想要高端的，学stata，不会的找个会的教你，估计两小时就可以处理简单的时间序列或者面板了。
然后知网找个计量的文章，比如xx（解释变量）与经济增长，假如你学校北京的你就找个写上海的文章，看他用的啥数据，你也去找北京的相关数据，用个普通的ols或者面板数据跑一下，显著了就成了。
然后文献综述随便写写根据结果随便提一下政策建议，文章基本就结了。
查重肯定过，相比绝大部分本科生毕业论文来说，强百倍(这种套路仅适用于经济金融专业写本科毕业论文)
当然如果计量模型用的高端点又是别人没怎么研究的变量，核心也能发。
-------------------------------------------------------------------
今天闲来无事，更新下，首先讲讲怎样寻找可以参考的计量经济学的实证文章。
经管类的实证文献，一般题目都有固定套路，那就是解释变量在前，被解释变量在后，中间用「与」字或者顿号连接，后面跟个可爱的小尾巴说明下用的数据或者计量模型。举几个常见的经管类论文的题目：
第一类：X1与 Y
举例：
金融发展与经济增长——基于我国金融发展门槛变量的分析
人力资本与经济增长关系实证分析——以浙江省为例
第二类：X1、X2 与 Y
举例：
民间金融、产业发展与经济增长——基于中国省际面板数据的实证分析
东北三省能源消费、要素投入与经济增长关系研究——基于长面板和面板因果检验模型
金融发展、技术创新与经济增长的关系研究——基于中国的省市面板数据
金融发展与经济增长——基于我国金融发展门槛变量的分析
第三类：X 是否（促进了or阻碍了or提升了……） Y
举例：
金融创新是促进还是阻碍了经济增长——基于技术进步视角的面板分析
金融发展是否能够促进海外直接投资——基于面板分位数的经验分析
经济增长是否促进官员晋升?——基于广东省地级市数据的经验研究
从上面几个例子可以发现，经管类的实证论文有着很严谨的命名方式。
对于本科生来说，以经济增长作为被解释变量最简单，用GDP对数就好了，当然你想复杂点去算实际GDP会更好。也可以采用城乡收入差距，这个就是城镇居民可支配收入比上农村居民纯收入，统计年鉴都有的。
而解释变量考虑你的专业，如果是金融学，那金融发展最简单，一般都是用存贷款余额比GDP表示；如果是国际贸易，可以用进出口总额比GDP作解释变量；如果是管理学，可以考虑用人力资本变量来做解释变量，这个一般是用平均受教育年限，会复杂一点，但是人大经济论坛都有别人算好的可以下了用。
下面以金融发展与经济增长这个题目，在知网搜索
可以看到很多人都写过这个方面的核刊，如果你以此做题目，一来别人已经做过了，二来这个题目太大了。因此我们可以考虑在后面加个直辖市或者省份，比如上海。
然后我们以这篇研究上海的金融发展与经济增长的文献为例。
打开论文我们直接去看模型。
可以看到该文章选取了GDP增长率来衡量经济增长，你可以简单点用GDP对数来衡量，而金融发展采用了金融机构存款、贷款在GDP的占比，这些各省统计年鉴都有，搜下统计局的网站都查的到。
既然知道了模型的设立和数据的来源，那么你可以去套你学校所在的地区，比如我学校新疆的，那我写毕业论文就可以用新疆的GDP做经济增长变量，用新疆地区的存贷款余额来做金融发展变量，一个ols就结束了，至于这个ols怎么做，软件怎么用，本科的计量经济学的书都学过的，如果你不会，说明你一定没听课。
如果你觉着你想做更高端的，那就在搜文献的时候，在后面再加个计量方法的关键词，假设你想找研究金融发展与经济增长的面板数据模型的文献，可以这么搜。
如果你选择这个题目，显然还是需要面对题目太大的问题，那么简单的解决办法就是，分区域。比如你看到一个文章用的全国的面板数据，而你的学校在东北，那么你就可以用东三省数据来做面板模型。（对本科生来说，能用到最简单的面板固定效应模型，就足够让很多老师感动一会了）
顺带丢了Eviews吧，stata才简单粗暴（用R的请忽视这句话）
有空我会更新下如何用stata做基础的面板数据模型！
日常摸鱼的强师傅，终于想起来填这个大坑了！
许多有关计量的入门教程都上来先丢一堆理论，看的头晕脑胀，但实际应用却讲的十分含糊
这对于很多想快速水paper或者写毕业论文交差的同学十分不友好
而跟着本教程走，则可以通过实际的例子，快速的学习Stata软件的使用，这样在导入自己的数据后，可以快速搞出一篇论文的实证模型
经管类专业在本科都会学计量经济学，但是一般只会教到基本的多元OLS模型就戛然而止了
诚然，这对于本科生来说够用了，但是基本的多元OLS模型本身并不好处理。如果是横截面数据，那解决异方差问题还算简单，但是大部分容易获得的经济数据都是时间序列数据，而时间序列数据的多重共线性处理又十分棘手。本科的计量书里一般都会说，逐步回归剔除一下就好了，但是这样会使得你能用的变量数量大打折扣，有些奇葩导师总会要你必须加一些他们想要的变量，不能让你去掉。另一个可行的方法则是采用主成分分析降维分析，但是这种方法，又需要用一个复杂的公式换算，过程繁琐且麻烦，一些类似KMO检验的东西还可能根本过不去
因此，强师傅更推荐采用面板数据来处理本科以及硕士的毕业论文实证，因为其检验简单，而且更易操作，总之就是坑少好摸
对于很多上了计量课就浪起来的同学来说，可能还分不清计量里的三种数据结构
本科一般只教两种：
横截面数据：举例来说，就是中国2020年30个省份的GDP
时间序列数据：整个中国2010至2020年的GDP
而第三种数据结构便是面板数据，实际上就是横截面数据和时间序列数据的结合
值得注意的是，不同软件输入面板数据的格式不一样，我只推荐Stata来处理这些数据，因为真的对新手很友好
面板数据可以在excel整理好，直接粘贴到Stata
一个简单的面板数据例子如下：
以北京上海和广州3个城市2010至2016年的人口，地区生成总值和商品房均价为例，在excel里的整理如下：
可以看到，A列为我们的具体城市，实际上也就是截面或叫做个体，而B列年份则是时间，其余列为变量
你可以自己搭配不同的数据，整理成这样的格式即可
打开stata的窗口
其中下方命令窗口可以直接输入我们要做的指令，左边为历史窗口可以看到我们已经进行过的处理，而变量窗口则可以显示我们输入数据后产生的变量
在命令窗口输入edit则可以打开数据编辑窗口
将excel的数据连同表头直接粘贴到这个窗口，则会有如下提示：
选择变量名则可以直接将第一行作为变量名称
关闭该窗口回到stata主界面，则可以发现，有五个变量21个观测被导入了进去
由于城市变量是字符数据，因此在处理之前需要采用encode命令将其改为数值型数据
具体命令如下：
encode 城市，gen(city)
这个命令中 encode为命令的名字，其作用是将字符数据转换为数值型。而gen为生成的意思，实际上是生成一个新变量。如果你的城市是以数值如1，2，3，4来命名的，则可以省略这一步
紧接着，可以用xtset来声明面板模型的截面和时间
在stata里，x代表个体或截面（在计量中和paper里，个体一般用n或i来表示，面板的模型的公式角标一般是it或者nt），t代表时间，set便是设置的意思。在stata里，一般与面板相关的命令都会以xt开头
输入xtset city 年份
则会发现，stata提示我们的panel变量，也就是个体为city，而时间跨度为2010至2016，如果每个城市每个年份均有数据，则为strongly balanced，即平衡面板，如果缺失数据，则为非平衡面板
接着我们就可以着手跑第一个面板模型了，输入：
xtreg 商品房均价 年末总人口 地区生产总值,fe
则可以得到如下结果：
此时我们便得到了第一个面板个体固定效应模型的结果
其中xtreg表示我们运行的面板模型，在stata里，第一个出现的变量一定是y变量，也就是被解释变量，而后面的变量均为x变量，因此在这个模型里，商品房价格为Y变量，人口和地区生产总值为X变量
在stata里，逗号后面一般跟随的都是命令的选项，你可以通过不同的选项来调节模型。我们的命令里，fe代表fixed effects，即个体固定效应模型
在上述结果中，最为重要的是t检验的p值，即P>|t|这一列，可以发现，年末总人口的P值为0.103，这一般认为是不显著的结果。而地区生产总值为0.000，意味着其在1%水平上通过了显著性检验，可以认为地区生产总值直接与商品房房价有关。（一般P值小于0.1为10%显著，0.05为5%显著，小于0.01为1%显著，在论文里一般用星号代替，分别为*， ** ， ***）
值得注意的是，面板模型不需要在意R2，因此R-sq的数值并不重要，这个后续的文章再讲原因。而_cons为常数项，不需要特别的解释
需要关注的是coef.这一列，对于P>|t|显著的，如变量「地区生产总值」可以这样解释：北京上海广州三个城市地区生产总值每上涨1万元，商品房房价上涨0.0001247元
但是这样解释看起来，很奇怪，因为一来系数非常的小，感觉很不直观，二来并不能反映出边际效应的变化
因此，需要将y和x两边取对数，一来缩小量纲，二来转换为边际效应，也可以称为弹性
stata里输入
gen ln商品房均价=log( 商品房均价 )gen ln年末总人口 =log( 年末总人口 )gen ln地区生产总值 =log( 地区生产总值 )
即可生成三个变量的对数形式：
计量模型一定要用自然对数，stata里，log和ln都会取以e为底的自然对数。而excel里取对数的公式，用ln是自然对数，用log是以10为底的对数，是不一样的（一个小坑）
再次运行面板模型的命令：
可以发现，系数coef.的数值一下子变得好解释了。当然也会发现，年末总人口的P值小于了0.05，通过了显著性检验。这是由于许多社会经济数据本身是右偏的，而取对数可以将其转换为正态分布，从而修正异方差性，这部分会后续再详细解释（挖坑*1）
而此时，模型则可以这样解释：
当北上广三个城市，人口上升1%，则会导致商品房均价下降5.97%，而地区生产总值上升1%，则商品房价格会上升1.43%
有些时候，结果不是我们想要的，可能是我们的数据结构和样本选取导致的。面板模型是一个大树，后面根据不同的数据结构会出现不同的分支。对于个体多于时间的数据，则为短面板，一般为大N小T，而个体少于时间的数据，则为长面板，一般被称为小N大T。我们这个模型只有3个城市，但时间跨度为7年，显然属于长面板范畴，则需要特殊的处理，这个后续再补（挖坑*2）
对于本科生来说，采用短面板是比较好的选择，对于硕士生来说，长面板可以进行许多高阶操作以满足实证的复杂度需要，如变系数模型或动态面板（挖坑*3）
模型需要做Hausman检验以在随机和固定效应两种不同的模型中进行选择，这会在下一期文章中讲解（挖坑*4）
而遗漏变量和内生性问题也可能会导致我们得不到想要的结果，这时候则需要一些高级的方法如工具变量法来处理（挖坑*5）
但是对于许多想要快速进行实证分析的本科生和硕士生来说，这篇文章算是一个好的入门了
等不了更新的同学也可以购买这本书
虽说这本书有些内容比如空间计量等章节都过时了，理论部分写的马马虎虎，但是Stata的基础操作还是写的很透彻的
我的个人公众号已上线，各位大佬可以随意添加，欢迎向我提问哦
