实证研究的已经是社科研究的大趋势，成为科研论文举足轻重的研究范式。随着大数据时代的到来，非结构化、高频、多源、多模态数据已经成为社科实证数据的趋势，国内外顶刊发表的论文指标来源日渐丰富。Stata作为计量领域最优质的编程软件，易上手，功能强大，是完成实证数据清洗、实证模型的不二之选。
现开放五门数据清洗录播课程，价值1795元，限时返场，只需666元，拼团399元，若转发本推送到朋友圈并集赞30可获得8折优惠。
《Stata编程与数据清洗》：
Stata菜单、变量创建、变量转换、统计量计算、重复样本、缺漏值、离群值、CFPS、绘图模板、事件研究法、一键显著命令
《经管Python实证编程》：
Python、数字&字符串、布尔值&运算符、循环语句、lambda 函数、推导式、re模块、os模块、csv模块、上市公司、文本数据、重复值、缺失值、“0”值、异常值数据拼接、合并、时间序列
《面板数据的处理》：
Pandas、Datetime、 MultiIndex、Reshaping、Groupby、Merging
《实证指标构建》：
数据库、构建面板、批量读取、高管团队、城市宏观、批量读取、公司年龄、距离
《经管实证数据匹配技巧案例课》：
Python匹配原理、pd.merge、中英文对照、进出口额、高管信息、双边贸易额、宏微观数据匹配、高铁开通
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编程与数据清洗》课程内容
模块一：Stata基础操作
1、Stata菜单操作
2、Stata命令与帮助文件
3、局域暂元与全局暂元
4、条件语句
5、循环语句及异常处理
6、数据标签
7、变量创建、修改、运算
模块二：数据管理与清洗
1、各类数据的导入导出
2、变量类型转换
3、常用统计量计算：分组计算（均值、分位数）
3、重复样本处理
4、缺漏值处理
5、离群值处理
6、数据追加与合并：Append、Merge（一对一、一对多）
7、宽长数据转换
8、文字变量处理（正则表达式）
9、分类变量分析
10、描述性统计量与结果导出
11、相关性矩阵与结果导出
Case1：CFPS数据清洗实例
Case2：Wind、CAMAR数据清洗实例
模块三：数据可视化
1、常见图形的绘制
2、图形选项设置
3、更改绘图模板
4、图形合并
5、图形导出
Case：事件研究法绘图
模块四：高效实证
1、一般事件研究法的初步实现
2、实证研究：调节效应与中介效应进阶
3、显著性：配合reghdfe自动化筛选最优控制变量组合
4、编写一键显著命令OneClick
Case：王锋, 葛星. 低碳转型冲击就业吗——来自低碳城市试点的经验证据[J]. 中国工业经济, 2022(5):19.实证部分
二、《经管Python实证编程》课程内容
模块一：Python基础
01、环境配置与Anaconda Markdown语法
02、Python语言：语法、注解、保留字、变量
03、数据类型——数字&字符串（变量类型设置）
04、数据类型——布尔值&运算符
05、数据类型——数组（列表、元组、集合、字典）
06、条件语句(if else)
07、循环语句和异常处理（for & while & try except）
08、强大的匿名函数lambda 函数
09、高效迭代-推导式
10、Python数据科学：包、模块、类、函数
11、Python标准库re模块（正则表达式库）
12、Python标准库os模块（效率神器）
13、Python标准库csv模块
14、Case1 上市公司文本信息数据指标清洗
15、Case2 处理海量不同格式文件
模块二：面板数据构建
01、Pandas、Numpy介绍
02、重复值、缺失值、“0”值、异常值处理
03、数据表记录(行)与字段(列)处理
04、多重索引、排序、重置数据（stack、melt）
05、分组计算（groupby、transform）
06、计量常用统计量（分组均值、移动平均值、方差、标准差）
07、表格批操作（apply、agg）
08、数据透视表（pivot_table）
09、表格文本数据处理、匹配（extractal）
10、数据拼接、合并（匹配）
11、时间序列处理
12、Case1 A股上市公司年龄、距离等指标构建
13、Case2 上市公司高管团队异质性指标构建
14、Case3 高铁开通标准面板数据构建
15、Case4 城市宏观数据匹配上市公司微观数据
16、Case5 全球各国2002-2020年贸易竞争力指数构建
三、《面板数据的处理》课程内容
本系列课程讲解了如何运用Python中的Pandas进行面板数据的处理，包括以下操作：Datetime, MultiIndex, Reshaping, Groupby, Merging
四、《实证指标构建》课程内容
进行数据清洗，结合多种数据库实现宏观、微观数据匹配，以构建面板数据：
Case1：上市公司文本数据清洗数据指标
Case2：批量读取不同格式文件数据
Case3：A股上市公司年龄、距离等指标构建
Case4：上市公司高管团队异质性指标构建
Case5：标准面板数据生成
Case6：城市宏观数据与上市公司微观数据匹配
模块一：匹配原理
1、Python匹配原理机制
pd.merge等操作
模块二：实战案例
1、公司名称中英文对照匹配
根据已知的公司名称中英文对照表，与符合条件的公司中英文名称匹配
2、中国边境地区进出口额匹配
根据中国边境地区名称和各地区进出口额，匹配得到中国边境地区进出口额
3、上市公司高管信息匹配
根据两个数据库中的公司高管信息，匹配得到上市公司高管信息
4、各国双边商品贸易额匹配
根据各国的进出口贸易额与所需国家信息，匹配得到所需国家的进出口额
5、宏微观数据匹配
上市公司基础数据匹配，再与城市高铁开通数据匹配
