      Stata高级，出神入化高级培训

1. 普通小二乘法（OLS）
1.1OLS的基本原理

1.2解读OLS回归结果

1.3残差分析与稳健型估计

1.4 残差分析与稳健型估计

1.5 管理多个回归结果

2.广义小二乘法（GLS）
2.1 GLS的基本思想

2.2 异方差

2.3 序列相关

2.4 似无相关模型（SUR）

3.非线性小二乘法（NLS）
3.1 NLS的基本思想

3.2 NLS程序的编写

3.3 范例：估计动态部分调整模型

4.大似然估计（MLE）
4.1 MLE的基本原理

4.2 似然函数的设定

4.3 程序的调试、起始值的设定和相关问题

4.4 范例：线性回归模型、Logit模型、Probit模型

5.工具变量法与GMM
5.1 内生性问题与工具变量法

5.2 两阶段小二乘法（2SLS）

5.3 广义矩估计法（GMM）

5.4 过度识别检验（Sargan检验与Hausman检验）

5.5 弱工具变量问题

6.时间序列分析
6.1 时间序列资料的处理

6.2 ARIMA模型

6.3 向量自回归（VAR）模型：估计和检验

6.4 向量自回归（VAR）模型：因果检定和冲击反应

6.5 单位根检验

6.6 协整分析和误差修正模型

6.7 ARCH模型（GARCH，E-GARCH，T-GARCH）

7.面板数据模型
7.1 静态面板模型：固定效应 v.s. 随机效应

7.2 时间效应、模型的筛选和常见问题

7.3 异方差、序列相关和截面相关

7.4 内生性问题（面板IV-GMM估计）

7.5 动态面板模型（Difference GMM和System GMM）

7.6 面板随机系数模型

7.7 面板随机前沿模型

7.9 面板协整分析

8.STATA高级程序
8.1暂元的高级功能

8.2暂时性物件

8.3输入项

8.4输出项

8.5可分组执行的程序

8.6可重新显示结果的程序

8.7子程序

8.8程序勘误与调试

8.9帮助文件的编写

9.模拟分析（Simulation）与自体抽样（Bootstrap）
9.1随机数的产生和常用分布

9.2Bootstrap

9.3 Jackknife（刀切法）

9.4 Permutation Tests（组合检验）

9.5 Monte Carlo Simulation（蒙特卡罗模拟分析）

9.6 模拟数据的