收藏! 想学结构估计? 这份“教材-文献-课程-软件”全栈资源清单请收好, 并附学习建议.

正文

请到「今天看啥」查看全文

Victor Aguirregabiria and Pedro Mira (2007), "Sequential Estimation of Dynamic Discrete Games," Econometrica， 提出了嵌套伪似然（NPL）算法用于估计动态博弈模型。

Emmanuel Guerre, Isabelle Perrigne, and Quang Vuong (GPV, 2000), "Optimal Nonparametric Estimation of First-Price Auctions," Econometrica， 这篇论文是拍卖模型非参数估计领域的开创性工作。

5️⃣在线课程、讲义与暑期学校

除了传统的纸质版资源，还有许多高质量的在线资源可以辅助结构估计的学习，包括公开课、课程讲义、讲座视频以及暑期学校材料。

MIT OpenCourseWare (OCW)，例如其 14.382 计量经济学研究生课程的讲义，通常涵盖了结构方程模型、工具变量、GMM、欧拉方程、非线性 GMM 等与结构估计密切相关的主题，由顶尖学者讲授。

动态结构计量经济学 (DSE) 暑期学校与会议系列 （https://www.econometricsociety.org/regional-activities/schedule/2025/06/30/2025-Econometric-Society-Summer-School-in-Dynamic-Structural-Econometrics） ， 这是一个重要的交流平台，提供来自该领域顶尖研究者的讲座和材料，很多视频和课件通常会在线发布，是了解前沿和方法的宝贵资源。

教授的课程材料，许多在该领域有深入研究的教授会将他们的课程大纲、讲义或甚至习题和代码发布到个人网页或课程网站上。这些材料往往包含了对特定主题或方法的独到见解和深入讲解，例如关于结构估计课程的阅读清单、结构估计概览讲义、经验产业组织课程中关于静态和动态博弈的阅读材料、结构建模课程材料、关于约束优化方法的讲义、关于生产函数结构识别的讲义等。查找知名学者的相关课程主页常能发现宝藏。

巴塞罗那经济学院 (BSE) 暑期学校：常开设与结构估计相关的课程，如“政策评估的动态结构模型”等。

Cemmap (UCL)，曾举办由领域内著名学者主讲的结构计量经济学大师班。

IMF 宏观计量预测课程 (edX)， 虽然侧重于预测，但也涵盖了 VAR 模型等基础内容，这些知识对构建某些类型的结构模型可能有所帮助。

6️⃣软件包与文档

掌握至少一种主流统计软件并熟悉其在结构估计中的应用是进行实践的必要条件。不同的软件各有优势，且通常需要结合其矩阵编程语言或通过用户自定义程序来实现复杂的结构模型。

MATLAB，长期以来是结构估计领域的常用软件，其 Econometrics Toolbox 和 Optimization Toolbox 提供了基础功能。MATLAB 特别适用于动态规划问题的求解和复杂模型的自定义模拟和估计编程实现。一些学者也分享了使用 MATLAB 编写的特定结构模型的代码（如混合 Logit 模型）。

R， 拥有强大的统计分析生态系统。CRAN Task View 中的计量经济学任务视图列出了许多相关的程序包，包括用于离散选择模型、GMM 估计以及通用优化（如内置的 optim 函数）的包。许多在线课程讲义和学术资料也会提供使用 R 进行结构估计的示例代码。

Python，在经济计量学领域迅速普及，拥有如 Statsmodels（包含多种基础和离散选择模型、GMM 等）、Linearmodels（用于 IV 和面板 GMM）、PyBLP（专门用于 BLP 需求估计）等功能强大的库。此外，NumPy 和 SciPy 等通用科学计算库提供了丰富的数值优化功能。一些在线资源也提供了使用 Python 进行结构估计的示例代码。

Julia， 一个相对较新但发展迅速的语言，因其在高性能数值分析方面的优势而受到关注。QuantEcon.jl 提供了量化经济学和动态规划相关的功能，也有专门用于模拟矩估计（如 SMM.jl）和 DSGE 模型（如 DSGE.jl, Dynare.jl）的包。其强大的优化包（如 Optim.jl, Ipopt.jl, JuMP.jl）和易于编写高性能代码的特性使其非常适合计算密集型的结构模型。一些入门材料也提供了简单的 Julia 结构模型示例代码。

特定算法代码， 一些开创性论文的作者或后续研究者会公开他们实现的特定算法代码，例如 John Rust NFXP 算法的相关软件和手册链接，以及 Aguirregabiria and Mira CCP/NPL 算法的实现（可能最初用特定语言如 Gauss 编写）。这些代码是理解算法细节和进行实践的宝贵资源。

充分利用上述软件和代码资源进行实践，例如尝试复现经典论文的结果、估计简化的结构模型，或者基于现有代码进行修改和扩展，是巩固理论知识、理解方法细节、提升应用能力的有效途径。许多课程讲义和在线资源都包含可供学习和实践的代码片段。

---

最后，提供一些实用的学习建议和鼓励，帮助年轻学者更有效地攻克结构估计这一具有挑战性的领域。

首先，耐心与坚持的重要性。

学习结构估计模型绝非一蹴而就。它深度融合了经济理论、高等计量经济学以及复杂的计算技能，构建了一个陡峭的学习曲线。因此，初学者需要充分认识到这一点，并准备投入大量的时间和精力。在学习过程中遇到困难和挫折是完全正常的现象，关键在于保持耐心，不轻言放弃，持之以恒地探索。对知识的理解往往是一个迭代深入的过程，在接触新内容的同时，不断回顾、梳理和反思已学过的知识点，将有助于构建更稳固、融会贯通的知识体系。

其次，从简入繁，循序渐进。

对于初学者而言，一个明智且高效的学习策略是从相对简单、基础的模型入手，逐步过渡到更复杂、更具挑战性的模型。例如，可以先从理解和实现基础的二元或多项 Logit 等静态离散选择模型开始，在充分掌握其核心假设、模型推导和基本估计方法之后，再尝试学习动态离散选择模型、静态或动态博弈模型，或包含复杂未观测异质性的模型。在学习每一种模型类型时，都要特别注意理解其核心经济学假设及其在经验应用中的局限性，这对于正确构建模型、选择合适的估计方法以及准确解读实证结果至关重要。

然后，复现与编程练习的价值。

结构估计的学习，实践是不可或缺的环节。仅仅通过阅读教科书和文献，很难真正掌握其精髓；必须通过动手操作来深化理解和提升能力。尝试复现已发表论文的结果（在数据和代码可得的情况下）是一项极具价值的学习活动，它能帮助你理解模型的具体计算实现细节，并在实践中遇到并解决各种真实的技术难题。

同时，认真完成教科书或在线课程提供的编程练习，从修改现有代码开始，逐步过渡到独立编写复杂的估计程序，是提升编程技能的关键路径。学习的重点应在于理解代码是如何将抽象的经济理论和计量方法转化为计算机可执行的指令和算法，而非仅仅机械地运行代码。这种主动、基于实践的学习方式（编程、复现、解决实际问题），远比被动阅读更有效，是掌握结构估计的关键。

再次，寻求指导与合作。

在学习这样一个复杂的领域时，遇到困惑和难以逾越的障碍是很自然的。此时，及时寻求帮助和与他人交流讨论，可以显著提高学习效率，避免长时间陷入困境。如果身处学术环境中，应积极向在结构估计领域有专长的教授请教，他们的经验和指导能够帮助初学者理清思路、少走弯路。

与同学或研究伙伴进行同伴学习也非常有益，可以一起讨论课程内容、合作完成作业或小型研究项目，在相互启发和答疑中共同进步。参加相关的学术研讨会、工作坊或暑期学校，了解结构模型在当前研究中的最新进展和应用实例，有助于开阔视野，激发研究兴趣，并有机会向领域内的专家请教。

最后，持续学习：追踪结构估计的演进

结构估计是一个不断发展和演进的领域，新的理论模型、估计方法、计算技术和应用场景层出不穷。因此，保持持续学习的热情和能力对于在该领域走得更远至关重要（做牛马，😄）。应习惯于追踪前沿研究动态，阅读顶级经济学期刊和主流工作论文系列，了解最新的模型构建思路和估计方法。同时，新方法的出现往往是在现有理论和方法基础上的扩展或改进，因此，在学习新知识的同时，也需要时常回顾和巩固基础概念，理解其内在联系和发展脉络。

学习过程中遇到的“失败”，例如代码调试困难、优化算法不收敛、模型拟合不佳等，都是宝贵的学习机会。通过分析和解决这些问题，可以更深刻地理解模型的假设、识别条件以及实际应用中的各种挑战。学术界也提供了丰富的支持资源，例如各种专门的暑期学校、在线开放课程以及大量教授公开的讲义和代码，善用这些资源将极大地助力你的结构估计学习之旅。

*可以进一步到社群交流讨论计量问题。

关于结构估计，参考1. 最新: 我国学者研究美国问题发AER,关键都不在美国工作, 结构估计, 政策反事实, 实证策略. 2. 宋铮等这篇文章终于在TOP刊发出来了! 标题太有趣. 交叠DID, 事件研究法, 结构估计, 引力模型测度 ，3. 有趣! 经济学各领域实证方法的横向比较和纵向演变, 为啥有的领域用结构估计, 但其他领域不呢？ 4. AER来了! 香港房地产市场与港府2047年土地租约, 结构估计与DDD, PSM, 交互项机制！ 5. 量化空间经济学的方法: 从简约式到结构式估计 ，6. 浙大和上交发了TOP5! 事关中国土地与劳动力流动问题, 结构估计与面板数据！ 7. 最新TOP5: 历时超过5年首次实证评估中国产业政策+结构估计！ 8. 对Wolpin极为失望! 批评简约估计现状没用, 推销结构估计也徒劳, 批评只会让简约团结起来！ 9. 气不过直接写书抨击简约式估计, 这位TOP刊主编为结构估计呐喊和战斗到底！ 10. 经验研究方法三大武器: 简约估计, 结构估计与机器学习 ，11. 昨日教授强调结构式估计, 但他最新基于DID的简约式估计的研究毫无违和感 ，12. 博士必读: 迈向基于实证设计的因果推断, 结构估计与因果推断之间的相似之处！ 13. 结构估计和简约式估计区别的一个讲义 ，14. 阿里巴巴效应: 结构模型与简约估计结合的典范

请到「今天看啥」查看全文