为帮助大家搞定使用文本等结构化数据做研究，现特开放两门组合课程，价值1265元，限时返场，只需666元，拼团仅需399元，若转发本推送到朋友圈并集赞30可获得8折优惠。
《Stata实证论文基础》主要知识点：
Stata零基础、常用指令、OLS、merge命令、字符型数据、缺失值、极端值、固定效应、随机效应、虚拟变量、中介效应、稳健性检验、内生性、DID模型、PSM-DID、论文复刻
《Python文本分析&机器学习》主要知识点：
数据清洗、文本分析、中英文词频、个人特征、年报数字化、央行货币政策、年报MD&A、机器学习、one-hot编码、词典法、TF-IDF、词嵌入技术、共现矩阵、注意力测算
课程购买
2、课程退款
由于是知识付费，一旦开通，不接受退款，购买前请仔细咨询客服（微信号ppman008）。
课程内容
一、《Stata实证论文基础》课程内容
1.Stata零基础入门
1.1 Stata操作界面介绍
1.2 数据导入及存储：手动导入数据、命令导入数据、数据存储
1.3 Stata常用指令介绍：变量重命名、删除变量、保留变量、生成变量（分类变量、滞后期）、变量排序、替换变量、条件语句等
1.4 OLS回归原理及应用：回归结果讲解，通过OLS模型案例直观上对如何做一篇实证论文有一个系统的感知
1.5 外部命令安装及结果导出到word
2.Stata数据匹配
2.1 数据横向匹配：merge命令的详细讲解和应用
2.2 数据纵向匹配：append
2.3 循环语句的应用
2.4 字符型数据处理：关键词的提取和替换，字符段的筛选等
2.5 数值型数据处理：四则运算、常用的数据变换、字符和数值的相互转化、分位数
2.6 缺失值的处理
2.7 极端值处理
3.面板数据模型
3.1 面板数据介绍
3.2 固定效应模型（FE）和随机效应模型（RE）：定义面板、模型原理、模型比较
3.3 固定效应（时间、个体、行业）标准误选择等问题
3.4 面板数据回归案例
4.扩展研究及稳健性检验
4.1 分组回归及虚拟变量的应用
4.2 交互项的使用
4.3 中介效应
4.4 调节效应
4.5 多种稳健性检验方法
5.内生性专题
5.1 内生性介绍和类型
5.2 内生性解决（Heckman两步法、工具变量法IV估计\系统GMM）
6.DID专题
6.1 DID模型原理及介绍
6.2 DID应用案例
6.3 多期DID
6.4 PSM-DID
7.显著性调整专题
7.1 解决论文中的不显著问题
7.2 论文写作重点及技巧梳理
8.实证论文复刻
如何从搜集数据到完成一篇论文
二、《Python文本分析&机器学习》课程内容
模块一：Python基础提要（3h）
模块二：词频统计&可视化图（3h）
1、文本分析应用简介
2、中文英文分词及关键词提取
3、中英文词频统计&词云图
Case1：年报电话会议英文文本词频统计
Case2：1979-2021国务院政府工作报告词性标注、词频统计
(中文期刊关注的政府工作报告所有领域，含环保、安全、文教、老龄事业、社会、科技、人才)
Case3：2021年国务院政府工作报告词云可视化
Case4：注意力构建&热力图——2001-2021年省级政府工作报告
（以构建完整全面的环保词频为例，适用任何词频）
模块三：文本量化&指标构建（3h）
Case1 主题提取：基于文本数据提取大量个人特征数据
Case2 词频:2010-2020上市公司年报数字化词频统计（管理层讨论分析部分）
Case3 语调：2003-2021央行货币政策执行报告文本情绪
Case4 相似度：2010-2020年报MD&A披露信息含量计算
模块四：文本机器学习&网络分析（3h）
1、机器学习与政策文本分析
2、文本数据量化：one-hot编码、词典法、TF-IDF、词嵌入技术、共现矩阵
Case1：词嵌入技术“五位一体”建设注意力测算（政、经、文、社、生）
Case2：政策文本分类算法
Case3：基于LDA模型的政策文本挖掘
Case4：文本网络分析：关键词&主题共现网络
参考文献：
[1]胡楠,薛付婧,王昊楠.管理者短视主义影响企业长期投资吗？——基于文本分析和机器学习[J].管理世界,2021,37(05):139-156+11+19-21.
[2]吴非,胡慧芷,林慧妍,任晓怡.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(07):130-144+10.
[3]马长峰, 陈志娟, 张顺明. 基于文本大数据分析的会计和金融研究综述[J]. 管理科学学报, 2020, 23(9):12.
[4]冉雅璇,李志强,刘佳妮,张逸石.大数据时代下社会科学研究方法的拓展——基于词嵌入技术的文本分析的应用[J].南开管理评论，2021.
[5]曾庆生. 年报语调与内部人交易:"表里如一"还是"口是心非"?[J]. 管理世界, 2018, 34(9):18.
[6]梁日新, 李英. 年报文本语调与审计费用——来自我国A股上市公司的经验数据[J]. 审计研究, 2021(5):11.
[7]孟庆斌,杨俊华,鲁冰.管理层讨论与分析披露的信息含量与股价崩盘风险——基于文本向量化方法的研究[J]. 中国工业经济, 2017(12): 132-150.
[8]申伟宁, 柴泽阳, 张韩模. 异质性生态环境注意力与环境治理绩效--基于京津冀《政府工作报告》视角[J].软科学,2020,34(9):7.
[9]陈诗一,陈登科.雾霾污染、政府治理与经济高质量发展[J].经济研究,2018,53(02):20-34.
[10]姜富伟,胡逸驰,黄楠.央行货币政策报告文本信息、宏观经济与股票市场[J].金融研究,2021,(06).
[11]Kai Li, Feng Mai, Rui Shen, Xinyan Yan, Measuring Corporate Culture Using Machine Learning, The Review of Financial Studies,2020
[12Loughran T, McDonald B. Textual analysis in accounting and finance: A survey[J]. Journal of Accounting Research, 2016, 54(4): 1187-1230. Author links open overlay panelComputational socioeconomics
[10]Berger, Jonah, Ashlee Humphreys, Stephan Ludwig, Wendy W. Moe, Oded Netzer, and David A. Schweidel. "Uniting the tribes: Using text for marketing insight." Journal of Marketing 84, no. 1 (2020): 1-25.
[11]Mikolov T , Chen K , Corrado G , et al. Efficient Estimation of Word Representations in Vector Space[J]. Computer Science, 2013.
