【#每周备课日#】

下周一上下午分别给本科生和博士研究生上高宏，怎么上？

不妨也咨询一下DS吧。

问题1）给经济学专业的本科生上《高级宏观经济学》，怎么安排课程内容、怎么讲授，对这些本科生来说更有意义？

问题2）给统计学专业的博士生上《高级宏观经济学》的课，怎么安排课程内容、怎么讲授，对这些研究生来说更有意义？

以下是DS的建议。这个区分还是挺到位的。但是，我应该且必须要比DS更专业，不然学生还听我上课干啥呢？直接全程DS好了。怎么体现我比DS更专业呢？以后逐堂揭晓。

这是一个很有价值的教学挑战。针对不同背景的学生，教授《高级宏观经济学》的目标、方法和内容必须进行根本性的调整。下面我将分别为这两个群体设计课程大纲和教学建议。

问题1：给经济学专业的本科生上《高级宏观经济学》

核心目标：这门课通常是经济学本科生的顶峰或高阶课程。目标不是简单重复中级宏观的内容，而是帮助学生：

深化理解：从直觉理解上升到严格的模型推导和逻辑框架。

建立联系：理解不同宏观流派（古典、凯恩斯、新古典、新凯恩斯等）之间的内在逻辑和分歧根源。

衔接研究：为有意攻读研究生的学生打下坚实的数理基础，让他们初步体验“研究型”的学习方式。

内容安排（以14周学期为例）
模块一：基石与工具（第1-3周）

第1周：回顾与升级。快速回顾中级宏观的核心概念（IS-LM, AD-AS, 索洛模型），但用更严谨的数学语言表述（微分方程、对数线性化初步概念）。重点指出中级课程的局限，引出高级课程要解决的问题。

第2-3周：动态优化入门。这是最关键的部分。不讲太深的泛函分析，而是教授离散时间的拉格朗日法和连续时间的汉密尔顿法。通过Ramsey模型的简单版本（家庭效用最大化）作为案例，让学生看到优化方法如何“内生”地推导出消费的欧拉方程，而不是像中级课程那样直接给出。

模块二：经济增长理论（第4-7周）

第4周：索洛模型再审视。用微分方程严格求解索洛模型，分析稳态和过渡动态。讨论其作为“增长理论”的不足（外生技术进步）。

第5-6周：拉姆齐-卡斯-库普曼斯模型。这是本课程的核心。从分散经济和社会规划师两个角度推导模型，让学生理解市场均衡与帕累托最优的关系。重点讲授相位图分析。

第7周：内生增长理论。介绍AK模型和简单的干中学模型，解释如何将技术进步“内生化”。讨论规模效应和政策含义。

模块三：经济周期理论（第8-11周）

第8-9周：真实经济周期理论。介绍RBC模型的基本结构：技术冲击、完全竞争、灵活价格。让学生理解校准方法，并讨论其对经济波动的解释力与局限。

第10-11周：新凯恩斯主义基础。引入名义刚性。从不完全竞争开始，推导企业定价行为，然后引入价格调整成本（菜单成本），最终导出新凯恩斯菲利普斯曲线。简要介绍货币政策规则。

模块四：专题与前沿（第12-14周）

第12周：DSGE模型概览。将RBC和新凯恩斯主义结合，介绍DSGE模型的基本结构（三方程新凯恩斯模型）。目标是让学生看到前几周学习的内容如何整合成一个完整的分析框架。

第13-14周：学生专题展示或宏观热点问题分析。例如：用所学模型分析“疫情后的通胀”、“量化宽松政策的传导机制”、“中国经济增长模式的转型”等。要求学生分组选择一个话题，尝试用课程中的某个模型框架进行解释。

讲授方式
“数学推导+经济直觉”双轨并行：板书推导是必要的，但每完成一个关键数学步骤，都必须停下来解释其经济含义。例如，推导完欧拉方程后，要问学生：“这个方程在说什么？它为什么决定了消费的最优跨期路径？它和我们直觉上的‘消费平滑’有什么关系？”

重视“相位图”和“几何直觉”：对于二维动态系统（如Ramsey模型），相位图是强大的分析工具。教会学生读懂和绘制相位图，能极大提升他们对动态调整过程的理解。

布置“可推导”的习题：习题不应是纯粹的数学练习，而应设计成需要结合模型逻辑的题目。例如：“在Ramsey模型中，如果政府征收资本税，会对稳态资本存量和消费产生什么影响？请用数学推导和相位图两种方式回答。”

鼓励批判性思维：介绍一个模型后，立刻讨论其假设的合理性。“RBC模型假设价格完全灵活，这在现实中成立吗？如果这个假设不成立，结论会发生什么变化？”这能引导学生思考模型的发展方向。

问题2：给统计学专业的博士生上《高级宏观经济学》

核心目标：对于统计学博士生，宏观经济学是他们应用统计和计量方法的重要“试验田”。他们的目标不是成为宏观理论家，而是成为能够理解、评估和运用宏观数据与模型的数据科学家。因此，课程目标应该是：

理解宏观问题的语言：让他们能听懂经济学家在问什么问题，这些问题的经济直觉是什么。

掌握宏观模型的核心结构：理解模型的内生变量、外生冲击、参数和行为方程，这是后续进行估计和推断的基础。

建立“数据-模型”的桥梁：重点讲授如何用统计方法去估计和检验这些宏观模型，如何从数据中识别出经济关系。

内容安排（以14周学期为例）
模块一：宏观经济学核心思想与工具速成（第1-3周）

第1周：宏观经济学的世界观。不需要深入模型推导，而是用“讲故事”的方式，快速介绍宏观经济学关心的核心问题（增长、波动、政策），以及主要流派（古典、凯恩斯）的根本分歧点。目标是让他们建立起宏观直觉。

第2-3周：关键概念与模型框架。以最简洁的数学形式，介绍核心模型：索洛模型（理解稳态）、IS-LM/AD-AS模型（理解短期波动）、新凯恩斯三方程模型（理解现代政策分析框架）。重点是讲清楚模型的结构：什么是状态变量？什么是控制变量？什么是外生冲击？方程之间的因果关系是什么？可以适当简化推导，但必须讲清逻辑。

模块二：时间序列分析在宏观中的应用（第4-7周）

第4周：宏观数据的特征。讨论趋势、周期、季节性、单位根、协整等概念。这是统计学生的强项，但需要结合宏观背景，例如“GDP的趋势与周期分解”、“消费与收入的协整关系”。

第5-6周：向量自回归模型。这是宏观实证的基石。深入讲解VAR、结构VAR（SVAR）的识别问题。这是统计学生最容易切入并做出贡献的领域。重点讲授：

如何通过短期/长期约束（如Cholesky分解）来识别冲击？

如何用脉冲响应函数和方差分解来讲述经济故事？（例如：“一个未预期的货币政策紧缩，对通胀和产出的动态影响是什么？”）

第7周：格兰杰因果检验与预测。讨论宏观变量间的预测能力，并结合实际案例（如“收益率曲线能否预测衰退？”）。

模块三：估计现代宏观模型（第8-12周）

第8-9周：DSGE模型的校准与模拟。介绍DSGE模型的求解逻辑（一阶条件、对数线性化）。然后重点讲授校准：如何根据微观证据或长期目标设定参数？如何用求解后的模型生成模拟数据？这展示了从理论模型到人工数据的过程。

第10-12周：DSGE模型的估计。这是课程的高潮。介绍贝叶斯估计在宏观模型中的应用。讲解如何将先验信息（校准的参数）与数据信息（似然函数）结合，得到后验分布。这是统计学生最能发挥专业优势的地方。重点讲授：

状态空间模型表示（将DSGE模型写成状态方程和观测方程）。

卡尔曼滤波与似然函数计算。

先验分布的选择与MCMC后验抽样。

模块四：前沿专题与实践（第13-14周）

第13周：结构计量方法选讲。例如，局部投影方法（Local Projections）作为一种比VAR更灵活的脉冲响应估计方法，或用于估计动态处理效应的双重差分法在宏观中的应用。

第14周：项目汇报或论文研讨。让学生选择一个感兴趣的宏观问题，找到一篇使用相关方法的顶级期刊论文（AER, JPE, Econometrica等），在课堂上进行汇报。汇报重点：作者的宏观经济问题是什么？用了什么数据？计量方法如何与宏观经济模型对应？结论是什么？

讲授方式
“故事驱动，问题导向”：从现实问题出发，引出方法需求。例如，从“央行加息如何影响经济？”这个问题，引出对识别外生货币政策冲击的需求，进而介绍SVAR。

重视“模型-数据”的连接：在讲VAR时，强调脉冲响应函数如何对应理论模型的动态乘子。在讲DSGE估计时，强调观测变量如何与模型中的概念对应（例如，用GDP季度环比增长率对应模型中的产出增长率）。

减少繁琐推导，增加“算法直觉”：对于复杂的理论模型推导（如DSGE的一阶条件），可以给出结论，重点解释其经济含义。但对于估计方法（如卡尔曼滤波、MCMC），则需要讲清其算法逻辑和迭代步骤，这是他们的兴趣所在。

大量使用真实数据和代码：所有课程都应辅以实证例子。使用R或Python（统计学生的首选工具），现场演示如何下载数据、估计VAR、绘制脉冲响应。对于DSGE部分，可以介绍Dynare（MATLAB）或已有的Python包，让他们“动手操作”一个模型。

强调“识别”的挑战：反复强调“相关性不等于因果性”在宏观中的具体体现。让学生理解，宏观计量最核心的挑战就是如何从非实验数据中识别出因果关系，这能激发他们利用统计方法去解决这个问题的兴趣。