【Stata公開課】6小時(shí)從零基礎(chǔ)入門Stata

相似文件 換一批

是 否 +2 論壇幣

k人 參與回答

經(jīng)管之家送您一份

應(yīng)屆畢業(yè)生專屬福利!

求職就業(yè)群

趙安豆老師微信：zhaoandou666

經(jīng)管之家聯(lián)合CDA

送您一個(gè)全額獎學(xué)金名額~ !

立即領(lǐng)取

感謝您參與論壇問題回答

經(jīng)管之家送您兩個(gè)論壇幣！

+2 論壇幣

隨著人工智能技術(shù)的飛速發(fā)展，AI大模型已經(jīng)成為各行各業(yè)關(guān)注的焦點(diǎn)。在學(xué)術(shù)研究領(lǐng)域，AI技術(shù)的應(yīng)用也日益廣泛，但許多研究者對于如何將AI工具融入Stata實(shí)證論文過程仍然存在疑慮和困惑。他們往往認(rèn)為AI輔助寫作是一個(gè)簡單的“輸入—輸出”模式，這種誤解導(dǎo)致了信息壁壘的形成，使得許多研究者錯(cuò)失了利用AI工具提升論文寫作效率和質(zhì)量的機(jī)會。

努力固然是成功的關(guān)鍵，但方向的選擇同樣重要。在學(xué)術(shù)寫作領(lǐng)域，打破信息壁壘，掌握AI工具的使用，構(gòu)建一個(gè)可復(fù)用的AI輔助框架，是一項(xiàng)極具投資回報(bào)的行動。我們即將推出的直播課程，旨在幫助大家打破信息壁壘，成為能夠熟練運(yùn)用AI工具助力Stata的少數(shù)人。

從零基礎(chǔ)掌握Stata，到借助AI大模型提升Stata編程能力，最有效的學(xué)習(xí)方式，莫過于向經(jīng)驗(yàn)豐富的專家學(xué)習(xí)。因此，我們非常榮幸地邀請到了崔百勝教授，他將于2024年11月11日至12月16日，通過6次遠(yuǎn)程直播課程，深入講解《6小時(shí)從零基礎(chǔ)入門Stata》。崔教授不僅擁有豐富的教學(xué)和研究經(jīng)驗(yàn)，而且在Stata軟件的使用上有著深厚的造詣。通過這門課程，您將能夠從宏觀的“道”與微觀的“術(shù)”兩個(gè)層面，全面掌握Stata在學(xué)術(shù)寫作中的應(yīng)用，從而提升您的研究效率和質(zhì)量。

JG學(xué)術(shù)培訓(xùn)10y+經(jīng)典延續(xù)

2025年寒假Stata初高級研討班

原理+操作+論文, 全面引入AI 輔助

課程概要

Stata初高級全程班

培訓(xùn)時(shí)間：2025年1月13-15, 17-19日 (六天)

培訓(xùn)安排：9:00-12:00；14:00-17:00；答疑交流

培訓(xùn)方式：北京現(xiàn)場班, 同步遠(yuǎn)程直播; 均提供錄播回放

Stata初級班

培訓(xùn)時(shí)長：2025年1月13-15日 (三天)

培訓(xùn)安排：9:00-12:00；14:00-17:00；答疑交流

培訓(xùn)方式：北京現(xiàn)場班, 同步遠(yuǎn)程直播; 均提供錄播回放

Stata高級班

培訓(xùn)時(shí)間：2025年1月17-19日 (三天)

培訓(xùn)安排：9:00-12:00；14:00-17:00；答疑交流

培訓(xùn)方式：北京現(xiàn)場班, 同步遠(yuǎn)程直播; 均提供錄播回放

現(xiàn)場班提供交通住宿指南

課程導(dǎo)語

2025年寒假Stata 課程專為希望在數(shù)據(jù)分析和計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域精進(jìn)技能的學(xué)員設(shè)計(jì)，課程聚焦Stata 軟件在學(xué)術(shù)研究和實(shí)務(wù)操作中的強(qiáng)大應(yīng)用，致力于提升學(xué)員的數(shù)據(jù)管理和模型構(gòu)建能力。

本課程提供完整的代碼、配套數(shù)據(jù)和案例解析，分為初級和高級兩個(gè)層次，逐步帶領(lǐng)學(xué)員從 Stata 的基礎(chǔ)操作到高階分析，掌握廣泛應(yīng)用于經(jīng)濟(jì)、金融、管理等多個(gè)領(lǐng)域的前沿分析技術(shù)。

在課程內(nèi)容上，我們結(jié)合當(dāng)前的研究熱點(diǎn)，涵蓋了從數(shù)據(jù)預(yù)處理、可視化到線性回歸、工具變量、面板數(shù)據(jù)模型（靜態(tài)和動態(tài)）、雙重差分、斷點(diǎn)回歸、合成控制、機(jī)器學(xué)習(xí)與因果推斷等多種常用的計(jì)量分析方法，力求讓學(xué)員掌握多元化的模型選擇和分析策略。特別值得關(guān)注的是，課程全面引入 AI 輔助技術(shù)，幫助學(xué)員高效完成數(shù)據(jù)清洗、變量選擇、模型優(yōu)化等繁瑣任務(wù)。AI 的引入不僅提升了學(xué)習(xí)效率，更幫助學(xué)員掌握數(shù)據(jù)分析的自動化與智能化技能。

在初級課程中，學(xué)員將系統(tǒng)學(xué)習(xí) Stata 的基礎(chǔ)操作，掌握數(shù)據(jù)導(dǎo)入、數(shù)據(jù)清理、繪圖等常用技能，為后續(xù)的數(shù)據(jù)分析奠定堅(jiān)實(shí)基礎(chǔ)。同時(shí)，課程詳細(xì)講解了 Stata 在經(jīng)典計(jì)量經(jīng)濟(jì)學(xué)模型（如線性回歸、工具變量法和面板數(shù)據(jù)模型）中的應(yīng)用，包括基于 AI 的模型實(shí)現(xiàn)和結(jié)果解讀，幫助學(xué)員高效掌握從變量邊際效應(yīng)到弱工具變量檢驗(yàn)等關(guān)鍵技能。

高級課程則專注于前沿計(jì)量模型和因果推斷方法，重點(diǎn)講授面板模型的最新發(fā)展（如非平穩(wěn)、動態(tài)和非線性面板數(shù)據(jù)模型）、因果推斷效應(yīng)（異質(zhì)性雙重差分、斷點(diǎn)回歸和合成控制法）以及復(fù)雜異質(zhì)性處理效應(yīng)等前沿方法。AI 在高級課程中的應(yīng)用更為突出，包括自動化高維面板數(shù)據(jù)模型估計(jì)、模型選擇和動態(tài)效果分解等，幫助學(xué)員快速適應(yīng)計(jì)量經(jīng)濟(jì)學(xué)和數(shù)據(jù)科學(xué)的最新趨勢。通過深入學(xué)習(xí)，學(xué)員不僅能理解模型背后的理論，還將具備直接應(yīng)用于學(xué)術(shù)論文撰寫和復(fù)雜數(shù)據(jù)項(xiàng)目分析的能力。

課程面向Stata初學(xué)者、具有一定計(jì)量分析基礎(chǔ)的學(xué)員以及希望掌握最新 Stata 工具和技術(shù)的學(xué)者。無論是學(xué)術(shù)研究、政策分析還是行業(yè)數(shù)據(jù)研究，課程都將為學(xué)員提供強(qiáng)大支持，并通過 AI 輔助工具提升分析效率，讓學(xué)員從繁雜的數(shù)據(jù)處理中解放出來，專注于模型構(gòu)建和結(jié)果分析。

授課對象

社會科學(xué)、經(jīng)濟(jì)管理、公共政策、教育學(xué)、醫(yī)學(xué)統(tǒng)計(jì)等領(lǐng)域的學(xué)術(shù)研究人員和行業(yè)從業(yè)者，適合高校教師、科研院所研究員、在校博碩士研究生、優(yōu)秀本科生、數(shù)據(jù)分析師、政府部門統(tǒng)計(jì)人員及需要使用 Stata 進(jìn)行數(shù)據(jù)分析和計(jì)量研究的各類專業(yè)人士。

授課嘉賓

崔百勝，上海師范大學(xué)教授，廈門大學(xué)經(jīng)濟(jì)學(xué)博士。教學(xué)使用軟件為Stata和Matlab軟件，熟悉相關(guān)軟件的操作與使用。主要研究領(lǐng)域?yàn)樨泿爬碚撆c政策、動態(tài)一般均衡模型、空間計(jì)量經(jīng)濟(jì)學(xué)。主持國家社會科學(xué)基金項(xiàng)目，教育部人文社會科學(xué)基金項(xiàng)目，以及上海市教委科研創(chuàng)新項(xiàng)目等在內(nèi)的多項(xiàng)課題。在CSSCI、SSCI期刊發(fā)表學(xué)術(shù)論文50余篇。參與編寫《空間計(jì)量經(jīng)濟(jì)學(xué)——現(xiàn)代模型與方法》、《空間計(jì)量經(jīng)濟(jì)學(xué)——實(shí)證研究與軟件實(shí)現(xiàn)》、《計(jì)量經(jīng)濟(jì)分析與Stata應(yīng)用》、《經(jīng)濟(jì)計(jì)量研究指導(dǎo)——實(shí)證分析與軟件實(shí)現(xiàn)》等專業(yè)教材。

初級班課程大綱（含7篇范例論文）

第1講 Stata基礎(chǔ)操作（3h）

1.1 Stata軟件快速入門

1.2 AI賦能Stata學(xué)習(xí)實(shí)例 2025 new

1.3 Stata菜單操作

1.4 Stata路徑設(shè)定：sysdir和adopath

1.5 Stata外部命令科學(xué)管理與更新

1.6 各類文件的合理組織：do文件、ado文件和數(shù)據(jù)文件

1.7 Stata命令與幫助文件

1.8 do文件創(chuàng)建與優(yōu)化

1.9 標(biāo)量與矩陣

第2講 數(shù)據(jù)處理與作圖（3h）

2.1 數(shù)據(jù)處理準(zhǔn)備

  2.1.1 各類數(shù)據(jù)導(dǎo)入與導(dǎo)出

  2.1.2 整理、提取和變量轉(zhuǎn)換

  2.1.3 AI輔助數(shù)據(jù)預(yù)處理 2025 new

2.2 合并、轉(zhuǎn)換與堆疊

  2.2.1 縱向與橫向數(shù)據(jù)合并

  2.2.2 數(shù)據(jù)轉(zhuǎn)換

  2.2.3 數(shù)據(jù)堆疊與面板數(shù)據(jù)構(gòu)建

  2.2.4 AI輔助合并與匹配 2025 new

2.3 數(shù)據(jù)清理

  2.3.1 單變量清理

  2.3.2 多變量清理

  2.3.3 AI自動化數(shù)據(jù)清洗 2025 new

2.4 缺失值與補(bǔ)漏方法集成

2.5 數(shù)據(jù)清理實(shí)操

  2.5.1 主流數(shù)據(jù)庫：Wind數(shù)據(jù)轉(zhuǎn)換為Stata面板數(shù)據(jù)

  2.5.2 微觀調(diào)查類數(shù)據(jù)處理：以CFPS數(shù)據(jù)為例

2.6 Stata數(shù)據(jù)的科學(xué)圖形展示

  2.6.1 基礎(chǔ)圖形命令應(yīng)用

  2.6.2 面板數(shù)據(jù)的動態(tài)顯示

  2.6.3 交錯(cuò)事件面板數(shù)據(jù)圖形

  2.6.4 回歸系數(shù)可視化

  2.6.5 分箱散點(diǎn)圖

2.7 例文軟件實(shí)現(xiàn)與解讀：

① Cattaneo M D, Crump R K,Farrell M H, et al. On binscatter[J]. American Economic Review, 2024,114(5):1488-1514.

第3講 Stata程序與編程（3h）

3.1 局域暫元與全局暫元

  3.1.1 global的使用技巧

  3.1.2 local的幾種常用方法

  3.1.3 AI提升暫元應(yīng)用技能 2025 new

3.2 條件與循環(huán)語句

  3.2.1 巧用if嵌套語句

  3.2.2 循環(huán)語句

  3.2.3 AI輔助語句解讀 2025 new

3.3 程序編寫規(guī)范與語法解析

  3.3.1 Stata程序結(jié)構(gòu)

  3.3.2 程序參數(shù)解析

  3.3.3 程序返回值

  3.3.4 標(biāo)準(zhǔn)語法解析

  3.3.5 參數(shù)類型驗(yàn)證

  3.3.6 AI智能編寫Stata程序 2025 new

3.4 ado文件與hlp文件

  3.4.1 ado文件編寫規(guī)范

  3.4.2 標(biāo)準(zhǔn)文件的編寫

3.5 Stata編程示例: LM和GMM估計(jì)的代碼編程

第4講 線性回歸模型、內(nèi)生性與工具變量法（3h）

4.1 regress估計(jì)、結(jié)果解釋與邊際效應(yīng)

4.2 如何正確使用穩(wěn)健與聚類-穩(wěn)健標(biāo)準(zhǔn)誤

4.3 Wild clusterbootstrap

4.4 自變量相對重要性的Shapley分解

4.5 AI輔助識別內(nèi)生性與修正 2025 new

4.6 IV估計(jì)量：IV、2SLS和GMM

4.7 恰好與過度識別模型的IV估計(jì)

4.8 弱工具變量檢驗(yàn)

4.9 弱工具變量的穩(wěn)健推斷

4.10 IV和OLS估計(jì)系數(shù)差異分解

4.11 例文軟件實(shí)現(xiàn)與解讀：

② 尹志超等. 農(nóng)村勞動力流動對家庭儲蓄率的影響[J]. 中國工業(yè)經(jīng)濟(jì),2020.

③ Ishimaru S. Empiricaldecomposition of the iv-ols gap with heterogeneous and nonlineareffects[J].Review of Economics and Statistics, 2024: 1-16.

第5講 因果推斷經(jīng)驗(yàn)研究中的中介效應(yīng)與調(diào)節(jié)效應(yīng)（IV）（3h）

5.1 中介效應(yīng)模型的現(xiàn)行做法與檢驗(yàn)

5.2 中介效應(yīng)檢驗(yàn)的反思

5.3 中介效應(yīng)分析的操作建議

5.4 中介效應(yīng)估計(jì)新命令：sgmediation2

5.5 具有工具變量的中介效應(yīng)分析

5.6 基于結(jié)構(gòu)方程模型的中介效應(yīng)分析

5.7 AI賦能中介效應(yīng)分析 2025 new

5.8 調(diào)節(jié)效應(yīng)與異質(zhì)性分析

5.9 調(diào)節(jié)效應(yīng)分析的操作建議

5.10 例文軟件實(shí)現(xiàn)與解讀：

④ 孫偉增,毛寧,蘭峰等.政策賦能、數(shù)字生態(tài)與企業(yè)數(shù)字化轉(zhuǎn)型——基于國家大數(shù)據(jù)綜合試驗(yàn)區(qū)的準(zhǔn)自然實(shí)驗(yàn)[J]. 中國工業(yè)經(jīng)濟(jì),2023.

⑤ 曹偉,綦好東,趙璨.企業(yè)金融資產(chǎn)的配置動機(jī)：基于產(chǎn)權(quán)性質(zhì)與異質(zhì)性股東參股的分析[J].中國工業(yè)經(jīng)濟(jì),2023.

⑥ Braghieri L, Levy R, MakarinA. Social media and mental health[J]. American Economic Review, 2022.

第6講 靜態(tài)面板數(shù)據(jù)模型與雙重差分法（3h）

6.1 估計(jì)量比較：混合OLS、組內(nèi)、組間與一階差分

6.2 模型選擇檢驗(yàn)：固定效應(yīng)or隨機(jī)效應(yīng)模型

6.3 面板數(shù)據(jù)內(nèi)生性與IV估計(jì)

6.4 高維固定效應(yīng)模型：reghdfe

6.5 AI輔助靜態(tài)面板數(shù)據(jù)模型估計(jì)、模型選擇與結(jié)果解釋 2025 new

6.6 政策評估兩種偏誤如何影響評估效果

6.7 雙重差分的7種估計(jì)方法

6.8 雙重差分法的平行趨勢檢驗(yàn)與安慰劑檢驗(yàn)

6.9 Stata時(shí)間-空間維度安慰劑檢驗(yàn)新命令

6.10 多期雙重差分的估計(jì)與規(guī)范作圖

6.11 三重差分估計(jì)如何檢驗(yàn)平行趨勢

6.12 例文軟件實(shí)現(xiàn)與解讀：

⑦ 曹清峰.國家級新區(qū)對區(qū)域經(jīng)濟(jì)增長的帶動效應(yīng)——基于70大中城市的經(jīng)驗(yàn)證據(jù).中國工業(yè)經(jīng)濟(jì),2020.

高級班課程大綱（含11篇范例論文）

第7講 長面板與動態(tài)面板數(shù)據(jù)模型（3h）

7.1 長面板估計(jì)策略

7.2 長面板估計(jì)方法選擇：穩(wěn)健 vs. 效率

7.3 組內(nèi)自相關(guān)與組間同期相關(guān)檢驗(yàn)

7.4 偏差校正LSDV估計(jì)

7.5 面板工具變量估計(jì)法

7.6 工具變量高維固定效應(yīng)面板

7.7 移動份額工具變量法Bartik方法

7.8 動態(tài)面板數(shù)據(jù)的差分與系統(tǒng)GMM估計(jì)

7.9 不規(guī)則時(shí)間間隔的動態(tài)面板數(shù)據(jù)

7.10 AI賦能長面板與動態(tài)面板數(shù)據(jù)模型學(xué)習(xí)案例 2025 new

7.11 例文軟件實(shí)現(xiàn)與解讀：

① Acemoglu D, Naidu S, Restrepo P,et al. Democracy does cause growth. Journal of political economy, 2019.

② Borusyak K, Hull P, Jaravel X.Quasi-experimental shift-share research designs[J]. The Review of EconomicStudies, 2022. Economic Studies, 2022.

第8講 非平穩(wěn)與非線性面板數(shù)據(jù)模型（3h）

8.1 跨截面相依檢驗(yàn)

8.2 面板單位根檢驗(yàn)

8.3 面板協(xié)整檢驗(yàn)

8.4 異質(zhì)性數(shù)據(jù)的面板Granger檢驗(yàn)-xtgrangert

8.5 靜態(tài)面板門檻數(shù)據(jù)模型

8.6 具有內(nèi)生性與門限效應(yīng)的動態(tài)面板數(shù)據(jù)模型

8.7 共同因子數(shù)量測度

8.8 具有共同相關(guān)因子的動態(tài)面板數(shù)據(jù)模型

8.9 面板向量自回歸模型（PVAR）

8.10 AI賦能非平穩(wěn)與非線性面板數(shù)據(jù)模型學(xué)習(xí)案例 2025 new

8.11 例文軟件實(shí)現(xiàn)與解讀：

③ Ditzen J., Estimating long runeffects and the exponent of cross-sectional dependence: an update to xtdcce2,The Stata Journal,2021. xtdcce2, The Stata Journal,2021.

④ 王維國,王鑫鵬.創(chuàng)新轉(zhuǎn)化效率、要素稟賦與中國經(jīng)濟(jì)增長[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2022.

第9講 因變量受限的面板數(shù)據(jù)模型（3h）

9.1 面板二值選擇模型

9.2 面板logit的邊際效應(yīng)與處理效應(yīng)

9.3 面板多值選擇模型

9.4 面板Tobit模型

9.5 面板計(jì)數(shù)模型：泊松與負(fù)二項(xiàng)模型

9.6 多項(xiàng)選擇面板回歸模型

9.7 高維固定效應(yīng)泊松面板模型

9.8 動態(tài)面板Probit模型

9.9 非平衡面板的動態(tài)面板Probit模型

9.10 AI賦能因變量受限的面板數(shù)據(jù)模型學(xué)習(xí)案例 2025 new

9.11 例文軟件實(shí)現(xiàn)與解讀：

⑤ 吳小康,于津平.科技中介與全國統(tǒng)一技術(shù)大市場建設(shè)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2023.

第10講 異質(zhì)性DID模型（3h）

10.1 如何在多期與處理時(shí)間變化時(shí)，選擇合適的DID估計(jì)量？

10.2 負(fù)權(quán)重的診斷：deChaisemartin and D’Haultfoeuille 分解

10.3 禁止比較組的診斷：Bacon分解

10.4 組別-時(shí)期平均處理效應(yīng)估計(jì)：csdid和did_multiplegt

10.5 插補(bǔ)估計(jì)量：did_imputation

10.6 堆疊回歸估計(jì)量：stackedev

10.7 通過TWFE的事件研究：event study interact與jwdid

10.8 Stata官方異質(zhì)性雙重差分命令：xthdidregress

10.9 放松或允許平行趨勢假設(shè)被違反

10.10 穩(wěn)健性推論和敏感性分析

10.11 異質(zhì)性處理效應(yīng)應(yīng)用建議

10.12 AI賦能異質(zhì)性DID模型學(xué)習(xí)案例 2025 new

10.13 例文軟件實(shí)現(xiàn)與解讀：

⑥ De Chaisemartin C, d’Haultfoeuille X. Two-way fixed effects anddifferences-in-differences with heterogeneous treatment effects: A survey[J].The Econometrics Journal, 2023.

⑦ Roth J, Sant’Anna P H C, Bilinski A, et al. What’strending in difference-in-differences? A synthesis of the recent econometricsliterature, Journal of Econometrics, 2023.

⑧ 余長林,馬青山.特高壓輸電與區(qū)域經(jīng)濟(jì)發(fā)展——來自特高壓工程的經(jīng)驗(yàn)證據(jù)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2023.

第11講 斷點(diǎn)回歸與合成控制（3h）

11.1 精確斷點(diǎn)回歸

11.2 斷點(diǎn)回歸的檢驗(yàn)（連續(xù)性檢驗(yàn)、安慰劑檢驗(yàn)）

11.3 模糊斷點(diǎn)估計(jì)

11.4 多斷點(diǎn)回歸

11.5 斷點(diǎn)回歸（RDD）與扭點(diǎn)回歸（RKD）的最優(yōu)模型選擇

11.6 合成控制法

11.7 非參數(shù)合成控制法

11.8 合成控制與合成雙重差分的比較

11.9 AI賦能斷點(diǎn)回歸與合成控制學(xué)習(xí)案例 2025 new

11.10 例文軟件實(shí)現(xiàn)與解讀：

⑨ Cattaneo M D, Idrobo N, TitiunikR. A Practical Introduction to Regression Discontinuity Designs: Extensions[M].Cambridge University Press, 2024. Extensions[M]. Cambridge University Press,2024.

⑩ Clarke, D Pailañir, S. Athey andG. Imbens. Synthetic Difference-in-Differences Estimation. IZA DiscussionPaper, 2023. Discussion Paper, 2023.

第12講 Lasso在預(yù)測與推斷中的應(yīng)用（3h）

12.1 變量選擇與交叉驗(yàn)證

12.2 收縮法：ridge, Lasso,elasticnet

12.3 Lasso用于預(yù)測

12.4 Lasso用于推斷

  12.4.1 變量選擇與系數(shù)估計(jì)

  12.4.2 獲得標(biāo)準(zhǔn)誤

12.5 不同結(jié)果變量的Lssso推斷命令

  12.5.1 連續(xù)結(jié)果變量

  12.5.2 兩元選擇結(jié)果變量

  12.5.3 計(jì)數(shù)結(jié)果變量

12.6 系數(shù)解釋：邊際效應(yīng)、對比、獲勝率、發(fā)生率

12.7 實(shí)例：探討母親教育和吸煙習(xí)慣對出生體重的影響

12.8 AI輔助Lasso在預(yù)測與因果推斷中的應(yīng)用 2025 new

12.9 擴(kuò)展Lasso模型

  12.9.1 adaptive Lasso

  12.9.2 ivlasso

  12.9.3 pdslass

  12.9.4 dslasso

12.10 例文軟件實(shí)現(xiàn)與解讀：

⑪ Ahrens A, Hansen C B, Schaffer ME. lasso pack: Model selection and prediction with regularized regression inStata[J]. The Stata Journal, 2020, 20(1): 176-235. regression in Stata[J]. TheStata Journal, 2020, 20(1): 176-235.

課程咨詢：

尹老師

電話：13321178792

QQ：42884447

WeChat：JGxueshu

掃碼加我 拉你入群

請注明：姓名-公司-職位

以便審核進(jìn)群資格，未注明則拒絕

分享0 收藏2 回帖

關(guān)鍵詞：Stata tata 基礎(chǔ)入門 公開課 零基礎(chǔ)

2025年寒假stata初高級特訓(xùn)班，全面引入AI輔助技術(shù)，更專注模型構(gòu)建與結(jié)果分析。
幫助大家快速提升學(xué)習(xí)效率和降低學(xué)習(xí)難度。

謝謝分享！

謝謝分享！