新书: The SAGE Handbook of Regression Analysis and Causal Inference

Stata连享会 精彩推文1 || 精彩推文2

Best, H., C. Wolf. The sage handbook of regression analysis and causal inference[M]. SAGE, 2014. link

简要评价:虽然都是大牛写的,但内容不上不下。有些基本概念是讲的比较清楚,但基本上仅限于对某个话题的入门介绍。若想深入学习,尚需进一步阅读作者提供的参考文献。这个手册的好处是,每一个专题都配了一个实例,有些作者还在自己的主页上提供了相应的数据和程序,作为练习资料还是不错的。

  • Chapter 1: Introduction

Part I: Estimation and Inference

  • Chapter 2: Estimation Techniques: Ordinary Least Squares and Maximum Likelihood
  • Chapter 3: Bayesian Estimation of Regression Models

Part II: Regression Analysis for Cross-Sections

  • Chapter 4: Linear Regression
  • Chapter 5: Regression Analysis: Assumptions and Diagnostics
  • Chapter 6: Non-Linear and Non-Additive Effects in Linear Regression
  • Chapter 7: The Multilevel Regression Model
  • Chapter 8: Logistic Regression
  • Chapter 9: Regression Models for Nominal and Ordinal Outcomes
  • Chapter 10: Graphical Display of Regression Results
  • Chapter 11: Regression with Complex Samples

Part III: Causal Inference and Analysis of Longitudinal Data

  • Chapter 12: Matching Estimators for Treatment Effects
  • Chapter 13: Instrumental Variables Regression
  • Chapter 14: Regression Discontinuity Designs in Social Sciences
  • Chapter 15: Fixed-Effects Panel Regression
  • Chapter 16: Event History Analysis
  • Chapter 17: Time-Series Cross-Section

关于我们

  • Stata 连享会(公众号:StataChina)】由中山大学连玉君老师团队创办,旨在定期与大家分享 Stata 应用的各种经验和技巧。
  • 公众号推文同步发布于 【-Stata连享会】 和 【知乎-连玉君Stata专栏】。可以在知乎中搜索关键词StataStata连享会后关注我们。
  • 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。

Stata连享会 精彩推文1 || 精彩推文2

联系我们

  • 欢迎赐稿: 欢迎将您的文章或笔记投稿至Stata连享会(公众号: StataChina),我们会保留您的署名;录用稿件达五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
  • 意见和资料: 欢迎您的宝贵意见,您也可以来信索取推文中提及的程序和数据。
  • 招募英才: 欢迎加入我们的团队,一起学习 Stata。合作编辑或撰写稿件五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
  • 联系邮件: [email protected]

往期精彩推文

Stata连享会推文列表

Stata连享会 精彩推文1 || 精彩推文2


新书: The SAGE Handbook of Regression Analysis and Causal Inference_第1张图片
欢迎加入Stata连享会(公众号: StataChina)

你可能感兴趣的:(新书: The SAGE Handbook of Regression Analysis and Causal Inference)