课程资源
经济与商务实证研究方法 2026 春季学期
2026 春季学期 | 中国人民大学商学院研究生课程
本课程围绕简约形式因果推断、因果机器学习、结构估计、LLM 文本分析与 AI 研究自动化五条主线展开，目标不是让学生“更快地写代码”，而是帮助学生在 AI 时代更稳健地提出研究问题、验证识别策略并组织可复现的研究流程。
快速入口
本周安排
第 4 周：现代 DiD 与合成控制
- 核心主题：动态处理效应、Goodman-Bacon 分解、Callaway-Sant’Anna、Sun-Abraham、synthetic control
- 幻灯： 第 4 周讲义
- 详稿： 第 4 周详细讲义
- 配套实验： L4 交错 DiD Monte Carlo.ipynb
- 后续安排：第 5 至第 9 周材料将按授课进度陆续发布
课程概览
简约形式因果推断
双重差分法、断点回归、工具变量、合成控制法与识别诊断。
因果机器学习
双重 / 去偏 ML、因果森林、异质性处理效应与模型验证。
结构估计
需求估计、引力模型、机制分析与反事实政策模拟。
LLM 文本分析
提示标注、效度检验、测量误差诊断与下游经验研究应用。
AI 研究自动化
审计轨迹、复现治理、智能编码与研究流程自动化。
课程动态
新发布 2026-04-25
第 2 周材料已发布
第 2 周《计算基础与工作流》课件与详细讲义现已上线，适合第一次搭建课程工作环境的同学优先使用。
更新 2026-04-19
课程结构调整为 9 周
原先并列的 DiD 内容拆分为“经典 DiD”和“现代 DiD 与合成控制”两周，便于将识别逻辑、估计量差异与实操练习分开消化。
新发布 2026-04-18
第 1 周材料已发布
第 1 周聚焦研究设计、因果推断与 AI 时代的实证研究边界，可作为整个学期的方法总入口。
第一次访问建议
第 1 步：完成安装与配置
先安装 VS Code、Python 插件、Quarto，并确认自己已准备好 Stata 或 R。
第 2 步：通读课程大纲
重点关注成绩构成、AI 使用规范与 9 周材料发布状态，避免把“课程承诺”和“已发布资源”混为一谈。
第 3 步：打开当前讲义
按“当前已发布材料”顺序学习，并优先完成对应实验室练习。
课程联系与安排
| 项目 | 信息 |
|---|---|
| 教师 | 陈志远 |
| 邮箱 | chenzhiyuan@rmbs.ruc.edu.cn |
| 办公地点 | 商学楼316（通州校区） |
| 上课时间 | 周五 14:00-17:30 |
| 上课地点 | 商学楼103（通州校区） |
| 答疑 | 预约制 |
本大纲更新于 2026-04-24。上课时间与地点已确定，课程按 9 周组织。目前已发布第 1 至第 4 周讲义与详稿，第 5 至第 9 周材料将按授课进度陆续更新。
基本信息
| 项目 | 内容 |
|---|---|
| 课程名称 | 经济与商务实证研究方法 |
| 任课教师 | 陈志远 |
| 院系 | 中国人民大学商学院 |
| 邮箱 | chenzhiyuan@rmbs.ruc.edu.cn |
| 办公地点 | 商学楼316（通州校区） |
| 上课时间 | 周五 14:00-17:30 |
| 上课地点 | 商学楼103（通州校区） |
| 答疑方式 | 预约制 |
课程定位
本课程面向经济学、管理学与金融学方向的研究生，目标是在 AI 时代重新组织实证研究训练。课程将研究设计、因果识别、结构建模、文本测量与研究工作流放在同一个框架中讲授，帮助学生从“掌握零散方法”过渡到“能独立组织研究项目”。
课程围绕五条主线展开：
- 简约形式因果推断
- 因果机器学习
- 结构估计
- LLM 文本分析
- AI 研究自动化
课程的核心教学主张是：AI 改变了研究的速度、边界与协作方式，但不会替代识别判断、验证过程与研究者责任。学生需要学会高强度使用 AI 工具，同时保留清晰的审计轨迹、纠错记录与复现能力。
AI 使用规范
课程允许并鼓励使用 Copilot、ChatGPT、Claude、Gemini 等工具辅助编码、调试、文献筛选、提示标注和研究写作，但任何 AI 输出都不能绕过人工验证。
凡使用 AI 的作业、实验或期末项目，必须附上一段简短的工作流附录，至少说明：
- 使用了哪些工具
- 分别用于哪些任务
- 至少一个被采纳的输出示例
- 至少一个被拒绝或修正的输出示例
- 最终结果如何被验证
未披露的 AI 使用将被视为工作流规范违例。
成绩构成
| 组成部分 | 比例 |
|---|---|
| 课堂参与与讨论 | 20% |
| Problem sets 与实验室练习 | 30% |
| AI 工作流备忘录与审计附录 | 10% |
| 期末项目与展示 | 40% |
提交作业时，学生需要同时对“研究结论是否成立”和“工作流是否可复现”负责。代码、笔记本、输出结果与 AI 使用记录应保持可追溯。
9 周安排总览
| 周次 | 主题 | 核心内容 | 配套材料 | 状态 |
|---|---|---|---|---|
| 1 | AI 时代的实证研究 | 研究设计、潜在结果框架、描述性与因果性区分 | 幻灯 / 详稿 | 已发布 |
| 2 | 计算基础与工作流 | VS Code、Python、Stata、Jupyter、仿真与审计轨迹 | 幻灯 / 详稿 | 已发布 |
| 3 | 面板数据与经典 DiD | FE、2x2 DiD、事件研究、聚类标准误 | 幻灯 / 详稿 | 已发布 |
| 4 | 现代 DiD 与合成控制 | Goodman-Bacon 分解、现代估计量、synthetic control | 幻灯 / 详稿 | 已发布 |
| 5 | 因果机器学习 | LASSO、DML、因果森林、异质性效应 | 材料更新中 | 即将发布 |
| 6 | 结构估计基础 | 原语、矩条件、似然、仿真与识别 | 材料更新中 | 即将发布 |
| 7 | 结构估计应用 | 需求估计、引力模型、反事实政策分析 | 材料更新中 | 即将发布 |
| 8 | LLM 文本分析 | 提示分类、效度检验、文本指标进入经验模型 | 材料更新中 | 即将发布 |
| 9 | AI 研究自动化与期末展示 | 文献综述自动化、规格搜索、agentic workflow | 材料更新中 | 即将发布 |
分周安排
第 1 周：AI 时代的实证研究
第 2 周：计算基础与工作流
第 3 周：面板数据与经典 DiD
- 核心主题：面板结构、固定效应、经典 2x2 DiD、事件研究、placebo tests、聚类标准误 Monte Carlo
- 核心阅读：Bertrand, Duflo & Mullainathan (2004)、Cameron & Miller (2015)、Wooldridge DID 讲义、Card & Krueger (1994)
- 实验入口： L3_Clustering_MonteCarlo.ipynb
- 讲义入口： 幻灯 ｜ 详稿
第 4 周：现代 DiD 与合成控制
- 核心主题：动态处理效应、Ashenfelter dip、Goodman-Bacon 分解、Callaway-Sant’Anna、Sun-Abraham、dCdH、BJS、synthetic control 与 synthetic DiD
- 核心阅读：Goodman-Bacon (2021)、Callaway & Sant’Anna (2021)、Sun & Abraham (2021)、Borusyak, Jaravel & Spiess (2024)、Abadie, Diamond & Hainmueller (2010)、Arkhangelsky et al. (2021)
- 实验入口： L4-Diff-in-Diffs-More.ipynb
- 讲义入口： 幻灯 ｜ 详稿
第 5 周：因果机器学习
- 核心主题：prediction versus causation、LASSO、Double / Debiased ML、orthogonalization、causal forests、HTE
- 核心资源：Applied Causal Inference Powered by ML and AI、DoubleML 文档、EconML 文档
- 材料状态：
即将发布
第 6 周：结构估计基础
- 核心主题：原语、矩条件、似然、仿真、识别与反事实逻辑
- 核心说明：本周重点是回答“何时必须引入结构”而不是机械推导公式
- 材料状态：
即将发布
第 7 周：结构估计应用
- 核心主题：BLP 需求估计、引力模型、进入与定价、并购 / 关税 / 平台反事实
- 核心说明：强调经济含义、识别假设与计算实现之间的联动
- 材料状态：
即将发布
第 8 周：LLM 文本分析
- 核心主题：prompt-based classification、construct validity、annotation reliability、测量误差与下游经验模型
- 核心说明：文本分析在本课中被视为一种测量问题，而非单纯的 NLP 技术展示
- 材料状态：
即将发布
第 9 周：AI 研究自动化与期末展示
- 核心主题：文献综述自动化、规格搜索 guardrails、agentic research workflows、复现检查与工作流治理
- 核心说明：期末展示将同时评估研究问题、方法实现与 AI 工作流透明度
- 材料状态：
即将发布
参考与下载
- 本地纯 Markdown 版本： RMEB2026Spring_Syllabus.md
- 课程资源页： 课程资源
- 首页： 课程首页
本页集中整理课程所需的安装说明、核心阅读、研究工具与本地文献库入口。建议第一次访问课程网站的同学先完成“安装与配置”，再回到首页进入当周讲义。
安装与配置
核心软件
VS Code
课程推荐的统一编辑器，用于管理脚本、notebooks、Quarto 文档与项目结构。
Python + Jupyter
用于仿真、数据处理、因果 ML 与 notebook 型实验室作业。
Quarto
用于组织讲义、实验说明与可复现的研究文档输出。
Stata 或 R
用于与 Python 互补地完成传统经验研究、计量实现与结果核对。
建议至少熟悉其中一种，并能完成基础数据处理与回归操作。
核心阅读
简约形式因果推断
适用场景：当研究问题聚焦政策效应、制度冲击或识别设计时，优先从这一组材料建立识别直觉。
- Angrist & Pischke (2009) Mostly Harmless Econometrics
- Angrist & Pischke (2014) Mastering ’Metrics
- Cunningham (2021) Causal Inference: The Mixtape（免费在线版）
- Huntington-Klein (2022) The Effect（免费在线版）
因果机器学习
适用场景：当研究需要高维控制、异质性处理效应或预测模块与因果推断结合时，可从本组材料进入。
- Chernozhukov et al. (2018) - Double / Debiased ML
- Wager & Athey (2018) - Causal Forests
- Applied Causal Inference Powered by ML and AI（免费）
结构估计
适用场景：当研究目标从“估计平均处理效应”转向“理解机制或进行反事实政策分析”时，这部分是关键入口。
- Berry (1994) - BLP 需求估计
- Anderson & van Wincoop (2003) - 引力方程
- Train (2009) Discrete Choice Methods with Simulation（免费 PDF）
LLM 与文本分析
适用场景：当文本被视为测量对象，需要构造指标、验证效度并进入下游实证模型时，可从这里开始。
- Dell (2024) - Deep Learning for Economists（NBER WP 32768）
- Ludwig, Mullainathan & Rambachan (2025) - LLMs as econometric tools（NBER WP 33344）
- Automated Social Science
研究工具与外部链接
DiD
因果 ML
文本分析
写作与复现
本地文献库
课程引用的本地论文与书籍统一放在：
References/UnifiedLibrary/Files/References/UnifiedLibrary/CATALOG.md
如果你正在本地课程仓库中工作，可以直接使用上述路径查找材料；如果你是通过课程发布包或网页访问，请以任课教师提供的课程材料分发方式为准。