金融计量模型(三):工具变量法

article/2024/2/25 17:04:34

文章目录

  • 工具变量法
    • 内生性
      • Simultaneous causality
        • 案例:供求问题
      • Omitted Variables
      • Errors in Variables
      • 其他原因
    • 工具变量法的基本想法
      • 多个工具变量

工具变量法

内生性

在线性回归:
y i = x i ′ β + u i y_i=x_i'\beta+u_i yi=xiβ+ui
中,如果 E ( x i u i ) ≠ 0 E(x_iu_i)\neq0 E(xiui)=0 ,那么便存在内生性。

内生性产生的原因:同时的因果关系或联立方程(Simultaneous causality)、缺失变量(Omitted variables)、变量测量误差(Errors in variables)等等。

Simultaneous causality

案例:供求问题

定义 p i = l n P i , q i = l n Q i p_i=lnP_i,q_i=lnQ_i pi=lnPi,qi=lnQi,需求方程为:
q i = γ 0 + γ 1 p i + u i q_i=\gamma_0+\gamma_1p_i+u_i qi=γ0+γ1pi+ui
这里 u i u_i ui 代表价格以外的影响需求的因素,比如收入和消费者喜好。供给方程为:
q i = δ 0 + δ 1 p i + v i q_i=\delta_0+\delta_1p_i+v_i qi=δ0+δ1pi+vi
这里 v i v_i vi 代表其他影响供给的因素。解上述联立方程,得到:
p i = δ 0 − γ 0 γ 1 − δ 1 + v i − u i γ 1 − δ 1 q i = γ 1 δ 0 − γ 0 δ 1 γ 1 − δ 1 + γ 1 v i − δ 1 u i γ 1 − δ 1 p_i=\frac{\delta_0-\gamma_0}{\gamma_1-\delta_1}+\frac{v_i-u_i}{\gamma_1-\delta_1}\\q_i=\frac{\gamma_1\delta_0-\gamma_0\delta_1}{\gamma_1-\delta_1}+\frac{\gamma_1v_i-\delta_1u_i}{\gamma_1-\delta_1} pi=γ1δ1δ0γ0+γ1δ1viuiqi=γ1δ1γ1δ0γ0δ1+γ1δ1γ1viδ1ui
假设 C o v ( u i . v i ) = 0 Cov(u_i.v_i)=0 Cov(ui.vi)=0,我们有:
C o v ( p i , u i ) = − V a r ( u i ) γ 1 − δ 1 , C o v ( p i , v i ) = V a r ( v i ) γ 1 − δ 1 Cov(p_i,u_i)=-\frac{Var(u_i)}{\gamma_1-\delta_1},Cov(p_i,v_i)=\frac{Var(v_i)}{\gamma_1-\delta_1} Cov(pi,ui)=γ1δ1Var(ui),Cov(pi,vi)=γ1δ1Var(vi)
解上述联立方程的斜率项:
C o v ( p i , q i ) V a r ( p i ) = γ 1 + C o v ( p i , u i ) V a r ( p i ) = δ 1 + C o v ( p i , v i ) V a r ( p i ) ( γ 1 − δ 1 ) 2 V a r ( p i ) = V a r ( v i ) + V a r ( u i ) C o v ( p i , q i ) V a r ( p i ) = γ 1 − V a r ( u i ) V a r ( p i ) ( γ 1 − δ 1 ) = γ 1 − V a r ( u i ) ( γ 1 − δ 1 ) V a r ( v i ) + V a r ( u i ) = γ 1 V a r ( v i ) + δ 1 V a r ( u i ) V a r ( v i ) + V a r ( u i ) ∈ ( γ 1 , δ 1 ) \frac{Cov(p_i,q_i)}{Var(p_i)}=\gamma_1+\frac{Cov(p_i,u_i)}{Var(p_i)}=\delta_1+\frac{Cov(p_i,v_i)}{Var(p_i)}\\(\gamma_1-\delta_1)^2Var(p_i)=Var(v_i)+Var(u_i)\\\frac{Cov(p_i,q_i)}{Var(p_i)}=\gamma_1-\frac{Var(u_i)}{Var(p_i)(\gamma_1-\delta_1)}=\gamma_1-\frac{Var(u_i)(\gamma_1-\delta_1)}{Var(v_i)+Var(u_i)}=\frac{\gamma_1Var(v_i)+\delta_1Var(u_i)}{Var(v_i)+Var(u_i)}\in(\gamma_1,\delta_1) Var(pi)Cov(pi,qi)=γ1+Var(pi)Cov(pi,ui)=δ1+Var(pi)Cov(pi,vi)(γ1δ1)2Var(pi)=Var(vi)+Var(ui)Var(pi)Cov(pi,qi)=γ1Var(pi)(γ1δ1)Var(ui)=γ1Var(vi)+Var(ui)Var(ui)(γ1δ1)=Var(vi)+Var(ui)γ1Var(vi)+δ1Var(ui)(γ1,δ1)
我们不能得到真正的需求或供给弹性,而是它们的加权平均。这种偏差称为联立方程偏差(simultaneous equations bias)。

Omitted Variables

考虑一个简单的工资方程:
l o g ( w a g e ) = β 0 + β 1 e d u c + β 2 a b l i + e log(wage)=\beta_0+\beta_1educ+\beta_2abli+e log(wage)=β0+β1educ+β2abli+e
能力 A b l i Abli Abli 很难去度量,所以方程可能估计错误。如果仅仅忽略能力 A b l i Abli Abli ,将其作为误差项的一部分:
l o g ( w a g e ) = β 0 + β 1 e d u c + u log(wage)=\beta_0+\beta_1educ+u log(wage)=β0+β1educ+u
很明显的,能力 A b l i Abli Abli 和教育 E d u c Educ Educ 是相关的,所以OLS会因为内生性产生有偏不一致的估计。

Errors in Variables

在一个横截面数据集中,我们有:
C i + = k Y i + , o < k < 1 C_i^+=kY_i^+,\ \ \ \ o<k<1 Ci+=kYi+,    o<k<1
在现实生活中, C i = C i + + c i , Y i = Y i + + y i C_i=C_i^++c_i,Y_i=Y_i^++y_i Ci=Ci++ci,Yi=Yi++yi,这里 c i , y i c_i,y_i ci,yi 是测量误差,并且彼此独立,且与 C i + , Y i + C_i^+,Y_i^+ Ci+,Yi+ 独立,所以有
C i = k Y i + u i , u i = c i − k y i k ^ = E ( Y i C i ) E ( Y i 2 ) = k E ( ( Y i + ) 2 ) E ( ( Y i + ) 2 ) + E ( y i 2 ) < k C_i=kY_i+u_i,u_i=c_i-ky_i\\\hat{k}=\frac{E(Y_iC_i)}{E(Y_i^2)}=\frac{kE((Y_i^+)^2)}{E((Y_i^+)^2)+E(y_i^2)}<k Ci=kYi+ui,ui=cikyik^=E(Yi2)E(YiCi)=E((Yi+)2)+E(yi2)kE((Yi+)2)<k

其他原因

样本选择问题、函数形式的设定错误

工具变量法的基本想法

假设我们有
Y i = α + τ A i + γ U i + η i Y_i=\alpha+\tau A_i+\gamma U_i+\eta_i Yi=α+τAi+γUi+ηi
U U U 是不可观测的。误差项为 γ U i + η i \gamma U_i+\eta_i γUi+ηi E [ A i ( γ U i + η i ) ] = 0 E[A_i(\gamma U_i+\eta_i)]=0 E[Ai(γUi+ηi)]=0 不满足。

工具变量法的构造(Z → \rightarrow A)。First-stage relationship: Z affects A.
C o v ( γ U i + η i , Z i ) = 0 C o v ( Y i , Z i ) = C o v ( α + τ A i + γ U i + η i , Z i ) = τ C o v ( A i , Z i ) τ = C o v ( Y i , Z i ) C o v ( A i , Z i ) = C o v ( Y i , Z i ) / V a r ( Z i ) C o v ( A i , Z i ) / V a r ( Z i ) = C r e d u c e − f o r m C f i r s t − s t a g e Cov(\gamma U_i+\eta_i,Z_i)=0\\Cov(Y_i,Z_i)=Cov(\alpha+\tau A_i+\gamma U_i+\eta_i,Z_i)=\tau Cov(A_i,Z_i)\\\tau=\frac{Cov(Y_i,Z_i)}{Cov(A_i,Z_i)}=\frac{Cov(Y_i,Z_i)/Var(Z_i)}{Cov(A_i,Z_i)/Var(Z_i)}=\frac{C_{reduce-form}}{C_{first-stage}} Cov(γUi+ηi,Zi)=0Cov(Yi,Zi)=Cov(α+τAi+γUi+ηi,Zi)=τCov(Ai,Zi)τ=Cov(Ai,Zi)Cov(Yi,Zi)=Cov(Ai,Zi)/Var(Zi)Cov(Yi,Zi)/Var(Zi)=CfirststageCreduceform
若对于不同的i,有不同的 τ \tau τ,则引入一个二值变量 D : D = 0 o r D = 1 D:D=0\ or\ D=1 D:D=0 or D=1
Y i 0 : w h e n D = 0 ; Y i 1 : w h e n D = 1 Y_i^0:when\ D=0\ \ ;\ \ Y_i^1:when\ D=1 Yi0:when D=0  ;  Yi1:when D=1
我们可以得到 causal effect/treatment effect for person i: Y i 1 − Y i 0 Y_i^1-Y_i^0 Yi1Yi0

average causal effect/average treatment effect: ATE= E [ Y 1 − Y 0 ] E[Y^1-Y^0] E[Y1Y0]

但是 Y 1 、 Y 0 Y^1、Y^0 Y1Y0 无法同时观测到,故我们采用:
Y = D ∗ Y 1 + ( 1 − D ) ∗ Y 0 , D 是 随 机 的 E ( Y ∣ D = 1 ) = E ( Y 1 ∣ D = 1 ) = E ( Y 1 ) E ( Y ∣ D = 0 ) = E ( Y 0 ∣ D = 0 ) = E ( Y 0 ) E ( Y ∣ D = 1 ) − E ( Y ∣ D = 0 ) = E ( Y 1 − Y 0 ) = A T E Y=D*Y^1+(1-D)*Y^0,D是随机的\\E(Y|D=1)=E(Y^1|D=1)=E(Y^1)\\E(Y|D=0)=E(Y^0|D=0)=E(Y^0)\\E(Y|D=1)-E(Y|D=0)=E(Y^1-Y^0)=ATE Y=DY1+(1D)Y0DE(YD=1)=E(Y1D=1)=E(Y1)E(YD=0)=E(Y0D=0)=E(Y0)E(YD=1)E(YD=0)=E(Y1Y0)=ATE
但大多数情况,会有选择问题: Y 1 Y^1 Y1 在D=1的人群中的分布与在所有人群中的分布不同:
Y = D ∗ Y 1 + ( 1 − D ) ∗ Y 0 , D 是 随 机 的 E ( Y ∣ D = 1 ) = E ( Y 1 ∣ D = 1 ) ≠ E ( Y 1 ) E ( Y ∣ D = 0 ) = E ( Y 0 ∣ D = 0 ) ≠ E ( Y 0 ) E ( Y ∣ D = 1 ) − E ( Y ∣ D = 0 ) ≠ E ( Y 1 − Y 0 ) = A T E Y=D*Y^1+(1-D)*Y^0,D是随机的\\E(Y|D=1)=E(Y^1|D=1)\neq E(Y^1)\\E(Y|D=0)=E(Y^0|D=0)\neq E(Y^0)\\E(Y|D=1)-E(Y|D=0)\neq E(Y^1-Y^0)=ATE Y=DY1+(1D)Y0DE(YD=1)=E(Y1D=1)=E(Y1)E(YD=0)=E(Y0D=0)=E(Y0)E(YD=1)E(YD=0)=E(Y1Y0)=ATE
为了解释工具变量在潜在结果框架中的作用,我们需要6个假设:

1、 Z ∈ 0 , 1 , D ∈ 0 , 1 Z\in{0,1},D\in{0,1} Z0,1,D0,1.

2、 Y = D ∗ Y 1 + ( 1 − D ) ∗ Y 0 Y=D*Y^1+(1-D)*Y^0 Y=DY1+(1D)Y0.

3、 D = Z ∗ D 1 + ( 1 − Z ) ∗ D 0 D=Z*D^1+(1-Z)*D^0 D=ZD1+(1Z)D0.

4、No defiers. D 1 ≥ D 0 D^1\geq D^0 D1D0.

5、 Z ⊥ ( Y 0 , Y 1 , D 0 , D 1 ) Z\perp (Y^0,Y^1,D^0,D^1) Z(Y0,Y1,D0,D1).

6、 C o v ( Z , D ) ≠ 0 Cov(Z,D)\neq0 Cov(Z,D)=0.

在这里插入图片描述

在上述假设下,IV估计量就等于local average treatment effect(LATE)

LATE theorem:
C o v ( Z , Y ) C o v ( Z , D ) = E ( Y ∣ Z = 1 ) − E ( Y ∣ Z = 0 ) E ( D ∣ Z = 1 ) − E ( D ∣ Z = 0 ) = E ( Y 1 − Y 0 ∣ D 1 > D 0 ) \frac{Cov(Z,Y)}{Cov(Z,D)}=\frac{E(Y|Z=1)-E(Y|Z=0)}{E(D|Z=1)-E(D|Z=0)}=E(Y^1-Y^0|D^1>D^0) Cov(Z,D)Cov(Z,Y)=E(DZ=1)E(DZ=0)E(YZ=1)E(YZ=0)=E(Y1Y0D1>D0)
第一部分证明:
C o v ( Z , Y ) = E ( Y Z ) − E ( Y ) E ( Z ) = E ( Y ∣ Z = 1 ) ∗ E ( Z ) − ( E ( Y ∣ Z = 1 ) ∗ E ( Z ) + E ( Y ∣ Z = 0 ) ∗ E ( 1 − Z ) ) ∗ E ( Z ) = ( E ( Y ∣ Z = 1 ) − E ( Y ∣ Z = 1 ) ∗ E ( Z ) + E ( Y ∣ Z = 0 ) E ( 1 − Z ) ) ∗ E ( Z ) = ( E ( Y ∣ Z = 1 ) − E ( Y ∣ Z = 0 ) ) ∗ E ( 1 − Z ) E ( Z ) 同 样 的 , C o v ( Z , D ) = ( E ( D ∣ Z = 1 ) − E ( D ∣ Z = 0 ) ) ∗ E ( 1 − Z ) ∗ E ( Z ) 所 以 , C o v ( Z , Y ) C o v ( Z , D ) = E ( Y ∣ Z = 1 ) − E ( Y ∣ Z = 0 ) E ( D ∣ Z = 1 ) − E ( D ∣ Z = 0 ) Cov(Z,Y)=E(YZ)-E(Y)E(Z)=E(Y|Z=1)*E(Z)-(E(Y|Z=1)*E(Z)+E(Y|Z=0)*E(1-Z))*E(Z)\\=(E(Y|Z=1)-E(Y|Z=1)*E(Z)+E(Y|Z=0)E(1-Z))*E(Z)=(E(Y|Z=1)-E(Y|Z=0))*E(1-Z)E(Z)\\同样的,Cov(Z,D)=(E(D|Z=1)-E(D|Z=0))*E(1-Z)*E(Z)\\所以,\frac{Cov(Z,Y)}{Cov(Z,D)}=\frac{E(Y|Z=1)-E(Y|Z=0)}{E(D|Z=1)-E(D|Z=0)} Cov(Z,Y)=E(YZ)E(Y)E(Z)=E(YZ=1)E(Z)(E(YZ=1)E(Z)+E(YZ=0)E(1Z))E(Z)=(E(YZ=1)E(YZ=1)E(Z)+E(YZ=0)E(1Z))E(Z)=(E(YZ=1)E(YZ=0))E(1Z)E(Z)Cov(Z,D)=(E(DZ=1)E(DZ=0))E(1Z)E(Z)Cov(Z,D)Cov(Z,Y)=E(DZ=1)E(DZ=0)E(YZ=1)E(YZ=0)
第二部分证明:
E ( Y ∣ Z = 1 ) = E ( Y ∣ Z = 1 , N T ) ∗ P ( N T ∣ Z = 1 ) + E ( Y ∣ Z = 1 , C ) ∗ P ( C ∣ Z = 1 ) + E ( Y ∣ Z = 1 , A T ) ∗ P ( A T ∣ Z = 1 ) = E ( Y 0 ∣ N T ) ∗ P ( N T ) + E ( Y 1 ∣ C ) ∗ P ( C ) + E ( Y 1 ∣ A T ) ∗ P ( A T ) 同 样 的 , E ( Y ∣ Z = 0 ) = E ( Y 0 ∣ N T ) ∗ P ( N T ) + E ( Y 0 ∣ C ) ∗ P ( C ) + E ( Y 1 ∣ A T ) ∗ P ( A T ) 所 以 , E ( Y ∣ Z = 1 ) − E ( Y ∣ Z = 0 ) = ( E ( Y 1 ∣ C ) − E ( Y 0 ∣ C ) ) ∗ P ( C ) E ( D ∣ Z = 1 ) − E ( D ∣ Z = 0 ) = E ( D 1 ) − E ( D 0 ) = P ( C ) + P ( A T ) − P ( A T ) = P ( C ) 所 以 , E ( Y ∣ Z = 1 ) − E ( Y ∣ Z = 0 ) E ( D ∣ Z = 1 ) − E ( D ∣ Z = 0 ) = ( E ( Y 1 ∣ C ) − E ( Y 0 ∣ C ) ) = E ( Y 1 − Y 0 ∣ D 1 > D 0 ) E(Y|Z=1)=E(Y|Z=1,NT)*P(NT|Z=1)+E(Y|Z=1,C)*P(C|Z=1)+E(Y|Z=1,AT)*P(AT|Z=1)\\=E(Y^0|NT)*P(NT)+E(Y^1|C)*P(C)+E(Y^1|AT)*P(AT)\\同样的,E(Y|Z=0)=E(Y^0|NT)*P(NT)+E(Y^0|C)*P(C)+E(Y^1|AT)*P(AT)\\所以,E(Y|Z=1)-E(Y|Z=0)=(E(Y^1|C)-E(Y^0|C))*P(C)\\E(D|Z=1)-E(D|Z=0)=E(D^1)-E(D^0)=P(C)+P(AT)-P(AT)=P(C)\\所以,\frac{E(Y|Z=1)-E(Y|Z=0)}{E(D|Z=1)-E(D|Z=0)}=(E(Y^1|C)-E(Y^0|C))=E(Y^1-Y^0|D^1>D^0) E(YZ=1)=E(YZ=1,NT)P(NTZ=1)+E(YZ=1,C)P(CZ=1)+E(YZ=1,AT)P(ATZ=1)=E(Y0NT)P(NT)+E(Y1C)P(C)+E(Y1AT)P(AT)E(YZ=0)=E(Y0NT)P(NT)+E(Y0C)P(C)+E(Y1AT)P(AT)E(YZ=1)E(YZ=0)=(E(Y1C)E(Y0C))P(C)E(DZ=1)E(DZ=0)=E(D1)E(D0)=P(C)+P(AT)P(AT)=P(C)E(DZ=1)E(DZ=0)E(YZ=1)E(YZ=0)=(E(Y1C)E(Y0C))=E(Y1Y0D1>D0)

多个工具变量

如果我们有两个工具变量,就会有两个不同的LATEs, ρ 1 f o r Z 1 a n d ρ 2 f o r Z 2 \rho_1\ for\ Z_1\ and\ \rho_2\ for\ Z_2 ρ1 for Z1 and ρ2 for Z2。我们可以使用2SLS来估计这些工具变量的总体效果。

在Angrist and Pischke的研究中,他们展示了用两个工具变量的两个LATEs的加权和来定义2SLS的估计量:
ρ 2 S L S = ψ ρ 1 + ( 1 − ψ ) ρ 2 ψ = π 1 C o v ( A , Z 1 ) π 1 C o v ( A , Z 1 ) + π 2 C o v ( A , Z 2 ) \rho_{2SLS}=\psi\rho_1+(1-\psi)\rho_2\\\psi=\frac{\pi_1Cov(A,Z_1)}{\pi_1Cov(A,Z_1)+\pi_2Cov(A,Z_2)} ρ2SLS=ψρ1+(1ψ)ρ2ψ=π1Cov(A,Z1)+π2Cov(A,Z2)π1Cov(A,Z1)
这里的 π 1 , π 2 \pi_1,\pi_2 π1,π2 是IV第一阶段(first stage)Z的系数。

因此,2SLS估计是每个工具因果效应的加权平均值,其中的权重与每个工具的第一阶段效应的预测强度有关。


http://chatgpt.dhexx.cn/article/AUTPxAXC.shtml

相关文章

高级计量经济学(part1)--什么是计量经济学

学习笔记&#xff0c;仅供参考&#xff0c;有错必纠 参考自&#xff1a;陈强. 高级计量经济学[M]. 什么是计量经济学 顾名思义&#xff0c;”计量经济学" ( E conometrics, 也译为“ 经济计量学)就是运用概率统计的方法对经济变量之间的&#xff08;因果&#xff09;关系…

【定量分析、量化金融与统计学】统计推断基础(1)---总体、样本、标准差、标准误

目录 一、前言 二、总体与样本 1.总体&#xff08;population&#xff09;的概念 2.总体的性质与参数 首先是&#xff1a;平均数&#xff08;mean&#xff09; 标准差&#xff08;standard deviation&#xff0c;SD&#xff09;σ希腊字母sigma 3.样本&#xff08;sample…

【精算研究01/10】 计量经济学的性质和范围

一、说明 计量经济学是使用统计方法来发展理论或测试经济学或金融学中的现有假设。计量经济学依赖于回归模型和零假设检验等技术。计量经济学也可以用来预测未来的经济或金融趋势。 图片来源&#xff1a;https://marketbusinessnews.com 二、 计量经济之简介 计量经济学是对经济…

信息计量学

目录 第一章 绪论 1.1由来和发展 1.1.1产生背景 1.2概念和内容体系 1.2.1 概念 1.2.2内容体系 1.3与相关学科 1.3.1与数学 1.3.2与文献计量学 1.3.3与科学学 1.4发展趋势和前景 1.4.1进展 1.4.2趋势 第二章 文献信息增长规律 2.1 文献信息流的特性及增长规律研究…

统计学在金融中的应用

统计分析是在一堆独立的、自身没有实际意义的数据中寻找可能存在的趋势、分布、概率等有意义的信息。统计学的目标是探索和把握数据内在的规律。统计学的应用&#xff0c;简单来说就是通过搜集相关数据并进行整理和分析&#xff0c;然后根据数据做出决策。掌握统计学&#xff0…

【定量分析、量化金融与统计学】多元回归模型与回归推理

之前说过了一元线性回归并给出了程序&#xff0c;今天来说说多元回归模型&#xff08;Multiple Regression Model&#xff09; 目录 一、多元回归模型的简介 二、求解多元回归模型&#xff1a;我们使用最小二乘法为例 三、评判方法 四、推理和回归 五、模型的优化 1.排…

金融计量学实验报告一

一、实验数据 中国石油天然气集团公司是以油气业务、工程技术服务、石油工程建设、石油装备制造、金融服务、新能源开发等为主营业务的综合性国际能源公司能源公司(代码601857), 数据来源中国石油上市公司在2011/1月到2021/12月的月度收盘价数据,数据来源为大智慧软件下载并…

金融计量学1

第一题 请使用 sysuse nlsw88.dta, clear 命令调入 Stata 数据文件 nls88.dta, 并完成如下统计分析: (1). 统计如下变量的平均值、标准差、中位数、最小值和最大值,并列表呈现出来,并输出为 Excel 或 Word 文档,名称为 Table01.xlsx 或 Table01.docx: age grade wage ho…

金融计量学第2课堂-金融时间序列线性模型

量化策略开发&#xff0c;高质量社群&#xff0c;交易思路分享等相关内容 一、相关性和平稳性 1、相关性 &#xff08;1&#xff09;皮尔森相关系数 皮尔森相关系数是最常见、最常用的一个相关系数计算方法。作为衡量两个随机变量x和y线性相关程度的重要指标&#xff0c;在这…

【金融计量学】面板数据(自用笔记,第一次写)

一、简介 面板数据的分类&#xff1a;平衡/非平衡面板数据&#xff1b;动态/静态面板数据。 面板数据中包含两种效应&#xff1a; 1. 个体效应&#xff1a;不随时间推移而明显变化的因素&#xff0c;如消费者的收入、产品的价格、个人消费习惯、社会制度等。 2. 时间效应&#…

金融计量学第1节课:股指收益率序列统计特征

量化策略开发&#xff0c;高质量社群&#xff0c;交易思路分享等相关内容 导论与介绍 大家好&#xff0c;我是Le Chiffre 今天我们来为大家分享金融计量学系列内容&#xff0c;在松鼠量化3年多分享的内容中&#xff0c;大部分以量化策略为主&#xff0c;至今为止&#xff0c;…

Word可折叠多级标题

在修改文章格式时应按照期刊的格式规范&#xff0c;如要使用可折叠的多级标题时&#xff0c;可参考如下方法。 1、规范下图的标题 2、按图顺序点击相应按钮&#xff0c;新建样式 3、依次修改红圈内容。注意&#xff1a;如果是一级标题&#xff0c;相应地&#xff0c;样式基准…

word文档如何设置多级标题

1、设置一级标题 光标放在‘一级标题’内容那&#xff0c;点击‘标题1’ 点击‘多级列表’图标 选中一个列表样式 一级标题设置完毕 当再次设置一级标题的时候&#xff0c;可以通过选中已经设置好的一级标题&#xff0c;然后点击‘格式刷’将样式复制 2、设置二级标题…

处理word 多级标题编号不联动的问题

修改文档时遇到的问题&#xff0c;各种百度没有解决&#xff0c;后来领导指导下弄好了&#xff0c;做个纪录。 问题如下所示 解决办法&#xff1a;需要在开始-多级编号处&#xff0c;将2级标题与3级标题设置成同一样式。 接下来开始演示 目前2级标题是这个样式 3级标题是这…

Mac Office Word设置多级标题

目录 定义新的多级列表 将级别链接到样式 问题解决&#xff1a;在样式中没有对应标题 附&#xff1a;毕业论文格式搞一手 定义新的多级列表 在一个新建文档中&#xff0c;点击顶栏中的多级列表标志&#xff0c;选择定义新的多级列表 注&#xff1a;如果找不到这个符号&…

【WORD】01 多级标题自动编号

需求 在Word中&#xff0c;希望实现多级标题&#xff0c;自动编号&#xff0c;改变章节顺序后&#xff0c;自动改变章节编号这一功能。经过搜索后&#xff0c;摸索出设置方法&#xff0c;设置效果如图。 操作步骤 首先明确标题样式&#xff0c;如图所示 点击段落–>多级…

从根儿上解决Word中标题多级标题编号不联动问题

在日常工作中总是时不时会出现word标题编号相关的问题&#xff0c;不胜其烦。最近终于有时间去排查&#xff0c;找出了解决办法。 以下为我个人总结出的两个问题&#xff0c;如果大家也曾经被困扰过&#xff0c;希望能帮到你们。 一、多余编号 大家请看下图&#xff1a; 如果…

Word文档多级标题设置

1 标题a1 1.1 标题a2 1.1.1 标题a31 1.1.2 标题a32 2 标题b1 2.1 标题b2 2.1.1 标题b31 2.1.2 标题b32 想要标题如上呈现&#xff0c;且二级、三级标题随着上一级标题编号变动操作如下 选中“标题a1”点击定义新的多级列表 上述操作完成后点击确定然后将标题名设置相应的标题…

POI生成Word多级标题格式

文章目录 一、使用模板文件生成标题1、创建模板文件2、获得模板文档的整体样式3、使用标题样式4、结果展示 二、自定义标题1、生成标题方法2、调用生成标题方法3、结果展示 一、使用模板文件生成标题 1、创建模板文件 新建一个doc文件&#xff0c;如format.doc&#xff0c;创…

Word标题样式设置多级自动编号

0x01 问题起源 有时候在写论文时需要设置自动编号&#xff0c;手动标记一来太多&#xff0c;太麻烦&#xff0c;二来牵一发而动全身&#xff0c;不易修改。 Word的标题样式好用&#xff08;如上图&#xff09;&#xff0c;可以方便设置同一级标题的样式&#xff0c;但是在标题…