量化研究论文写作指导

课程简介

本课程是一门量化论文写作实践指导课，学生将在教师指导下完成论文从选题到成稿的完整过程，课堂以学生习作为研讨对象，发现论文写作中的具体问题，在实践中改进。课程将着重围绕论文选题、文献综述、理论框架搭建、研究设计、数据分析和结果呈现等展开，以求课程结束，学生完成一篇论文的完整写作过程。

本课程同时也是一门量化研究方法设计的导览课，量化研究方法多种多样，根据不同的研究问题，可以分为描述分析方法、相关性分析方法、因果分析方法、作用机制类分析方法，还有一些与机器学习相关的研究方法。本课程并不详细介绍每一种方法，而告知学生在研究方法设计过程中知晓不同研究方法的存在，以及其使用的情形，并指出学习各种分析技术的学习路径和学习资源。详情请参看课程网站。

课程目标

  1. 掌握发现教育研究问题的途径与方法
  2. 掌握文献检索、管理方法及文献综述写作方法
  3. 使学生掌握理论框架写作
  4. 使学生掌握研究设计部分的写作
  5. 应对和处理数据分析过程中的常见问题
  6. 掌握量化论文结果解读与启示的写作

设计思路

在本课程的内容选择与课程安排过程中，坚持以下原则：

  1. 研究与写作并重。研究是发现问题、找到答案的过程，写作是呈现研究的过程与结果。研究的质量是写作质量的最终决定因素。很难想像，一个糟糕的研究可以形成一篇优秀的论文。本课程虽然是论文写作指导课程，但注重对学生研究设计与实施过程的指导。当然，好的研究项目并不一定自动形成好的论文，写作是对研究过程和结果的有选择呈现，如何做好这种选择，如何组织与表达，便是写作训练的内容。
  2. 研究与写作是通过实践来提高的。研究与写作都是一项技术活，单纯掌握这项技术的原理、规则和操作流程，并不能掌握这项技术；单纯看别人的研究和文章也无法掌握这一技术。只有通过练习、试错、修正，才能形成经验，得到提高。因此，本课程将设置大量的研究与写作实际操作相关的作业。
  3. 技术是需要自学来完成的。研究与写作是一项系统性的工作，绝非一门课程内容所能完全涵盖，关于研究问题和研究方法，都需要系统的学习，而且这种学习更多是以’用什么、学什么’形式展开的。每一个研究主题所涉及的内容和方法都不相同，一个研究者，也不可能在研究开始前系统地掌握所有的理论与方法。因此，在确定选题之后，有针对性地补充开展一项研究所需的知识与研究方法。
  4. 个性化学习，根据研究问题类型的不同，量化研究使用的技术方法也不相同，研究与写作的重点也各不相同，每位同学的兴趣点与能力也有不同。因此，本课程在内容选择方面，选择不同类型和层次的学习内容，供同学们选择性阅读。不要求学生学习所有技术，但需要对自己关注的问题类型与相关技术要逐步掌握。

课程内容

  1. 研究问题选择
  • 怎样的选题才是一个好的选题？
  • 如何发现一个好的选题？
  • 问题提出部分的写作
  1. 文献综述写作
  • 文献检索要求与方法
  • 文献管理工具使用
  • 文献阅读方法
  • 综述写作要点
  1. 理论框架的选择与架构
  • 理论框架的界定与形式
  • 研究理论的选择
  • 研究理论的构建
  1. 研究设计
  • 模型选择
  • 变量选择
  1. 数据分析
  • 描述性分析
  • 相关性分析
  • 机制分析
  • 敏感性检验
  • 非预期结果的处理
  1. 研究结果呈现
  • 描述性结果
  • 统计分析结果
  1. 量化研究方法概览
  • 描述性分析方法（percentage, trend, mean, sd）
  • 基本相关性分析方法（T-test, Anova, Chi2-test, correlation)
  • 条件相关分析（lm, glm, mle)
  • 机器学习方法（svm, random forest, xgboost, neural network)
  • 因果分析方法（Experiment, IV, RD, DID, PSM, TWFE）
  • 机制类分析方法（interaction & mediation)
  1. 经典论文阅读
  • 定量论文阅读
  • 定量论文再现

授课形式

课程以学生分享习作为主，教师讲授为辅。每节课之前学生按要求完成一定量的写作任务。课堂上由学生分享并由教师或同伴点评。与此同时，每节课，我将介绍写作方法、和一些分析技术及其学习路径。

课程要求

  • 本课程不讲授具体的数据分析方法，而是教学生利用已知的数据分析技术开展量化研究与写作，因此，要求学生具备基本的概率与统计知识；
  • 学生需要拥有基本的数据分析技术，比如使用SPSS, Stata, R 或者Python的能力；
  • 课程需要阅读大量英文材料。

考核方式

  1. 出勤：10%
  2. 课堂表现：30%
  3. 期末论文：50%

课程材料

书籍

  • 必读

    • Huntington-Klein, N. (n.d.). The Effect: An Introduction to Research Design and Causality. Retrieved January 31, 2023, from https://theeffectbook.net/index.html。因果推断研究在近30多年里获得了深刻的发展，其不仅改变的经济学的研究主题与技术，也改变了其它学科的研究内容与技术。因果推断方面充分发展的一个标志产生了很多系统的教材，在这些教材中，做到全面、易懂、前沿的，就是这本书。推荐打算学习因果推断的同学学习，且提供书中案例的数据和代码，供大家练习。
    • Matsui, R. D. P. and E. (n.d.). The Art of Data Science. Retrieved January 31, 2023, from https://github.com/rdpeng/artofdatascience.，一本描述数据分析流程与思路的书。正如作者所说，在完整的数据分析流程中，思考(thinking)的内容可能比做(doing)的内容更多，确定、修正研究问题，选择数据，选择分析方法，对结论进行各种可能的检验，对结果取舍和解读，等等。这本书给数据分析流程制定了一个完整、清晰的分析框架。特色之处在于，不介绍数据分析过程中的具体技术操作，而是分享数据分析过程中各种问题的应对与思考。作者通过例证介绍流程与步骤，更多的是使用文字描述数据分析过程的步骤以及每一步所需注意的事项，基本没有使用代码，极少使用公式，思路极为清晰，语言简洁明了，是学习数据分析难得的说明书，重点使用。
    • Wilke, C. O. (n.d.). Fundamentals of Data Visualization. Retrieved February 19, 2023, from https://clauswilke.com/dataviz/. 对常见的数据可视化工具进行了系统介绍，并重点从美学角度介绍了图形设计的基本原则，附有大量制作精良的图形案例。
    • Weisbach, M. S. (2021). The economist’s craft: An introduction to research, publishing, and professional development. Princeton University Press. 本书对学术研究、学术发表与学术职业发展谈了很多有益的经验。这些内容是传统研究生课程所遗漏的内容。可以帮助学生知晓学术研究过程，论文发表流程和职业发展轨迹及其各阶段所面临的问题。本书还对’如何成为一个有生产力的博士生’提供全面而有用的建议。对年轻教师的成长也提供很多别处无法获知的经验。总之，推荐每个有从事学术研究的学生阅读。

  • 推荐

    • Angrist, J. D., & Pischke, J. S. (2015). Mastering metrics: The path from cause to effect. Princeton and Oxford: Princeton University Press.　因果推断的经典教材。
    • Pearl, J. (2018). The Book of Why: The New Science of Cause and Effect. New York: Basic Books.
    • Cunningham, S. (2021). Causal inference: the mixtape. Yale University Press.　因果推断的通俗读物。
    • Bradley, S., & Green, C. (Eds.). (2020). The economics of education: A comprehensive overview (Second edition). Elsevier, AP/Academic Press, an imprint of Elsevier. 对教育经济常见研究主题的全面论述，可以快速了解’教育经济学究竟在什么’这一问题。

文章

  • 实证文章

    • Angrist, J. D., & Keueger, A. B. (1991). Does Compulsory School Attendance Affect Schooling and Earnings? The Quarterly Journal of Economics, 106(4), 979–1014. https://doi.org/10.2307/2937954
    • Angrist, J. D., & Lavy, V. (1999). Using Maimonides’ rule to estimate the effect of class size on scholastic achievement. The Quarterly Journal of Economics, 114(2), 533–575. Retrieved from http://qje.oxfordjournals.org/content/114/2/533.short
    • Black, S. E. (1999). Do better schools matter? Parental valuation of elementary education. Quarterly Journal of Economics, 114(2), 577–599. Retrieved from http://qje.oxfordjournals.org/content/114/2/577.short
    • Klaauw, W. Van der. (2002). Estimating the Effect of Financial Aid Offers on College Enrollment: A Regression–Discontinuity Approach. International Economic Review, 43(4), 1249–1287. Retrieved from http://onlinelibrary.wiley.com/doi/10.1111/1468-2354.t01-1-00055/full
    • Wapman, K. H., Zhang, S., Clauset, A., & Larremore, D. B. (2022). Quantifying hierarchy and dynamics in US faculty hiring and retention. Nature. https://doi.org/10.1038/s41586-022-05222-x, 篇很优秀的使用描述性量化研究方法的文章。

  • 方法文章

    • Cinelli, C., Forney, A., & Pearl, J. (2022). A Crash Course in Good and Bad Controls. SSRN Electronic Journal, (March), 1–30. https://doi.org/10.2139/ssrn.3689437

    • Elwert, F., & Winship, C. (2014). Endogenous selection bias: The problem of conditioning on a collider variable. Annual Review of Sociology, 40, 31–53.https://doi.org/10.1146/annurev-soc-071913-043455

    • Edmans, A. (2023). Learnings From 1,000 Rejections (SSRN Scholarly Paper No. 4336383). https://doi.org/10.2139/ssrn.4336383

课程网站

　　量化论文写作指导