学习模式
本章主要总结计量学习模式和过程，包括主要特点、挑战性问题等。
1 主要挑战
（1）记号体系不统一。符号表达与语言表达，需要获得逻辑上的一致性和连贯性。实际上不同的学者往往很难实现相互间的统一性。这直接导致了可读性困难，以及横向比对困难。
（2）统计软件的差异性。不同软件理论上应该只有使用习惯和效率上的差异，但在实际工作中，无论是在数据结构、结果呈现等方面都会表现出明显差别。尤其是对于学术上还存在较大争议的领域，这种差别会更加明显。
2 无效率学习：必须掌握一切相关知识
计量课程的介绍页面，一般会提示需要众多先修课程，至少包括高等数学、概率论与数理统计、解析几何等；如果使用R软件进行实证统计分析，至少要掌握base R方式的命令，然后是tidyverse方式的命令，还包括掌握各类特定计量分析目的各类R包。即便是最简单的计量分析（例如简单线性回归），也会牵扯到一堆新术语或论证逻辑（例如置信区间、显著性检验、BLUE性质等）。对应的R分析工具又有其自身的工作框架和流程（例如数据框data.frame的列向量特质，先要设定模型formula()，再进行OLS估计lm()）需要去熟悉与实践。
因此，一切似乎都要求学习者必须循规蹈矩、按部就班地掌握各种相关知识，然后方才能够将计量所学用于实证分析，直至独立完成发表一篇期刊论文。显然，这是一种最朴素的学习流程，也是一种极为“昂贵”的学习模式。学习者从入门到精通，严格遵从学校学习进程和教学指南。这是典型的“科班式学习”。大学各个学期里安排的高等数学、概率论与数理统计等课程考核，最好是85或90分以上；计量经济学课程上的笔记要写得密密麻麻且脉络清晰；统计工具学习（如R操作）如果学校没有相应开设课程，那起码也要经过若干个在线系列课程的自学。总之，一切好似都不能随意任性，不得越级造次。知识密度很大，学习战线道阻且长。如此前进，虽然困难重重，但一路向上，最终肯定修成正果：扎实完备的知识体系，高度简明的逻辑认知。一切繁杂聒噪，最终归于清净自然。
当然，很多人无法享有这样“昂贵的”、“修行式的”学习经历。很多人是在博士发表论文阶段才意识到需要恶补计量，或者在职业开始才意识到计量之美。他们属于“武松打虎”的激灵三醉拳，或者“半道出家”的激情摩拜。总之，没有富得流油的学习时间，没有足够储备的知识体系，每走一步都要碰一鼻子灰。事实上，这才是大多数人的学习状态。当然，我们大可不必烦恼。“最小化”学习，甚至是一种更好的选择：不要苛求面面俱到，掌控一切；而是刚好能把握当前局势即可，抓住主要问题，掌握主干知识，暂时忘却细枝末节。而一旦感觉局势开始失控，才去学习必要的知识，然后重新掌握局势！因此，你完全可以没有先修过概率论与数理统计，但是你手头或案边务必时刻备存一本经典的概率论与数理统计参考书。一切的前提是，要有面都新知的强大勇气，要有不断冲锋不依不饶的果敢和坚毅。
3 主流软件
Stata和R的比较与启示。
3.1 stata xtreg
Stata xtreg pdf文档
Description
Quick
start
Menu
Syntax
Options
Remarks and examples
Stored results
Methods and formulas
References
3.2 R plm
Yves Croissant 开发的R包plm（见cran），相关说明文档如下：