     Stata高級培訓

1. 普通小二乘法（OLS）
1.1OLS的基本原理

1.2解讀OLS回歸結果

1.3殘差分析與穩健型估計

1.4 殘差分析與穩健型估計

1.5 管理多個回歸結果

2.廣義小二乘法（GLS）
2.1 GLS的基本思想

2.2 異方差

2.3 序列相關

2.4 似無相關模型（SUR）

3.非線性小二乘法（NLS）
3.1 NLS的基本思想

3.2 NLS程序的編寫

3.3 范例：估計動態部分調整模型

4.大似然估計（MLE）
4.1 MLE的基本原理

4.2 似然函數的設定

4.3 程序的調試、起始值的設定和相關問題

4.4 范例：線性回歸模型、Logit模型、Probit模型

5.工具變量法與GMM
5.1 內生性問題與工具變量法

5.2 兩階段小二乘法（2SLS）

5.3 廣義矩估計法（GMM）

5.4 過度識別檢驗（Sargan檢驗與Hausman檢驗）

5.5 弱工具變量問題

6.時間序列分析
6.1 時間序列資料的處理

6.2 ARIMA模型

6.3 向量自回歸（VAR）模型：估計和檢驗

6.4 向量自回歸（VAR）模型：因果檢定和沖擊反應

6.5 單位根檢驗

6.6 協整分析和誤差修正模型

6.7 ARCH模型（GARCH，E-GARCH，T-GARCH）

7.面板數據模型
7.1 靜態面板模型：固定效應 v.s. 隨機效應

7.2 時間效應、模型的篩選和常見問題

7.3 異方差、序列相關和截面相關

7.4 內生性問題（面板IV-GMM估計）

7.5 動態面板模型（Difference GMM和System GMM）

7.6 面板隨機系數模型

7.7 面板隨機前沿模型

7.9 面板協整分析

8.STATA高級程序
8.1暫元的高級功能

8.2暫時性物件

8.3輸入項

8.4輸出項

8.5可分組執行的程序

8.6可重新顯示結果的程序

8.7子程序

8.8程序勘誤與調試

8.9幫助文件的編寫

9.模擬分析（Simulation）與自體抽樣（Bootstrap）
9.1隨機數的產生和常用分布

9.2Bootstrap

9.3 Jackknife（刀切法）

9.4 Permutation Tests（組合檢驗）

9.5 Monte Carlo Simulation（蒙特卡羅模擬分析）

9.6 模擬數據的