- 博客(6)
- 收藏
- 关注
RSS订阅原创 论文实证分析系列（五）：内生性与工具变量法（IV / 2SLS）详解（含 Python 实现）
回归分析中的内生性问题是导致结果异常或不稳定的关键因素，表现为自变量与误差项相关。主要来源包括遗漏变量、反向因果和测量误差。内生性会导致估计偏差，即使增大样本也无法消除。解决方法包括增加控制变量、使用滞后项或差分，以及工具变量法（IV）。IV法通过引入满足相关性和外生性的工具变量，采用两阶段最小二乘法（2SLS）进行修正。有效性可通过第一阶段F检验和Hansen检验验证。内生性处理对获得准确因果推断至关重要。
2025-10-11 17:45:56
2076
原创 WABA API 接入流程
本文详细介绍了WABA API接入的关键步骤，包括获取Token、获取手机号ID和号码验证流程。重点说明了如何通过BusinessSuite生成AccessToken，使用Graph API查询绑定号码，以及通过SMS验证码完成号码激活。文章还指出手动接入可能遇到的问题，并建议考虑使用自动化工具来简化流程，提高跨境业务适配性。
2025-10-09 17:44:40
359
原创 论文实证分析系列（四）：稳健性检验的几种常用方法（含 Python 示例）
本文介绍了论文实证分析中稳健性检验的重要性及常见方法。稳健性检验旨在验证研究结论在不同模型设定和数据条件下的稳定性，提高结果的可信度。文章概述了三种主要检验方法：增减控制变量、更换估计方法（如使用稳健标准误）和调整样本区间，并提供了相应的Python代码示例。作者强调稳健性检验是论文的必要步骤，而非可选内容，它能有效识别遗漏变量、异方差性和极端值等问题。最后，文章建议了如何在论文中规范表述稳健性检验结果，并推荐了便捷的数据分析工具。
2025-10-09 15:18:31
1588
原创 论文实证分析系列（三）：Logit 与 Probit 回归模型的 Python 实现与对比
本文介绍了二分类变量分析中常用的Logit和Probit回归模型。Logit基于逻辑分布，便于解释比值比；Probit基于正态分布，适用于潜在变量研究。通过Python代码演示了两种方法的实现过程，结果显示二者结论通常一致，主要差异在于分布假设和边际效应计算。建议科研新手从Logit入手，逐步过渡到Probit。文章还推荐了自动化分析工具，可快速获得建模结果和解释。
2025-09-29 14:59:33
359
原创 论文实证分析系列（二）：中介效应分析，Baron & Kenny 三步回归法（Python实现）
中介效应分析是研究自变量如何通过中介变量影响因变量的重要方法。Baron & Kenny的三步回归法是经典分析框架：1）检验X→Y总效应；2）验证X→M关系；3）分析X和M对Y的共同影响。Python实现展示了完整的模拟数据生成和回归分析过程，结果解读需关注各步骤的显著性变化。该方法适用于揭示变量间的作用机制，研究者也可使用专业数据分析平台简化操作。中介效应分析有助于深入理解变量间的因果路径。
2025-09-28 11:50:54
1732
原创 论文实证分析系列（一）：如何在 Python 中做 Hausman 检验？
Hausman检验是面板数据分析中用于选择固定效应（FE）或随机效应（RE）模型的重要工具。通过比较FE和RE估计结果的差异，检验可以判断个体效应是否与自变量相关：若显著相关则选择FE，否则选择RE。Python实现涉及提取系数和协方差矩阵，计算统计量并比较p值。虽然代码实现较为复杂，但专业工具可简化流程，帮助研究者快速获得分析结果。该检验的核心价值在于保证模型选择的合理性，而研究逻辑本身比编程实现更为重要。
2025-09-26 16:41:48
433
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人