机器学习与计量经济学的结合：一个研究应用）。本场为姜纬教授系列讲座 “From Students to Researchers: A Preparation.”（从研究生到研究者：转型准备）的第五讲。讲座继续了第四次讲座“从计量经济学到机器学习”的主题。姜纬教授从理论延伸到实践，借助具体研究案例分析，将最前沿的机器学习技术与几十年来教科书和研究生课程所涵盖的传统计量经济学知识相结合，并挖掘其内在联系。即在机器学习中应用传统计量经济学基本方法，设计出针对具体研究问题的应用程序。首先，姜老师提出问题：在开始代理权竞争之前，你会如何预测股东的支持？并引导大家寻找解题思路：是否可以用参数回归的方法解决？或者用非参数模型？或者使用机器学习中的新技术？随后，姜老师带领大家讨论了三种研究工具，分别来自参数估计，非参数估计，以及机器学习技术。董事会是股东选举出来用于监督管理层的代理人组织。每年股东至少会对部分董事进行重新选举。不过在大多数情况下，股东大会都会无条件同意提名委员会所提名的董事人选。因此股东大会对于董事会的任命权往往形式重于实质。有意思的是，有时持不同意见的股东（持异见者）想要通过选举以获得董事会席位，代理权竞争由此产生。通过上市公司在美国证监会数据系统中填报的信息，姜老师指出代理权竞争的三种结果发生的概率分别为：进行投票（30-40%），未经过投票达成共识（40-60%），撤回（20%）。她进一步指出，绝大部分持异见者是对冲基金，而各种机构投资者通常会持有公司大约50%的股份。在她的一篇名为《在选择（代理）竞争之前先选择朋友》的研究论文中，借助投资公司对所投资公司的代理权竞争中的投票记录（N-PX数据）及回归分析指出，机构投资者在投票中起决定性作用，如何在发起代理竞争之前，争取到“朋友”的支持，成为研究的关键。①参数模型估计：通过参数模型估计的固定效应，可以解决一定的内生性问题，但由于不是每家基金都持有所有公司的股票，即每家基金只有针对特定公司的投票权，因此结果可能不具有预测性。类似的例子：若采用绩点（GPA）作为衡量学生学习能力的指标，由于不同学生并未选择完全相同的课程，选择简单课程的学生会获得相对较高的绩点，而能力强的学生可能会因为选择较难的课程挑战自己，导致绩点偏低。因此，用GPA作为衡量学生学习能力的标准，可能不能选出能力最强的学生。同样，利用基金经理持股数据进行简单参数模型估计，也不能很好预测股东的支持程度。②非参数估计：通过两两比较，对对象集合进行排序，然后在成对比较的基础上进行全样本排序，以最小化样本冲突。两两排序避免了要求同行（股东同僚）必须从与总体相同的分布中抽取的假设，因为比较仅基于持有相同股票的基金公司之间进行。用衡量学生学习能力的例子来说明：任意选出两个学生，通过两两比较他们所修的相同课程的分数，不断重复进行下去，可以判断谁的综合学习能力更强。这种方法要求比较是可传递的，即如果A比B好，B比C好，那么A比C好。③机器学习（主成分分析法）：主成分分析法是设法将原来众多具有一定相关性的（如k个）指标，重新组合成新的（如m个）互相无关的综合指标来代替原来的指标，可以降低变量维度。通过使用主成分分析法降维到一维时，第一成分就代表了基金最基本的投票立场。依旧用衡量学生学习能力的例子来说明：通过对上财学生的各科成绩采取主成分分析，那么第一成分内容就可以较为准确地衡量学生的学习能力。一台机器可以勤勉而忠实地吐出电脑处理的分数和载荷，但是机器不能知道，也不能直接告诉我们这些分数和载荷代表什么，无监督的机器学习需要从未标记的数据中发现隐藏的结构/模式。而经济学家会观察并得出结论。他们会意识到“分数”是基金支持持不同意见者的倾向，而“系数”是代理权竞争的优点，得出的结论为：更多的持不同意见者和代理权竞争对股东更有帮助。因此，机器学习与传统计量没有明显的界限，两者相互包容。对于一个给定的研究问题，通常会有多个方法适用，但需要特别注意的是，这些方法都需要进行确定的识别假设，否则无法解释分析结果。姜老师表示，对待机器学习务必保持同理心，机器学习可以增强人的学习能力，但不能取代或创造人类学习本身。在讲座最后，上财金融学院陈选娟教授与姜纬教授就讲座内容进行了更多探讨，进一步深化了大家对讲座主题的理解和思考。在讨论中，姜纬老师表示，机器学习跟传统的计量经济学有很大的重合，许多机器学习方法是在计算能力得到极大提高的前提下，由非参分析方法发展而来。她建议大家增加阅读量，多看各种类型的书籍，获取广泛的知识，与原有的知识进行连接和打通，不断扩大和更新知识体系，从而产生新的研究思路和方法。在论文写作中，更要重视具体问题的论证，在就事论事的基础上，适当提高研究立意。关于研究领域，她表示金融科技相关方向拥有非常大的潜力。一些研究经验：1.现实·理论·证据──谈如何做研究和写论文,2.教授以审稿人的身份谈论文写作和审稿,3.把实证研究进行到底，献给学术路上的人,4.评《如何把实证研究进行到底》,5.为什么你不能发《经济研究》？,6.经济学是科学吗？季刊主编如是说,7.如何写出一篇高质量的论文,8.计量经济学实证论文写作全解析,9.洪永淼教授, 可以为计量经济学代言,10.计量工具让经济学科学化了吗,11.商学院教授们, 别躲在象牙塔里,12.计量经济模型实证分析的正确打开方式,13.美国经济学教育体系和对中国的启示,14.经济学实证研究中的误区，全部是经验,15.计量经济学中的7大误区, 你踩雷了吗？16.邹恒甫教授对年轻学者四句学术箴言,17.你为什么发不了AER和经济研究？18.与AER齐名的期刊主编亲笔信,19.AER, JHR告诉你, 如何在期刊上发论文,20.教授、主编和博士们的文献阅读指南,21.芝大学教授, 自科与社科的真正区别,22.芝大学教授的博士生论文写作指南,23.模型在微观实证研究中到底重不重要,24.萧政:新鲜课题是中国经济学研究的优势,25.好的经济学研究怎么开展,LSE指导文书,26.教授指点计量经济学迷津,27.邹志庄教授计量研究汇结，总结研究经验,28.学术论文写作的碧血剑谱,29.写论文的初期-中期-晚期, 模型-思想权衡,30.顶尖期刊论文的写作策略, 不看后悔终生,31.在顶尖期刊发论文投稿, 拒稿和修改策略,32.经济学论文写作的28条军规,33.如何读英语论文, 怎样读懂英语论文,34.'经济研究'规定论文写作规范与编辑标准,35.史上最全博士论文撰写指导手册,36.SSCI论文写作和投稿技巧指南针,37.顶级经济学期刊发表论文计量方法分析,38.你的论文写作一塌糊涂，我想撕了它,39.权威编辑教你怎样写好学术论文,40.如何写好计量经济学实证分析论文,41.优秀论文写作全攻略，熟读一篇,42.全国“百篇优博”论文的分析,43.一个完整的实证分析框架: 从数据, 模型到结果检验,44.搞实证研究的该如何选题? 一些宝贵经验,45.选择实证研究问题的六个维度, 大有可为,46.实证研究的诀窍, 因果识别,因果识别,47.经济学实证研究中的误区，全部是经验,48.把实证研究进行到底，献给学术路上的人,49.如何正确用计量经济模型实证分析？50.实证经济学走过的三十年，数据、模型和工具的力量，51.'实证研究13篇'功夫秘笈, 中青年学者研究必备锦囊！52.TOP5的QJE主编就顶刊的写作, 投稿, 审稿, 修改和青年学者的顶级期刊成长之道的建议！
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
5年，计量经济圈近1500篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle
计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
