中科院数学与系统科学研究院数量经济学考博初试主要考察考生对计量经济学理论、实证分析能力及前沿研究的掌握程度。近年来考试呈现以下特点：专业课笔试占比60%，涵盖中级计量经济学核心内容，重点包括时间序列分析（如ARIMA模型、VAR模型及格兰杰因果检验）、面板数据模型（固定效应与随机效应模型的选择依据、动态面板GMM估计）、非参数检验方法（如核密度估计、自助法）及高级计量软件应用（Stata或R编程能力）；综合面试占比40%，注重考察学术潜力，常涉及近期顶刊论文（如《Journal of Econometrics》《Econometrica》2022-2023年发表的计量经济学相关研究）的解读能力及研究设计逻辑。

考试内容深度呈现分层趋势：基础题占比35%（如DID模型的应用场景、工具变量有效性检验的三重检验），中等难度题占比45%（如面板数据内生性问题处理中的系统GMM与系统SBM模型比较、面板Tobit模型估计），高阶题占比20%（如机器学习与计量模型的融合方法、因果推断中的PSM-DID扩展）。2023年新增对"因果发现框架（Causal discovery)"的考查，要求考生能运用PC算法或FCI算法处理混杂因素。

推荐备考路径：首先构建"理论-模型-应用"三维知识框架，重点突破时间序列协整检验（如Engle-Granger两步法与Johansen最大似然法的适用条件）、面板数据空间效应模型（空间滞后模型SLM与空间误差模型SEM的识别差异）、离散选择模型（Probit与Logit模型的选择标准）三大核心模块。其次强化编程能力，建议完成以下实战训练：使用Python实现面板数据平衡处理（dropna与merge方法比较）、在Stata中构建动态面板系统GMM模型（差分形式与水平形式转换规则）、通过R包plm实现多期DID模型的稳健性检验。

面试准备需聚焦三大维度：一是文献解读能力，需掌握近三年NBER计量经济学工作论文的演进脉络（如2022年《机器学习与因果推断的融合研究》中的Double ML方法）；二是研究设计逻辑，重点训练"理论建模-数据清洗-模型选择-结果解释"的完整链条（典型案例：基于CHFS微观数据构建家庭金融健康指数的构建过程）；三是学术规范意识，需严格区分"因果推断"与"相关性分析"的表述差异，避免出现"回归系数显著即存在因果效应"等概念错误。

建议考生建立"三阶段"复习计划：3-5月完成《计量经济学》理论体系重构（每日2小时精读伍德里奇教材第4-7章）；6-8月进行专题突破（每周完成3套模拟题并撰写解题报告）；9-10月开展真题演练（重点研究2019-2022年真题的共线性检验、异方差处理等高频考点）。特别需要注意2023年新增的"可计算一般均衡模型（CGE）在数字经济中的应用"考点，需掌握投入产出矩阵的构建方法及GMS求解器操作流程。