9  阅读清单

本章只提供一份可执行的阅读清单。每一类保留少量入口，书目后面的链接分别指向资料主页、公开 PDF、代码仓库或检索页面。读者不需要一次读完全部资料；遇到具体研究问题时，按主题选择一两项即可。

读书单时先问一个问题

资源解决的是哪一种识别困难？它依赖什么假设？它有没有可以运行的最小例子？能回答这三个问题，书单才会转化为研究训练。

9.1 核心教材与方法书

这些书适合建立共同语言：处理效应、反事实、识别假设、研究设计和推断。建议选一两本通读，再把其他书当作工具书。

  1. Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press. Link Google.
  2. Angrist, J. D., & Pischke, J.-S. (2015). Mastering ’Metrics: The Path from Cause to Effect. Princeton University Press. Link Google.
  3. Imbens, G. W., & Rubin, D. B. (2015). Causal Inference for Statistics, Social, and Biomedical Sciences. Cambridge University Press. Link Google.
  4. Hernán, M. A., & Robins, J. M. (2025). Causal Inference: What If. Link PDF Google.
  5. Morgan, S. L., & Winship, C. (2015). Counterfactuals and Causal Inference: Methods and Principles for Social Research (2nd ed.). Cambridge University Press. Link Google.
  6. Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. Link Google.
  7. Rosenbaum, P. R. (2020). Design of Observational Studies (2nd ed.). Springer. Link Google.

9.2 在线书、课程与专题指南

在线书适合边读边运行示例，也适合在写论文时快速查某一种设计。专题论文则用于理解方法为什么需要更新，以及旧估计量在哪些设定下会失效。

  1. Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. 在线书 课程视频 Google.
  2. Huntington-Klein, N. (2021). The Effect: An Introduction to Research Design and Causality. 在线书 Google.
  3. Facure, M. (2022). Causal Inference for the Brave and True. 在线书 GitHub Google.
  4. Ding, P. (2023). A First Course in Causal Inference. Link PDF Google.
  5. Roth, J., Sant’Anna, P. H. C., Bilinski, A., & Poe, J. (2022). What’s trending in difference-in-differences? A synthesis of the recent econometrics literature. Journal of Econometrics, 235(2), 2218–2244. Link PDF Google.
  6. Baker, A., Callaway, B., Cunningham, S., Goodman-Bacon, A., & Sant’Anna, P. H. C. (2025). Difference-in-Differences Designs: A Practitioner’s Guide. Link PDF Google.
  7. Chernozhukov, V., et al. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1–C68. Link Google.
  8. Ahrens, A., Hansen, C. B., & Schaffer, M. E. (2024). ddml: Double/debiased machine learning in Stata. The Stata Journal, 24(3), 559–582. Link 文档 Google.

9.3 方法论文与软件、代码入口

这类资源适合从书本回到具体研究。使用前先明确目标参数、处理组和对照组，再检查软件实现是否对应自己的设定。

  1. Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative case studies. Journal of the American Statistical Association, 105(490), 493–505. Link PDF Google.
  2. Arkhangelsky, D., Athey, S., Hirshberg, D. A., Imbens, G. W., & Wager, S. (2021). Synthetic difference-in-differences. American Economic Review, 111(12), 4088–4118. Link PDF Google.
  3. Callaway, B., & Sant’Anna, P. H. C. (2021). Difference-in-differences with multiple time periods. Journal of Econometrics, 225(2), 200–230. Link PDF Google.
  4. Borusyak, K., Jaravel, X., & Spiess, J. (2024). Revisiting event-study designs: Robust and efficient estimation. Review of Economic Studies, 91(6), 3253–3285. Link PDF Google.
  5. Rambachan, A., & Roth, J. (2023). A more credible approach to parallel trends. Review of Economic Studies, 90(5), 2555–2591. Link Google.
  6. Correia, S. (n.d.). reghdfe and ppmlhdfe: High-dimensional fixed effects in Stata. reghdfe ppmlhdfe Google.
  7. Sant’Anna, P. H. C. (n.d.). Difference-in-differences resources. Link Google.
  8. DoubleML developers. (n.d.). DoubleML documentation. 文档 GitHub Google.
  9. PyWhy contributors. (n.d.). DoWhy. 文档 GitHub Google.
  10. Grf contributors. (n.d.). Generalized random forests. 文档 GitHub Google.
软件边界

软件包可以实现估计，却不能替研究者决定识别假设是否可信。ddml 处理高维控制和非线性函数形式，不能自动解决遗漏变量、无效工具变量、平行趋势或样本选择问题。

9.4 中文入口与继续阅读

中文资料适合降低进入门槛，但不能替代原始论文、教材和软件文档。建议先用中文入口弄清术语和操作，再回到英文原文核对假设与结果。

  1. 秦利宾. (2020). Heckman 模型：你用对了吗？Link Google.
  2. 游万海、连玉君. (2020). Stata：面板数据模型一文读懂. Link Google.
  3. 康希. (2024). Stata-DID：异质性多期估计方法——Bacon 分解. Link Google.
  4. 严安冬. (2024). Stata：异质性 DID 代码详解. Link Google.
  5. 李金桐. (2023). 因果推断：双重机器学习——ddml. Link Google.
  6. 连享会. (n.d.). AI 时代如何做实证研究？课程页 GitHub Google.

9.5 中国政策冲击与本土场景

研究中国政策评估时，先理解政策如何进入数据和比较设计，再选择估计方法。以下资源可用于筛选候选政策、核对处理定义与识别风险。

  1. 连享会. (n.d.). China Policy Shocks：中国政策冲击数据库. 首页 政策汇编。按政策对象、处理组、冲击时间、数据合并键和识别风险整理案例；适合把候选政策转化为可检查的研究设计问题。

9.6 三条最短阅读路线

  • 想建立共同语言：Mastering 'Metrics → The Effect → The Mixtape。
  • 正在做政策评估：What If → Roth et al. (2022) → Callaway and Sant’Anna (2021) → 一个公开代码仓库。
  • 准备使用 DDML 或因果机器学习：Chernozhukov et al. (2018) → ddml 文档或 DoubleML 文档 → 运行一个最小例子并检查目标参数。

最后把书单重新放回研究训练：每读一项资料，记录它处理的识别困难、依赖的关键假设、估计的目标参数，以及能否用最小代码验证。这样形成的阅读地图，比继续增加候选链接更有用。