他，保研——集齐“清北复交”offer，拿到的五个硕士offer中，清北复三个都是中外双硕士学位;考证——三大国际财会证书，特许公认会计师公会(ACCA)、美国管理会计协会(IMA)学生会员、特许金融分析师(CFA)一级候选人，入选2017年中国注册会计师协会(CICPA)境外实习项目;课外学习——英法双语、数据科学，英语六级633、BEC高级199(当次考试全国第一)、托业930、果壳网“万有青年烩”邀请发表慕课主题演讲、突出事迹曾被浙江经视等报道，取得微软学院的数据科学专业学位;实习实践、公益与自媒体——先后实习于贝恩管理咨询、国际四大、美国会计师事务所以及内资所，在学校担任过院学生会、湖大青年，国际关系协会、年级会以及班委会干部，2017年参加ABC美好社会咨询社、中国发展研究基金会项目。

他，就是湖南大学工商管理学院会计学ACCA 1401班张子杰。

可是张子杰说：要做那些比努力更重要的事!赶快来看一看他说的“比努力更重要的事”到底是什么?

大学四年，我的时间都去哪儿了?

保研——集齐“清北复交”offer

保研可以说是我大学生活的主旋律。连续三年专业第一，去年推免清华经管管理硕士(清华大学—管理硕士国际联盟双学位)，并收到北大汇丰、复旦管院、上交高金、南开金院等院校管理或金融硕士的预录取。我拿到的五个硕士offer中,清北复三个都是中外双硕士学位，且都有极高的奖学金和留学基金委助学金覆盖。

对大部分同学来说，毕业后无非四条路，保研、考研、出国、就业，创业和待业的毕竟都是极少数。相比考研，保研名额更多，基本上国内商学院的全日制硕士招生名额，大部分都给了推免渠道。保研志愿选择更多，风险相对较低，也竞争激烈。对于商学院，我的个人建议是，如果想继续深造，保研，特别是保送至国内顶尖的硕士项目，是一个性价比极高的选择。

考证——三大国际财会证书

我一次性通过14门特许公认会计师公会(ACCA)考试，入选2017ACCA财会精英培养计划，代表ACCA中国赴新加坡交流。

也是美国管理会计协会(IMA)学生会员，获IMA管理会计案例分析大赛华南区二等奖。还是特许金融分析师(CFA)一级候选人，励志奖学金申请人。

我亦入选了2017年中国注册会计师协会(CICPA)境外实习项目，在纽约实习了三个月，跨文化交流的收获和体验颇丰。本科期间，参与学校的国际交流项目，不仅能拓展视野，而且海外交流和工作的经历，对于个人履历和语言能力的提升都有极大助益。

对于考证，想清楚自己的职业规划和未来竞争力，不要因为培训机构的鼓吹和朋辈压力就去盲目报考。特别是国际财会证书，时间、精力和金钱的投入都是巨大的。证书不过是一张纸，更重要的是在考证的过程中，学到了什么。不过对于想转行的同学，考取财会类证书也是一条路。

课外学习——英法双语，数据科学

学英语，我的经验一是坚持，二是通过考试和比赛给自己动力。从小看美剧听欧美音乐长大，本身语感就比较好。即便如此，每晚都会用百词斩APP背单词，即便再忙，至少背五个。日积月累的力量是惊人的，也向大家安利一下这个方法。我大学英语六级633，BEC高级199(当次考试全国第一)，托业930，也获得过包括NECCS省二等奖，外研社杯校特等奖(全校第一)、省一等奖，校英语演讲大赛复赛一等奖等。现在在备考GMAT。去年开始，对法语产生兴趣，开始了二外学习。

在数据科学极大提升生产力并创造新机会的今天，我多次参与Coursera, edX等平台关于数据科学的慕课学习，受果壳网“万有青年烩”邀请发表过15分钟慕课主题演讲，突出事迹曾被浙江经视等报道。取得了微软学院的数据科学专业学位，对Excel、Python、Tableau、STATA等数据分析和可视化软件操作都有一定的掌握。这几个也是如今主流的数据科学软件，对从事商业分析感兴趣的同学，可以在课余时间加强学习。

我爱读书，对东西方哲学、积极心理学、当代文学、严肃奇幻、科幻等多有涉猎，也经常在个人知乎、微信会分享自己的见闻和心得。

实习实践、公益与自媒体

我先后实习于贝恩管理咨询、国际四大、美国会计师事务所以及内资所。

在学校也担任过院学生会、湖大青年、国际关系协会、年级会以及班委会干部。

2017年参加ABC美好社会咨询社、中国发展研究基金会项目，参与非盈利组织战略规划和筹款方案设计。致力于促进减贫和教育公平，女权和消除性少数群体歧视。做公益也不能光靠情怀，我而言，公益提升了我生命的价值，我很自豪能为社会、为身边人做点贡献。

实现小目标，我是怎么做到的?

行动做事快人一步

这个时代的一切发展得飞快，今天学的东西可能明天过时了。每个人难免都有心浮气燥的感觉，每天忙忙乱乱。所谓快一步，并不是忙着赶路，而是提前搜集信息，看清楚再动。

举个简单的例子，我在高考后的暑假，做了什么：

提前看了教务处近三年的通知和各种制度文件, 知道了学校每年有哪些大型的、适合自己的比赛和活动，记下了大致时间，提前背了入学考试题库，知道了保研是怎么一回事，大致规定是怎样。保研的想法那个暑假就确定了。通过新生群/老乡群等各种渠道，向学长学姐打听毕业情况，了解不同行业，初步确定职业规划。

可能四年前，我就走在了大多数同学前面，也更加清楚自己想要什么，该怎么做。所谓不打无准备的仗，知道的更多，才能想的更清楚。

解决问题主动一点

每次麻烦别人前，我都会先做几件事：1.百度知乎一下;2.上官网/相关论坛/行业协会网站检索;3.微信/微博试着搜一下相关文章。习惯性地向他人求助是一种最大的惰性，大部分困境中，能依托的是自我内心的能量。

管理时间合理一些

时间管理是一门很大的学问，管理时间就是管理生命。番茄工作法、Todo List、时间清单、重要紧急矩阵、长期短期目标分解等等，都是不错的工具。

节约时间不是最终目的，把节约出来的时间用在什么地方才是关键。

做事留点余地，不要太满。所谓自律，不仅辛苦，而且反人性。所以多借助习惯的力量，而不是打鸡血，回原形，再打鸡血的反复循环。

少给自己加戏。我们太多的时间和精力，其实是内耗在各种无谓的胡思乱想中。

做自己认为有价值的事，不要把时间浪费在无谓的社交、迎合他人的价值判断。

我希望自己成为什么样的人?

追索生命的意义

最后我想谈谈人生最大的趋势——追索生命的意义。

曾有一个调查，大多数人在临终前，不会后悔自己做过了什么，而是后悔错过了什么。很多所谓的成功和优秀，不过是社会环境强加给你的“理所当然”，太多研究都证明，很多与幸福有关的因素，无关金钱。我们都是普通人，普普通通的一生也不容易。但人终究是要听从内心的召唤，找寻自己生命的意义所在。

至今仍记得自己踏入纽约公共图书馆，被文明的重量压到屏住呼吸;于帝国大厦的顶层，俯瞰金融中心的灯火辉煌;偏僻的乡村，严重营养不良孩子大大的眼睛;北京郊区，破败的教室，矮小的课桌，随时可能被取缔的进城务工人员子弟学校。既在高大上的外交学院会议室和联合国官员谈笑风生，也在田间地头为不平衡的发展现状压抑落泪。回头望时，我感激这些经历让自己活得“大”了一些，看到了很多在学校可能无法体验的事情和现象。太关注自我的人总是有点小家子气，身为这个世界、这个国家的一份子，每个人都有自己对共同体的一份责任。

作为商学院学生，完成学业后我打算从事战略咨询，为企业发展出谋划策，推动民族产业振兴。同时，也会坚持在NGO的工作，为非盈利组织提供和商业组织一样高质量的咨询服务。再往后，我希望自己能投身公益创业，抑或是全职加入多边组织或基金会的运营，在社会领域发挥更大的能量。

最近一段时间，中美摩擦愈演愈烈，随着我国制造业从低端加工品到高科技产品的转换，中美之间的贸易互补关系正转变成直接竞争。而我国产业转型正在路上，杠杆率处于高点，金融系统性风险值得警惕。习总书记曾说，“青年兴则国家兴，青年强则国家强。”我们都是接受了高等教育的新时代青年，学有所成后将进入各行各业。如果每一个人都能做好本职，同时“铁肩担道义”，有理想、有本领、有担当，那么国家就有前途，民族就有希望。

(原题为《 保研集齐“清北复交”offer的工管院小哥哥比你优秀，还比你努力》)

首先宣传一个福利，由于该号刚出生，故关注并转发的同学可以获得Python数据分析知识表若干，燥起来吧。

随着大数据时代的到来，数据分析的工作也越来越重要，而数据的来源则是五花八门，有的来自CSV、EXCEL等文件，有的来自JSON，STATA，SAS等。当然，来源于关系型数据库的情况自然也不在少数。对于数据存储于关系型数据库的，多数朋友会直接在navicat、workbench等环境中进行相应的分析工作。然而本人实在是不喜欢SQL里面一遍又一遍的嵌套式的书写方法。

那么，我们可以用Python大法读取关系型数据库里的数据并进行分析工作吗？

俗话说的好，人生苦短，我用Python。如果Python大法连这个功能都不具备的话，也不可能长年霸占在编程语言榜首了。

话不多说，我们来看看，如何用Python连接并提取MySQL中的数据。至于分析的事儿，以后慢慢来。

我们用到的主要有numpy、pandas和pymysql（没安装的同学可以直接用pip进行安装）这些第三方库，整个过程我们会在jupyter notebook这个神器中完成。我们先导入三方库：

然后编写连接信息。我们可以通过pymysql.connect(address, user, psw, db, port)这个方法来建立连接。因为我们演示时是连接的本机的数据库，address就是localhost，用户名就是root，且没有密码，因此我们的代码如下：

在演示的study库里有一个test表，数据很少，我们直接将它的数据全都读出来。我们可以先写一个sql语句，然后用pandas里的一个方法来读取：

在上述pd.read_sql方法中，第一个参数传入的是sql语句，第二个是前面已经实现的conn连接信息。关键字参数index_col允许我们自己选取mysql表里的哪一列作为DataFrame中的index；parse_dates则允许我们对日期进行解析（否则格式容易出现问题）。需要注意的是，parse_dates接受的参数为列表或字典，不接受字符串形式。

可以看到，在ID为3的记录中，其PRICE为NaN，这是因为在MySQL表中该数据是缺失的，DataFrame自然而然的用NaN表示。

除此之外，pd.read_sql中还有一些其他参数，笔者不是经常用到，故在此就不多说了，感兴趣的同学可以查看官方文档进行学习。

新号上任，希望大家能点个关注，本号不定时为大家送出Python数据分析与可视化的小知识，以及相应的资料福利。

上期我们了解了R语言数据读入的核心函数read.table，现在我们了解一下其他可以用的函数有哪些，以及使用的场景和基本技巧。

非关系结构文件读入scan()

除了read.table()这类读取文本文档的函数，还可以用scan()函数读入。不同的是它的返回值为列表或者向量。

假设我们有下述文本文档

24

1991

21

1993

53

1962

下列命令可以读入该数据

data<-scan("e:/birth.txt")data

## [1] 241991211993531962

此外，你代码稍加改造可以将数据变矩阵。

matrix(data,nrow=2,byrow=FALSE)

## [,1][,2][,3]

scan()也同样支持访问url数据上的数据，现在我们访问网上的一个age数据

data<- scan("https://s3.amazonaws/assets.datacamp/blog_assets/age.csv", what = list(Age = 0,

## $Age

注意上述代码中的what参数，如果what为list类通过上述代码可以读入类似于spreadsheet类型的文本文档。只需要定义每行中各个项目（列）的类型。scan()其他众多参数的用法和read.table比较类似。

固定列宽数据读入read.fwf()

有的时候我们可以知道每一列的宽度是多少，下列代码可以让我们读入这类数据

data<- read.fwf("https://s3.amazonaws/assets.datacamp/blog_assets/scores.txt", widths= c(7,-14,1,-2,1,1,1,1,1,1),

## subject sex s1s2s3s4s5s6

上述代码中width参数给出了字段的宽度。本例中，前7个字符为课程名字；然后的14个字符我们认为不需要，用-14跳过；接着，性别这一列需要一个宽度的字符；后面的2个空格不需要，用-2跳过；后续的成绩每列需要一个宽度1,1,1,1,1,1传入参数中。这些参数在不同的数据结构下，会有所不同。

另外，还可以使用read.fortran()函数读取数据，详细方法可以参见help文档理解。

导入excel数据

剪切板导入excel表格

如果你已经有了个打开的表格，你可以复制其中的内容，然后用readClipboard()或者read.table()函数导入数据。

readClipboard()#Only on Windows

RODBC包读入excel数据

通过RODBC包同样可以导入excel数据表。代码样例如下

library(RODBC)

其中，dsn的写法可以参考odbcConnect()函数的帮助文档。此外，odbcConnectExcel()同样可以读入excel数据。

当你读入了Excel数据表后,相当于建立了一个连接，你可以使用sql语句来操作数据

query<- ""

用RODBC包的建立了连接后，在操作完数据要使用odbcCloseAll()

其他方法读入excel数据

其他可以参考的方法有： * openxlsx包中的read.xlsx函数。 * readxl包中的read_excel函数。

其他类型的数据读入

其他主流数据类型R可支持的包括有JSON格式，SPSS文件，Stata文件，SAS文件，s-plus文件，EpiInfo文件，matlab文件，Octave文件，FitbitScraper 数据，Quantmod 数据，ARFF 文件。 支持导入的数据库有，MogoDB，MySQL，Oracle，PostgreSQL,SQLite,RJDBC，dBase等。

二进制数据读入

二进制数据由二进制浮点组成，8个浮点为一个字节。可以使用readBin函数读入此类数据。

connection<- file("", "rb") #You open the connection as "reading binary"(rb)

GIS数据读入

地理信息数据在R中也比较常用，常见的rgdal和raster包都有对应的函数处理此类数据。

大型数据集的读入

如何导入较大的数据一直是R用户的经常讨论的问题，除了将数据导入数据库中处理外，也有一些比较不错的处理大型数据的方法。

data.table包中的fread函数是比较容易实现快速读入大数据的方法，读入大型数据速度相当理想。

library(data.table)

ff包：该程序包磁盘缓存的技术可以读入超过内存限值大小的数据，常用的函数有read.table.ffdf(),read.csv.ffdf()等。

library(ff)

bigmemory包，此包也常用于处理大型数据。样例代码如下，但是此包不能用于windows系统：

library(bigmemory)

sqldf包，此包也可以考虑用于处理大型数据，它还可以使用sql语句处理数据。用read.csv.sql()函数读入数据。

library(sqldf)

随后我们别忘了R中的read.table函数，但是，用此函数读入大型数据，需要对参数有较好的控制。简单说，你能设置的参数越多，读入数据的速度越快。

总结

最后，我们将上述常见的方法做个了总结表格，读者可在用时参考，该表格涵盖了大部分常用数据格式的读入方法。

函数

来源

描述

scan

r-base

顺序读取文件中的数据值

read.fwf

按行和指定列宽度读取数据

read.fortran

采用fortran格式设置读取固定格式数据

readClipboard

读取剪切板中的数据

odbcConnect

RODBC包

读取excel数据，采用odbc

gs_read

googlesheet包

读取google sheet

read.DIF

读取DIF文件

read_excel

readxl包

读取excel文件

read.xlsx

openxlsx包

读取excel的xlsx文件

read.ods

readODS包

读取open document表格文档

fromJSON

jsonlite包

读取JavaScript的json文件

read_spss

haven包

读取spss文件

read_dta

读取stata文件

read.xport

forgein包，sasXPORT包

读取sas文件

read.S

foreign包

读取s-splus文件

read.epiinfo

读取epi Info文件

readMat

R.matlab包

读取MATLAB文件

read.octave

读取Octave文件

read.arff

读取Weka属性关系文件（ARFF）

…

mongolite包，Rmongo包，RODBC包，Roracle包，RPostgreSQL包，RSQLite包，RJDBC包

各类常见数据库导入数据到R

readBin

读入二进制文件

hdf5包，h5r包，rhdf5包，RNetCDF包，ncdf包

读入hdf文件，NASA和UCAR常用气象数据读取

read.dbf

读入DBF文件

read.ftable

读入无格式列联表Flat contingency table

fread

data.table包

大型文本文档读入

read.table.ffdf read.csv.ffdf …

ff包

read.big.matrix

bigmemory包

大型文本文档读入，无法在windows下使用

read.csv.sql

sqldf包

read.table

大型文本文档读入,但是需要合理设计参数，否则速度不理想

来源：DataCamp 编译：亮亮

引言

在过去几年中在公司经营中使用数据分析方法已经取得了重要的进展，有多家公司在数据分析的帮助下，提高了业务绩效。

Analytics（分析）不仅可以帮助公司从过去的复盘中吸取教训，也可以对未来有一个前瞻性的判断，并据此对将来可能发生的状况做好准备。

使用分析，公司可以找到三个主要问题的答案：“发生了什么”，“发生了什么”和“会发生什么”。分析不仅限于从过去得出见解，还可以预测未来的成果，并优化业务资源。因此，更先进的分析形式——预测和规范性在支持组织的决策需求方面已经变得更为重要。

在本文中，我解释了三种主要的分析模型。

正文

那么，不同类型的分析模型的本质区别是什么呢？

1、描述性分析

我们从最基本的分析类型开始，即描述性分析。描述性模型的目的是分析历史趋势，找出相关模式，以获得人口行为的见解。描述性分析涉及到找到“发生了什么事”的答案，它是组织日常运作中最常用的分析形式，通常也是最简单的。

描述性模型使用基本的统计学和数学技术来推导突出历史趋势的关键绩效指标。该模型的主要目的不是估计价值，而是获取对潜在行为的洞察。用于描述性分析的常用工具包括MSExcel，SPSS和STATA。

一个典型例子就是银行业的客户细分——通过发掘历史数据来分析客户的支出模式和钱包份额，从而实现有针对性的营销和销售方法。这些模型是描述人口的强大工具，但是对于个体用户的行为预测能力有限。

2、预测分析

预测分析使用统计建模来确定未来结果或情况发生的可能性，目的在找到“可能发生什么事情”的答案。

预测模型建立在描述性模型上，因为它不仅使用历史数据作为决策的主要依据，也使用来自各种来源的结构化和非结构化数据。它使决策者能够做出明智的决定，提供事件未来发生可能性的压缩性记录。包含各种先进的统计模型和复杂的数学概念，如随机森林、GBM、SVM、GLM、博弈论等。

预测模型建立在描述性模型的基础上，以预测未来行为。然而，与仅描述人口的描述性模型不同，预测模型侧重于预测单个客户行为。

用于运行预测模型的工具根据模型复杂性的不同而不同，常用的工具有RapidMiner、Python、SAS、Matlab、DataikuDSS等。有关使用这些工具的在线资源可以在Coursera上找到。

一个典型的例子是银行业高级的竞争分析。它可以帮助客户预测响应给定的营销报价来改善产品的交叉销售和销售的可能性。另一个例子是预测信用卡欺诈的可能性。

3、规范性分析

规范分析是最复杂的分析类型，它使用随机优化和模拟来探索一组可能的选项，并为特定情况推荐最佳的操作。它涉及到找到“应该做什么”的答案。

规范性模型超出了只能解决正在发生的事情的描述性模型，也超出只能说明会发生什么的预测模型，因为规范性模型通过预测明确在未来应该做什么。他们量化未来行动对关键业务指标的影响，并提出最佳行动方案。

规范性模型对大数据和业务规则综合使用复杂算法，以比较多种行为的可能结果，并选择最佳的行动来推动业务目标。先进的规范模型遵循模拟过程，模型会不断自动从当前数据中学习，以提高其智能化。

这些模型通常是很复杂的，因此被一些难以管理的大型公司所使用。如果正确实施，可能会对公司的决策有效性产生重大影响，从而对公司的决策效果产生重大影响。

也就是说，超级计算机，云计算，HadoopHDFS，Spark，数据库处理，MPP架构等技术进步使得使用结构化和非结构化数据的复杂规范模型的部署变得更加容易。然而，用于运行规范性模型的工具大多与预测模型相同，需要高级数据基础架构功能。

一个常见例子是银行各分行销售人员的最佳配置。结合地理位置信息与每个分支机构的业绩和潜力，该模式可以规定所有分支机构的销售人员的最优配置。

航空机票定价系统采用的是更为复杂的规范建模方法，根据旅行要素，需求水平，采购时间等优化机票价格，最大限度地提高利润率，同时不影响销售。

根据一项研究，目前约有10％的组织采用某种形式的规范性分析，同时这一数字将从2014年的3％上升到2020年的35％。

结语

在本文中，讨论了当前使用的三种不同版本的分析方法。这些是全球分析行业的基石。可以公平地说，使用数据制作的所有模型，发展和发现都可以分为这三类。

雷锋网 AI 科技评论按：这是 Karlijn Willems 发布于 Medium 的一篇关于 Python 中数据导入问题的博客。Karlijn Willems 是来自于 DataCamp 的数据科学研究员。她在本文中介绍一份 Python 中数据导入操作的速查表，雷锋网 AI 科技评论对原文进行了编译。

借助这个 Python 速查表，你将拥有一份便捷的数据导入参考指南。该速查表全面涵盖了平面文件（Flat files）、其它软件所定义的原生文件类型以及关系型数据库数据的导入方法。

在你对数据进行清理、可视化等操作之前，我们首先需要实现的事情是使用 Python 导入数据。而众所周知，针对不同的数据文件存在着许多不同的导入方法。

但是，你最经常使用的库可能就是 Pandas 和 Numpy：Pandas 库是最受数据科学家喜爱的软件库之一，他们经常使用 Pandas 对数据进行操作和分析，然后再使用 matplotlib 进行数据可视化。而 Numpy 则是 Python 中进行科学计算的一个基础库，并且 Pandas 也是构建于 Numpy 之上的。

在这份数据导入速查表中，你将看到一些 Numpy 和 Pandas 的函数，以及使用 Python 语言编写的函数，这些都将帮助你更快捷地将数据导入 Python。

这份教程将帮助你快速学习和掌握将数据导入 Python 中的基础操作，以便于你可以对数据开展后续的清理和可视化等操作。

速查表传送门

这份速查表将引导你学习掌握如何将数据导入实验环境的基础：你不仅会学到如何导入诸如文本文件这样的平面文件，也能看到如何读取那些来自于特定软件的文件（比如 Excel、Stata、SAS 和 MATLAB）和关系型数据库。最重要的是，你将获得更多关于如何寻求帮助的指示，如何浏览文件系统以及如何开始探索数据信息。

总而言之，这里有你所需要的所有知识，来帮助你开启基于 Python 的数据科学学习大门。

如果你还想获得更多的知识，那么现在可以免费来学习这门《Python 数据导入课程》或者尝试一下我们的使用 Python 玩转 Excel 教学！

当然，别忘了我们为数据科学而制作的 Python 速查表，并且在我们的社区能获得更多类似的速查表！

备注：速查表传送门

Via Importing Data in Python Cheat Sheet，雷锋网编译

数据分析，就是让数据说话。通过这些数字，你可以获得很多信息。所以重点在于如何让数字展现出你想要的信息。

首先要明白你的目的是什么。

是想看看这一堆数据有什么规律或特点，还是知道了具有某种特点，想要验证？

不同的目的对应不同的统计方法。

然后收集你想要的数据。

自己设计问卷还是利用现有的数据？

政府网站的统计年鉴有许多有价值的数据，可以利用哦

熟悉统计方法。

要学好统计理论知识。什么类型的数据用什么统计方法。比如定量资料描述可以用均数、标准差、四分位数，统计推断可以用t检验、方差分析；定性资料可以用频数、频率来描述，卡方来推断，等等。

数据清洗

冗杂的数据，并不一样都符合你的要求。根据你的标准，筛选合格的数据。

比如，年龄是不是符合要求？问卷不完整需不需要剔除？

数据分析

学习一些常用的统计软件。Excel功能也很强大，可以多多挖掘。还有SPSS，菜单式操作，简单快捷，一般也都能满足需求。其他的还有stata、SAS、R等。

数据呈现

分析好的数据，要展现给别人。图表结合体现，也可以请大家一起深挖数据的其他特征。

作者：兵心小事

1、TFP计算方法的比较

全要素生产率估计方法分类

应用OLS方法的测算TFP的主要问题出在同时性偏差simutaneity bias和样本选择偏差selectivity and attrition bias，即自相关，从而导致TFP残差计算的不准确。有部分可以被观察到的，非宏观层面的，可能受宏观因素影响的，属于企业个体的，并对TFP造成冲击的因素被计算在残差内。（核心为题TFP重新分解。）

2、固定效应，OP方法与LP方法（半参数）对于同时性和样本选择偏差的纠正

固定效应缺点：面板数据，信息缺失，时间跨度不变造成的结论苛刻。

OP方法（半参数方法）：当期投入在数据库中难以实现，

LP方法（半参数方法）：使用中间投入。

3、“levepet”命令

产出增加值计算。（加入企业年龄中间（自由变量））

结果分析

这是一次不完全样本的测算。

4、缺失数据推算

2008年缺失数据：

工业增加值=营业利润+折旧+生产税净值

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

今天要分享的是微软公司在Excel里面到底隐藏了什么秘密！

大家在安装office软件的时候，通常都是默认安装，很少去探寻Excel背后到底隐藏了什么，一直在用着微软设定的默认的功能。但是小编今天就帮扒开Excel的外衣，让大家看看Excel究竟隐藏了什么？

本文以Excel2010版本为例，其他的版本大同小异！

大家看下Excel初始状态的界面

然后点击左上角“文件”按钮

继续点击倒数第二个“选项”

有木有看到右侧主选项卡下面的开发工具那一栏的选框处于待选状态，没有打勾，这就是微软同我们开的最大的玩笑，既然软件都安装了隐藏功能还不给用，太不地道了吧！

点选之后，回到Excel界面，现在你有木有发现主菜单栏多了一栏开发工具，点开，找到加载项，继续点，你会发现这里面有几项功能同样处于待选状态，在分析工具库、规划求解加载项的选框里打上勾，然后确定！

现在，打开主菜单上的数据选项，在最右边位置多了一栏数据分析区，上面多了两个功能“数据分析”“规划求解”，这两个功能到底能干嘛呢？

点开数据分析看一下吧！

哇，好像普通的计量分析和统计描述都能做哎，以后做计量回归再也不用苦苦的在英文版的Eviews里面挣扎喽，当然，如果你是统计或者数学科班出身的，需要做很复杂的计量或者统计模型的话，Excel的数据分析功能就爱莫能助了，还是得借助专业的Eviews、SPSS、stata等专业数据分析软件。至于规划求解的用处，小编在这里就不啰嗦了，因为……因为我玩的也不太溜呀，应该是弄线性规划、求最优解的吧，感觉平时用的不多！

好了，本期分享就到这里，赶快动手尝试一下，让你的Excel也瞬间秒变高大上吧，虽然今天只说了Excel，但是微软office家族的所有成员（Word、PPT、Access、OneNote、outlook）几乎都隐藏了开发工具功能哦，感兴趣的同学赶快挖掘一下吧，看看能找到什么好玩的东西，还可以在后台跟小魔方一起分享哦！

天善学院svip

正火爆报名中！包含Excel BI、Python3爬虫案例、Python机器学习、Python数据科学家、大数据体系、数据分析报告、数据分析师体系、深度学习、R语言案例共10套课程，其他课程只需五折即可，欢迎大家关注报名。

本文作者：杜雨 摘自：数据小魔方 。

2017年8月，学术中国在北京举办Stata软件入门到进阶工作坊（第1季），好评如潮。在这个工作坊里，来自群过各地的学员，在主讲老师的带领下，从基础的术语和概念了解开始，到get到很多实用的小技巧和小命令，一起讨论编程经验和编程习惯。不少老师反映，通过学习这次Stata,不仅Stata软件的操作能力提升了，连R、Python等同类软件的脚本也能看懂了，果然是触类旁通呀。

以下是第1季部分学员心声：

北京大学郭老师：老师讲得很清楚。授课方式也比较好，通过同学演示，可以发现操作过程中可能出现的问题，比老师自己演示操作的方式要好。此外，助教的设置特别好，可以在课上或课后即时解决问题。

哈尔滨师范大学李老师：我赞赏唐老师的教学理念。助教老师的指导也很有效果。十分感谢老师们的付出！作为真正零基础的人，我还是觉得有些跟不上。不过，课堂上有些基础的同学对我也有促动和激励。我很赞成办这种高水平的入门课，真正能满足更大范围、更多人群的学习需要。

常熟理工张老师：参加STATA零基础班，唐老师讲的很好！几个助理也很认真。谢谢他们！

再看看活动现场，满屏都是学习的热情啊！

因场地限制，第1季现场仅限70人参与了学习。很多学友被学长“无情的”挡在门外。为了弥补大家的遗憾，我们决定在今年10月份开设”Stata软件入门到进阶工作坊（第2季）。

还是原来的“配方”，还是原来的“味道”，但是我们会更加升级服务！就等你了！

在这个工作坊里，你会搞清楚很多以前对你来说“似懂非懂”的术语和概念，比如，那些用过数据的小朋友，你现在能告诉我什么是变量吗？能给变量一个定义吗？什么是编码？编码和取值什么关系？什么是数据？样本、案例、记录、被访者、调查对象这些概念间的差异在哪里？这些都是基础，基础牢固是根本。在这个工作坊里，你还会get到很多实用的小技巧和小命令，它们会让你的数据处理工作快得飞起来～～在这个工作坊里，我们还可以一起讨论编程经验和编程习惯，好的编程习惯在未来会给你带来很多意向不到的益处。最重要的是，我们可以一起学习如何学习，学习如何用Stata的各种资源来自学Stata，毕竟“授人以鱼，不如授人以渔”。而且，而且，当你能读懂Stata的脚本后，你很快就能看懂R、Python等同类软件的脚本，触类旁通嘛。

好吧，严肃点>_<：Stata作为一款功能强大、用法简单且易于上手的统计软件，不仅统计分析功能全面，而且在数据管理方面的功能也很强大。现在，有一些很棒的关于Stata的书或课程，但他们都假定读者有用过其他类似统计软件的丰富经验，比如SPSS、SAS、R等统计分析软件；还假定读者具备相当高级的统计知识。这些书都很快进入高级主题，把很多读者都远远抛在后面。这个工作坊是专为这些读者设计的：他们学过社会统计，而且想要或需要学习Stata，但是之前又没有用过其他统计软件的经验。

主讲老师

小唐老师本名唐丽娜，社会学博士一枚，是中国人民大学中国调查与数据中心的资深数据师和培训老师。在社会科学领域广泛使用的中国综合社会调查（CGSS）数据，小唐老师都有全程参与，从问卷设计到抽样实施到数据整理和数据分析，Stata用的简直6666。这还不算啥，她教过的学员专业跨跨跨跨跨跨跨跨跨跨跨跨跨跨跨跨跨跨跨跨度简直不能更大，什么哲学、宗教、法律、化学、汉语语言、英语、文学、对外贸易、生物、社会学、心理学、经济学、食品安全等，他们都从小唐老师那里学会了用Stata编程来管理数据和分析数据，有的已经成长为高手啦。

小唐老师不但在社会调查和数据分析方面积累了丰富经验，还翻译出版了Stata公司的两本Stata专著《Stata环境下的数据管理实务手册》和《基于Stata的数据管理工作流程》，同时著有Stata专著1本《社会调查数据管理——基于Stata14管理CGSS数据》。

更重要的是，小唐老师是个超nice的人，你们提出的各种问题她都会认真解答哟。

你想学习编程吗？你正在找一门编程的入门课吗？你想知道怎样用统计软件来分析数据吗？如果是，那就是你。不要怀疑，不要说“我的专业不对口”，这不是一门专业课，如果真要给这门课定个性，那它就是一门“关于如何使用统计软件、如何用统计软件处理数据的通识课”。

学习目标

1、理解Stata的工作原理

2、熟练使用Stata的交互界面及各种帮助资源，学会利用Stata的交互界面来编写程序

3、能够通过编写do文件来分析数据和管理数据，实现数据分析和管理的可复制性

主讲内容

1. Stata的安装、帮助及使用注意事项

2.在Stata里输入或导入数据

创建数据集

编制编码手册

用数据编辑器输入数据

管理取值标签、变量标签和数据标签

保存数据

3.在Stata里准备分析所用数据

给变量取值重新编码

修改变量和创建新变量

处理缺失值

合并数据、数据的长宽转置

筛选所需数据

4.用Stata做描述统计和统计图表

5.用Stata做方差分析

6.用Stata做回归分析

课程详情

时间：2017年10月27日-29日（三天）

地点：济南市（详细地点另行通知）

费用：1800元/人

规模：为保证教学质量，本次特训营限额70人（含学术中国vip会员）。

▍参加对象

1Stata零基础，想从零开始学习者。

2具备一定的Stata基础，但是感觉没学好，想重新梳理和学习的。

3各类市场调查公司、咨询公司、互联网公司和科研机构需要进行数据处理的人士。

授课形式：老师讲授指导，学员操作练习，助教随时答疑。

识别报名

▍报名咨询

咨询联系人：

张老师：；电话：010-56204616；

财务发票服务支持：

；

注意事项

1、报名截止日期：2017年10月20日 17:00（具体截止日期根据实际招生而定，人员招满，将会立即关闭报名通道）。

2、如您报名后有事不能参加，请在报名之后的10-15天之内办理退费，并将收取6%的手续费！2017年10月11日17:00之后不再接受退费！人数不满30人不开班！

3、本次会议可提供增值税普通发票，如需开具，请在购买时点开“是否开发票”项，并根据自己单位财务部门要求填写抬头和类目信息（一旦开具不能重开），发票类目为：网络会议费、信息服务费、会议费、咨询费，报名时可以直接任选其一，其他类目无法开具。信息填写完整的老师可现场领取发票。

J·保罗·埃尔霍斯特(J.Paul Elhorst) 的空间面板数据模型Stata代码，可实现SAR、SEM和SDM三种模型的运算。希望能对学习空间计量经济学的同学有帮助。

J. Paul Elhorst是荷兰格罗宁根大学经济与计量经济学系教授。他的研究领域是区域经济学、空间计量经济学、劳动力市场和欧洲区域政策，他也是当前研究空间计量经济学的著名专家，获得了区域经济研究领域的最高奖——马丁贝克曼奖（Martine Beckman Prize）。

XSMLE - A Command to Estimate Spatial Panel Models in Stata

Paul Elhorst#

Federico Belotti*,

Gordon HughesO, Andrea Piano Mortari*

#Department of Economics and Econometrics, University of Groningen

*CEIS, University of Rome Tor Vergata

OSchool of Economics, University of Edinburg.

2013 German Stata Users Group Meeting

Potsdam, June 7 2013

cap log c

clear all

set matsize 800

set more off

cd "D:\SpatialpanelsStata"

log using Cigarette_example_Stata.log, replace

////Spatial panel model estimation by ML using Stata////

*Example using Baltagi and Li (2004) cigarette demand panel data set

*For the course Empirical Macroeconomics: Spatial Econometrics, Prof.dr. J. Paul Elhorst

*Instructions for students

*First, they should install the routine by typing the following in the Stata command window

//net install xsmle, all from (http://econometrics.it/stata)

*There has been a recent update in July 2013 (corrects minor bugs, among other improvements, can implement Hausman test)

//ssc install xsmle, replace

* also install spmat

* Type findit spmat, and then click on install

*Side-note: Although this is a balanced panel, for unbalanced panel can use 'mixsmle'

/*Instructions: W from excel file into stata and coverting to spmat object

///Note: The W in stata format is already made and included in the folder

import excel "D:\SpatialpanelsStata\SpatweightUS.xls", sheet("Sheet1") first row

save "D:\SpatialpanelsStata\W.dta"

file D:\SpatialpanelsStata\W.dta saved

use W.dta,clear

spmat dta W s*, normalize(row)

spmat summarize W

spmat summarize W, links

spmat summarize W, links detail

*/

//row-normalized binary contiguity W matrix

use W.dta, clear

spmat dta W s*, normalize(row)

//Read in data set

use cigarette.dta, clear

//Panel

xtset state year

//Descriptive statistics

xtsum

xtdes

//Notes:

*1) Estimations below include both spatial and time fixed effects

*2) nsim() is optional to set the number of simulations to compute direct,indirect effect

*3) There is also an option to include the lagged dependent variable

//Spatial lag model (SAR)

xsmle logc logp logy, wmat(W) model(sar) fe type(both) nsim(500)

//Notes:

*1) wmatrix(name) species the weight matrix for the spatial-autoregressive term.

*2) model(sar)estimates the SAR model

*3) fespecies the fixed effect model；re species estimates the random effect model

*4) type(both)species the inpidual-fixed effct and time-fixed effct；type(ind)species only the inpidual-fixed effct；type(time)species only the time-fixed effct

//Spatial error model (SEM)

xsmle logc logp logy, emat(W) model(sem) fe type(both)

//Notes:

*ematrix(name) species the weight matrix for the spatial-autocorrelated error term.

//Spatial Durbin model (SDM)

xsmle logc logp logy, wmat(W) model(sdm) fe type(both) nsim(500) nolog

//Tests

*Test for SAR

test [Wx]logp = [Wx]logy = 0

*Test for SEM

testnl ([Wx]logp = -[Spatial]rho*[Main]logp) ([Wx]logy = -[Spatial]rho*[Main]logy)

//SAC model (also known as the SARAR model or Kelejian-Prucha model)

xsmle logc logp logy, wmat(W) emat(W) model(sac) fe type(both)

**note that SAC model results are the ones that differ most from Matlab results,

*but, the qualitative conclusions do not change.

*including time fixed effects (results more similar, but still some differences)

tab year, gen(year)

xtreg logc logp logy wlogp wlogy year*, fe robust

//Example comparing SDM fixed effects model vs. SDM random effects model

xsmle logc logp logy, wmat(W) model(sdm) fe type(both) nsim(500) nolog

estimates store sdm_fe

xsmle logc logp logy, wmat(W) model(sdm) re type(both) nsim(500) nolog

estimates store sdm_re

hausman sdm_fe sdm_re

*hausman sdm_fe sdm_re, eq(1:1 2:2 3:3)