6.1) Book Review: Mostly Harmless Econometrics
[ Ссылка ]
6.2) Mostly Harmless Econometrics: The Experimental Ideal
[ Ссылка ]
6.3) Book Review: Econometric Analysis of Cross Section and Panel Data
[ Ссылка ]
6.4) Why Economists created Econometrics methods rather than run Experiments?
[ Ссылка ]
6.5) Is Regression a Necessary Tool to Analyze Experimental Data?
[ Ссылка ]
6.6) Book Review: A Guide to Econometrics
[ Ссылка ]
6.7) Book Review: Econometrics
[ Ссылка ]
6.8) Introductory Books for Econometrics
[ Ссылка ]
6.9) Mathematical Exposition of Why Random Assignment Eliminates Selection Bias
[ Ссылка ]
6.10) Regression Analysis of Experiments
[ Ссылка ]
6.11) Field Centipedes
[ Ссылка ]
6.12) Bias Caused by Bad Controls
[ Ссылка ]
6.13) Structural Econometrics vs Experiment
[ Ссылка ]
6.14) Are Emily and Greg More Employable Than Lakisha and Jamal?
[ Ссылка ]
6.15) Times Series vs Cross Section vs Panel Data
[ Ссылка ]
7.1) Criteria for Estimators: Unbiasedness
[ Ссылка ]
7.2) Criteria for Estimators: Efficiency
[ Ссылка ]
7.3) Criteria for Estimators: Mean Square Error (MSE)
[ Ссылка ]
7.4) Asymptotic Properties of Estimators
[ Ссылка ]
7.5) Intuition: Maximum Likelihood Estimator
[ Ссылка ]
7.6) Simple vs Multiple Regression
[ Ссылка ]
7.7) T-Test vs F-Test: Joint Hypothesis
[ Ссылка ]
8.1) Law of Iterated Expectation
[ Ссылка ]
8.2) Geometric Interpretation of OLS
[ Ссылка ]
8.3) Ordinary Least Squares: Key Assumption
[ Ссылка ]
8.4) Conditional Independence Assumption (CIA)
[ Ссылка ]
8.5) Unconditional vs Conditional Variance
[ Ссылка ]
8.6) Homoskedastic vs Heteroskedasticity Errors
[ Ссылка ]
9.1) Minimize the Residual Sum of Squares (RSS)
[ Ссылка ]
9.2) OLS Matrix Notation
[ Ссылка ]
9.3) Projection Matrix: Idempotent and Symmetric
[ Ссылка ]
9.4) Orthogonal Projection Matrix
[ Ссылка ]
9.5) Derivation of R-Squared
[ Ссылка ]
9.6) Orthogonal Partitioned Regression
[ Ссылка ]
10.1) Unbiasedness of OLS
[ Ссылка ]
10.2) Consistency of OLS
[ Ссылка ]
10.3) OLS: Variance
[ Ссылка ]
10.4) Weighted Least Squares (WLS)
[ Ссылка ]
10.5) Generalized Least Squares (GLS)
[ Ссылка ]
11.1) Omitted Variable Bias: Proxy Solution
[ Ссылка ]
11.2) Measurement Error in the Dependent Variable
[ Ссылка ]
11.3) Measurement Error in an Explanatory Variable
[ Ссылка ]
11.4) Classical Errors-in-Variables and Attenuation Bias
[ Ссылка ]
12.1) Instrumental Variables (IV): Assumptions
[ Ссылка ]
12.2) Why Instrumental Variable?
[ Ссылка ]
12.3) Two-Stage Least Squares (2SLS)
[ Ссылка ]
12.4) Python: IV and 2SLS
[ Ссылка ]
13.1) Sharp Regression Discontinuity
[ Ссылка ]
13.2) Regression Discontinuity in Python
[ Ссылка ]
13.3) Regression Discontinuity (RD)
[ Ссылка ]
13.4) Fuzzy Regression Discontinuity (FRD)
[ Ссылка ]
13.5) Fuzzy vs Sharp RD
[ Ссылка ]
13.6) Python Fuzzy RD
[ Ссылка ]
14.1) First-Difference Estimator
[ Ссылка ]
14.2) Algebra of Difference-in-Differences (DID)
[ Ссылка ]
14.3) Python: Diff-in-Diff (DD)
[ Ссылка ]
14.4) Quasi-Experiment Diff-in-Diff (DID)
[ Ссылка ]
15.1) Fixed Effects (FE): Time-Demeaned
[ Ссылка ]
15.2) Random Effects (RE) vs Fixed Effects (FE)
[ Ссылка ]
15.3) Random Effects (RE) is Generalized Least Squares (GLS)
[ Ссылка ]
15.4) Covariance Matrix: Random Effects (RE)
[ Ссылка ]
15.5) Random Effects as a Weighted Average of OLS and FE
[ Ссылка ]
15.6) Python: Fixed and Random Effects
[ Ссылка ]
![[Must Watch] Mastering Japanese Particles: 20 Essential Particles Explained with Visuals #japan](https://s2.save4k.su/pic/7rFhjigOVC8/mqdefault.jpg)
![Английские межзубные звуки: [θ] & [ð]](https://s2.save4k.su/pic/2ws4gtgecG4/mqdefault.jpg)
