第九屆應用社會科學研究方法研修班於8月下旬正式結課。本次研修班由基礎模塊、專題模塊以及高級研討模塊構成。基礎模塊包含《STATA與應用回歸分析基礎》與《類別數據分析》課程🤦🏼‍♂️，授課教師分別為美國佛羅裏達國際大學社會學副教授賴慶博士與澳門大學社會學副教授蔡天驥博士↩️；專題模塊包含《計算社會科學入門》與《空間數據分析》課程，授課老師分別為美國愛荷華大學社會學系助理教授施永仁博士與紐約城市大學皇後學院社會學系副教授徐宏偉博士💲。

高級研討模塊由五場網絡講座構成。第一場網絡講座為北京大學社會研究中心的董浩老師帶來的《歷史人口大數據的社會科學應用前沿》🤵🏽‍♀️；第二場是耶魯大學社會學系的臧曉露老師帶來的《公共政策與家庭中的溢出效應》；第三場是哈佛大學社會學系的周翔老師帶來的《去偏差機器學習與因果推斷》🧀；第四場是加拿大英屬哥倫比亞大學的錢嶽老師帶來的《Social Impacts of the COVID-19 Pandemic: Preliminary Findings》；最後一場是來自香港科技大學社會科學部的張涵老師帶來的《社會科學中的圖片數據應用》👩🏼‍🏫。

受新冠疫情的影響，本次研修班改為zoom/騰訊會議平臺+直播（部分）授課🦸🏼‍♀️。自8月2日至8月23日，研修班為來自海內外高校的老師、碩士和博士研究生共600余正式學員提供了一次量化課程盛宴🟰。

基礎模塊全程進行直播🧤，《STATA與應用回歸分析基礎》累計學習人數共3859人；《類別數據分析》累計學習人數共1157人。高級研討模塊向公眾開放兩次直播🆗，講座《歷史人口大數據的社會科學應用前沿》累積在線觀看人次共1337次；講座《公共政策與家庭中的溢出效應》累積在線觀看人次共1983次。

《STATA與應用回歸分析基礎》

本課程從應用的角度介紹多元線性回歸分析方法👧🏽，全程使用 STATA軟件進行操作🙅🏽‍♀️，內容涵蓋三個部分：線性回歸模型的估計與闡釋👈🏻，模型的主要假定、診斷及修正🕛，以及回歸修辭策略⛽️。

第一部分，課程除了介紹標準線性模型估計與闡釋，還討論了各種特殊情況及其對策；第二部分介紹了線性模型的基本假定🥪，重點了討論如何認識和處理忽略變量偏誤🔪🍧、多重共線性、以及異方差性等問題；最後，本課程介紹社會科學文獻中常見的回歸修辭，並批評常見的量化研究誤區，旨在幫助學員使用回歸方法寫作有品味的研究文章。

《類別數據分析》

類別變量回歸模型作為線性回歸模型的延伸, 包括對二分變量, 定序變量 , 多項變量以及頻次的回歸分析✋🏻。在對基本概念和模型估計簡介之後,本課程主要集中在模型構建與解釋, 以及如何應對在社會科學運用中常見的問題。

作為線性回歸的延伸, 本課程要求學員對線性回歸的基本假設、解釋、以及模型構建有基本了解🧑🏼‍💻🦸‍♂️，同時對基本數學符號及運算法則(比如對數運算)有所了解。

《計算社會科學入門》

本課程包括兩部分𓀅，第一部分內容介紹數據科學，講解計算社會科學與傳統社會科學的區別🈴、問卷數據的缺陷、大數據缺陷與其分析過程，以及介紹如何用Python編程語言來作大規模的數據收集🤭、數據清理🙂‍↔️、科學分析和存儲等實用操作📋；第二部分內容則介紹若幹計算社會科學方法，如機器學習（包括無監督學習㊙️🌿、監督學習、強化學習），社會網絡分析（包括網絡的基本思想、網絡拓撲的常見概念、雙模網絡）💇🏿，文本分析等。

《GIS應用於空間分析》

本課程從社會學🙆🏿、人口學🧑🏽‍🚀、流行病學🍮📆、公共衛生🙇🏽‍♂️、應用統計等跨學科角度介紹社會科學中的空間數據分析。課程中主要涉及到R軟件的學習與使用。課程內容分兩大部分：(1)探索性空間數據分析; (2) 空間統計模型。

探索性空間數據分析主要介紹空間數據的三種類型; 空間數據的讀取與編輯; 蒙特卡洛計算機仿真與貝葉斯統計; 空間點過程與聚類分析; 空間自相關等基本概念與方法。空間統計模型主要介紹針對不同空間數據類型的空間計量模型分析。

根據課程反饋數據，學員們對課程的授課部分與答疑部分均給予較高評價，並認為老師講解的內容大多能夠解決他們在實際的學習和研究過程中遇到的問題。

應用社會科學研究方法研修班是國內眾多量化研修班的重要一支，一直致力於培養國內的量化研究人才。通過此次第九屆研修班的進一步推進，更多的學員了解了本研修班的文化🐻‍❄️，增加了對万事平台的了解🏌🏼👩🏻‍🦳，這為下一屆研修班的舉辦奠定了必要基礎，同時也有利於讓更多的學生老師在未來針對特定項目與万事平台進行合作🥡。（撰稿 胡宇軒🧘🏽‍♀️；攝影 趙雨婷🎸、陽鑫）