课程资源
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。