波茨坦气候影响研究所 (PIK) 新成立的未来实验室正在招聘一名因果气候政策分析博士后研究员。成功候选人将参与与 Nicolas Koch（MCC 和 IZA）和 Felix Pretis（维多利亚大学和牛津大学）的联合研究项目，旨在对有效的气候政策进行全球和跨部门的因果评估。我们希望候选人能够共同领导以政策为导向、数据密集型的计量经济学研究，以我们之前的工作为基础并进一步发展。目标是将机器学习与程序评估工具配对，以在标准方法有限的环境中估计因果处理效应。标准：经济学或相关领域的博士学位（或即将完成博士学位），计量经济学方法的强大技能以及环境和气候变化经济学的专业知识和研究兴趣，强大的编码技能
IAAE 2022 年年会国际应用计量经济学协会征文截止日期：2022 年 2 月 15 日伦敦国王学院2022 年 6 月 21 日至 24 日 IAAE 讲座Joshua Angrist，麻省理工学院特邀演讲嘉宾Xiaohong Chen，耶鲁大学Sílvia Gonçalves，麦吉尔大学Jesús Gonzalo，马德里卡洛斯三世大学Refet S. Gürkaynak，比尔肯特大学Michael Keane，新南威尔士大学Jonathan Wright，约翰霍普金斯大学后勤：会议将于 2022 年 6 月 21 日至 24 日在英国伦敦国王学院大学举办。我们计划亲自组织会议。请关注此
Machine Learning and Central Banking
当然，机器学习 (ML) 现在无处不在。几十年来，时间序列分析视角一直与 ML 相匹配（简约预测模型允许错误指定；样本外评估；集合平均等），因此即使存在许多差异，也存在许多重叠领域。有趣的是，ML 在中央银行环境中变得特别有用。例如，费城联邦储备银行现在明确招募和聘用“机器学习经济学家”。目前他们有三个，他们正在寻找第四个！在这方面，特别有趣的是，《计量经济学杂志》正在征集关于“经济政策机器学习”的特别专题论文，客座编辑来自各种领先的中央银行和大学。请参阅 https://www.bankofengland.co.uk/events/2022/october/call-for-papers-m
到目前为止，我从未成为弱 ID 文献的忠实粉丝。我一直觉得，如果你最终得到弱 ID，那么是时候更深入地思考底层经济学，而不是花哨的计量经济学了。但这篇文章让我大开眼界，改变了我的想法。太酷了。长期记忆的弱识别及其对推理的影响作者：Jia Li（新加坡管理大学）；Peter C. B. Phillips（考尔斯基金会、耶鲁大学、奥克兰大学、新加坡管理大学、南安普顿大学）；Shuping Shi（麦考瑞大学）；Jun Yu（新加坡管理大学）摘要：本文探讨了常用的经济和金融时间序列模型中出现的弱识别问题。两种非常流行的配置被证明是渐近观察等效的：一种具有长期记忆和弱自回归动态，另一种具有反持续冲击和
泰德是 20 世纪最伟大的统计学家/计量经济学家之一。我感觉和他很亲近，因为我以前的宾夕法尼亚大学同事 Larry Klein 曾在 20 世纪 40 年代与他在考尔斯学院密切合作，另一位前同事 Bobby Mariano 在 1970 年左右来到宾夕法尼亚大学之前曾是他在斯坦福大学的学生。我记得他在职业生涯后期在宾夕法尼亚大学举办过一次关于单位移动平均根的研讨会。他开始得非常慢，例如定义“时间序列”和“协方差平稳性”之类的东西。有些人翻白眼。十分钟后，他已经远远超越了界限。没有人翻白眼。事实上，人们都惊呆了。当我在 20 世纪 90 年代访问斯坦福大学参加研讨会时，他为我铺上了红地毯。他为我
Something May Be Wrong With Me
我突然意识到我可能有问题。在一篇正在撰写的新论文中，我想引用著名且出色的 Sims, Stock and Watson (1990)。我在 Jim Stock 的哈佛网站上找到了 bibtex。很好。然后我注意到它将作者列为 Stock、Sims 和 Watson。好的，很好，我将其更改为正确的字母顺序 Sims、Stock 和 Watson。（可能只是 Jim 的行政助理在为他夸大其词。）无论如何，我还注意到 bibtex 省略了中间首字母，只给出了 C. Sims、J. Stock 和 M. Watson。令人惊奇的是，也是为什么我可能有问题的原因在于，我能够立即凭记忆提供完整的 C.A.
这真是让我震惊。真是太有见地了。在另一个背景下，等权重组合规则！另请参阅我与 Minchul Shin 合作的论文，这些论文分别明确指出了点预测和密度预测的权重相等：Diebold, F.X. 和 Shin, M. (2019)，“机器学习用于正则化调查预测组合：部分平等的套索及其衍生物”，《国际预测杂志》，35，1679-1691。Diebold, F.X.、Shin, M. 和 Zhang, B. (2022)，“关于概率评估的聚合：欧元区通胀和实际利率的正则化预测密度混合”，《计量经济学杂志》，即将出版。工作论文，arXiv:2012.11649。HAR 模型中的预测组合难题作者：Cle
Airline Pilot Training And The Anxiety It Produces Today
飞行员训练轻松吗？当我第一次在航空公司飞行学校环境中开始专业飞行训练时，会感到一定程度的不适。成为一名新聘用的航空公司飞行员有点像从消防站喝水，因为一切都是新的。当时的模拟器训练更加困难，因为联邦航空管理局和各航空公司从未考虑过飞行训练中涉及的人为因素。因此，为了了解当今当前的培训文化，回顾过去非常有帮助。历史总是可以证明我们已经发展了多远，并让我们看到了未来飞行员计划可以改进多少的希望。为成为一名专业飞行员做好准备我在 727 飞行工程师学校开始学习，当时的飞机手册比我的腿还粗。信息量非常大，有人认为最了解情况的航空公司飞行员是了解飞机每一个细微差别的人，他们实际上也可以制造一架飞机。我们称
这是我最新的也是最终的建议阅读书单：Bellego, C. 和 L-D. Pape，2019 年。处理回归模型中的零对数。CREST 工作文件 No. 2019-13。Castle, J. L.、J. A. Doornik 和 D. F. Hendry，2018 年。选择预测模型。牛津大学经济学系，讨论文件 861。Gorajek, A.，2019 年。善意的经济学家。澳大利亚储备银行，研究讨论文件 RDP 2019-08。Güriş, B.，2019 年。一种新的具有傅立叶函数的非线性单位根检验。统计通信 - 模拟和计算，48，3056-3062。Maudlin, T.，2019 年。世界的
以下是本月推荐阅读的精选：Athey, S. & G. W. Imbens，2019 年。经济学家应该了解的机器学习方法。Mimeo。Bhagwat, P. & E. Marchand，2019 年。关于适当的贝叶斯但不可接受的估计量。美国统计学家，在线。Canals, C. & A. Canals，2019 年。什么时候 n 足够大？寻找合适的样本量来估计比例。《统计计算与模拟杂志》，89，1887-1898。Cavaliere, G. & A. Rahbek，2019 年。时间序列模型中假设的引导检验入门：应用于双自回归模型。讨论文件 19-03，哥本哈根大学经济学系。Chudik, A.
A Permutation Test Regression Example
在上周的一篇文章中，我谈到了排列（随机化）检验，以及它们与我们在计量经济学中通常使用的（经典参数）检验程序有何不同。我假设您已经阅读了该文章。（可能在某个时候会有一次小测验！）我承诺会提供一个基于回归的示例。毕竟，我在上一篇文章中介绍的两个示例旨在揭示排列/随机化检验的基本原理。它们确实没有太多“计量经济学内容”。在下文中，我将交替使用术语“排列检验”和“随机化检验”。我们在这里要做的是查看一个简单的回归模型，看看我们如何使用随机化检验来查看回归变量 x 和因变量 y 之间是否存在线性关系。请注意，我说的是“简单回归”模型。这意味着只有一个回归量（除了截距）。多元回归模型为置换检验提出了各种各
本月我的阅读清单与往常略有不同。我回顾了《计量经济学》和《计量经济学杂志》的往期期刊，并挑选了一些恰好发表在这些期刊 7 月期刊上的重要且有趣的论文。以下是我为您推荐的：Aigner, D.、C. A. K. Lovell 和 P. Schmidt，1977 年。《随机前沿生产函数模型的公式和估计》。《计量经济学杂志》，6，21-37。Chow, G. C.，1960 年。《两个线性回归系数集之间的相等性检验》。《计量经济学》，28，591-605。Davidson, R. 和 J. G. MacKinnon，1984 年。《logit 和 probit 模型的便捷规范检验》。计量经济学杂志，
农业与应用经济学协会 (AAEA) 最近在佐治亚州亚特兰大举行了年度会议。您可以在此处找到详细的计划。今年，我有幸能够出席并参与其中。这要感谢 AAEA 执行委员会成员 Marc Bellemare 的盛情邀请，他当然也是一位博主，你们中的许多人无疑都关注他。（如果您还没有关注，那么您应该关注！）Marc 安排了一场会议，在会上他和我讨论了“食谱式”计量经济学教学方法的利弊。会议出席人数众多，大部分时间都用于与观众进行非常有益的讨论-问答环节。正如您从我以前的一些帖子（例如，这里和这里）中了解到的那样，我并不是“食谱式”方法的忠实粉丝 - 至少，如果它是计量经济学教学的主要/唯一方法的话。Ma
Seasonal Unit Roots - Background Information
最近有一封电子邮件询问我们在非平稳季节性数据中使用的语言，以及我们应该如何应对“季节性单位根”的存在，这让我觉得有必要就其中一些问题写一篇简短的背景文章。为了从以下内容中获得最大的收获，我建议您快速浏览一下我之前的帖子 - 尤其是确保您理解时间序列数据中“确定性”季节性和“随机季节性”之间的区别。有大量关于随机季节性和季节性单位根测试的计量经济学文献，至少可以追溯到 1990 年。这几乎不是一个新话题，但它在实证应用中经常被忽视。虽然有几种季节性单位根测试可用，但最常用的是 Hylleberg 等人 (1990) 提出的测试 - 以下简称“HEGY”。根据您喜欢使用的统计/计量经济学软件包，您
Everything's Significant When You Have Lots of Data
嗯......其实不然！表面上看起来是这样，但那是因为你可能使用了完全不恰当的衡量标准来衡量什么是（统计上）显著的，什么不是。我在之前的一篇文章中谈到了这个问题，我说：“Granger（1998 年、2003 年）提醒我们，如果样本量足够大，那么几乎不可能不拒绝任何假设。因此，如果样本非常大，并且回归模型中估计系数相关的 p 值约为 0.10 甚至 0.05，那么这真是个坏消息。当样本量达到数千甚至更大时，我们需要更小的 p 值，然后我们才会对“统计上显著”的结果感到兴奋。”这个一般性观点，即我们选择的显著性水平应该随着样本量的增加而降低，大多数统计学家和计量经济学家都非常理解。 （例如，参见
多年来，我做过一些有偿计量经济学咨询工作 - 在美国、新西兰、澳大利亚、英国和加拿大。每一份工作都很有趣，也很有收获，而且我总是能从我所承担的任务中学到很多东西。前几天，一个朋友问我：“哪份咨询工作最有趣？”其实，答案很简单！几年前，我为渥太华的加拿大审计长办公室提供咨询。我之所以被聘用，是因为我曾为新西兰税务局提供过逃税问题的咨询，并且我与 Lindsay Tedds 合著了一本关于加拿大“地下经济”的书。那么，审计长办公室的咨询工作到底是什么呢？嗯，他们正在对当时称为加拿大税务局（现为加拿大税务局）的机构进行审计。换句话说，就是“税务人员”！虽然这次审计的报告是公开记录，但我不会在这里讨论
现在到了——北美已经是劳动节周末了，我们都知道这意味着什么！又到了开学时间。你需要一份阅读清单，以下是一些建议：Frances, Ph. H. B. F.，2019 年。专业预测员和 1 月。计量经济学研究所研究论文 EI2019-25，鹿特丹伊拉斯姆斯大学。Harvey, A. & R. Ito，2019 年。当某些观测值为零时对时间序列进行建模。计量经济学杂志，正在印刷中。Leamer, E. E.，1978 年。规范搜索：使用非实验数据的临时推理。威利，纽约。（这是合法的免费下载。）MacKinnon, J. G.，2019 年。集群稳健推理如何改变应用计量经济学。工作论文 1413，皇
正如您已经知道的，我是 EViews 计量经济学软件包的忠实粉丝。在教授经济统计学和计量经济学时，我一直认为它是一种非常棒、用户友好的资源，而且我在自己的研究中也广泛使用它。最近，我和许多其他 EViews 用户有机会“试用”此软件包最新版本 EViews 11 的测试版。EViews 11 现已正式发布，它具有一些很棒的新功能。（单击那里的链接可查看一些非常有用的视频。）要查看现在可用的内容，请在此处查看。更新不错。谢谢！© 2019，David E. Giles
