用python做数据分析与科学计算主要涉及Numpy, Pandas, Scipy, Scikit-learn, Scipy等库，工作环境为Anaconda，这个IDE集成了大部分常用的包。同时，可以实现本地环境下Python的多版本切换，可参考之前文章,MacOS下使用python的多版本方案

由于接触到SAS，本人电脑为Macbook，暂时无法安装SAS，所以通过网上收集相关知识，Mark下

数据分析需要掌握的一些基本Excel姿势拾遗，后续不断更新

准备面试数据分析岗，学习一下数据库和SQL语言知识，总结如下。

VC维在机器学习领域是一个很基础的概念，它给诸多机器学习方法的可学习性提供了坚实的理论基础，但有时候，对我们而言，SVM，LR，深度学习等可能都已经用到线上了，但却不理解VC维。

很多人在做变量选择时，眼光依然局限于$R^2$或者$Adjusted-R^2$,以及$P-Value$之中。计量经济学中，对于模型选择，学术界其实更倾向于采用$AIC$和$BIC$等标准来做判断。而对于$P-Value$的滥用与批判，其实已经到了水深火热的地步。抛开背景知识不谈，在变量选择，可以倚靠哪些神奇的准则和方法？

为了介绍工具变量，我们首先要从线性模型出发。毫无疑问，线性模型是理论和应用统计（包括计量经济学和流行病学等）最重要的工具；对线性模型的深刻理解，可以说就是对一大半统计理论的理解。下面的第一部分先对线性模型，尤其是线性模型背后的假设做一个回顾。

关于JUMP少年周刊的一份漫画排行榜。1968年8月6日JUMP少年周刊正式创刊，不是作为日本少年的我们，可能无法对周刊少年JUMP的历史感同身受，但是其中很多作品，一定有自童年或直到现在依然被你喜爱的作品。

简单的$GMM$快速入门介绍虽然听起来高大上，但背后统计学思想并不复杂。如果你有本科的统计知识，看懂下文是不成问题的。$GMM$的全名是$\text{Generalized Method of Moments}$，也就是广义矩估计。

这篇博文是很久之前总结的，最近正好需要复习计量经济学相关知识，所以把原来的这篇文章回炉重造一番，做一点补充完善工作。