⑴ 关于导数的论文
导数另一个定义：当x=x0时，f‘(x0)是一个确定的数。这样，当x变化时，f'(x)便是x的一个函数，我们称他为f(x)的导函数（derivative function）（简称导数）。
y=f(x)的导数有时也记作y'，即 f'(x)=y'=limΔx→0[f(x+Δx)-f(x)]/Δx
物理学、几何学、经济学等学科中的一些重要概念都可以用导数来表示。如，导数可以表示运动物体的瞬时速度和加速度、可以表示曲线在一点的斜率、还可以表示经济学中的边际和弹性。
求导数的方法（1）求函数y=f(x)在x0处导数的步骤：
① 求函数的增量Δy=f(x0+Δx)-f(x0)
② 求平均变化率
③ 取极限，得导数。
（2）几种常见函数的导数公式：
① C'=0(C为常数函数)；
② (x^n)'= nx^(n-1) (n∈Q)；
③ (sinx)' = cosx；
④ (cosx)' = - sinx；
⑤ (e^x)' = e^x；
⑥ (a^x)' = a^xlna （ln为自然对数）
⑦ (Inx)' = 1/x（ln为自然对数）
⑧ (logax)' =(xlna)^(-1),(a>0且a不等于1)
补充一下。上面的公式是不可以代常数进去的，只能代函数，新学导数的人往往忽略这一点，造成歧义，要多加注意。
（3）导数的四则运算法则：
①(u±v)'=u'±v'
②(uv)'=u'v+uv'
③(u/v)'=(u'v-uv')/ v^2
（4）复合函数的导数
复合函数对自变量的导数，等于已知函数对中间变量的导数，乘以中间变量对自变量的导数--称为链式法则。
导数是微积分的一个重要的支柱。牛顿及莱布尼茨对此做出了卓越的贡献！导数的应用
1．函数的单调性
(1)利用导数的符号判断函数的增减性
利用导数的符号判断函数的增减性，这是导数几何意义在研究曲线变化规律时的一个应用，它充分体现了数形结合的思想．
一般地，在某个区间(a，b)内，如果＞０，那么函数y=f(x)在这个区间内单调递增；如果＜０，那么函数y=f(x)在这个区间内单调递减．
如果在某个区间内恒有=0，则f(x)是常函数．
注意：在某个区间内，＞０是f(x)在此区间上为增函数的充分条件，而不是必要条件，如f(x)=x3在内是增函数，但．
(2)求函数单调区间的步骤
①确定f(x)的定义域；
②求导数；
③由（或）解出相应的x的范围．当f'(x)＞0时，f(x)在相应区间上是增函数；当f'(x)＜0时，f(x)在相应区间上是减函数．
2．函数的极值
(1)函数的极值的判定
①如果在两侧符号相同，则不是f(x)的极值点；
②如果在附近的左侧，右侧，那么，是极大值或极小值.
3．求函数极值的步骤
①确定函数的定义域；
②求导数；
③在定义域内求出所有的驻点，即求方程及的所有实根；
④检查在驻点左右的符号，如果左正右负，那么f(x)在这个根处取得极大值；如果左负右正，那么f(x)在这个根处取得极小值．
4．函数的最值
(1)如果f(x)在［a,b］上的最大值（或最小值）是在(a，b)内一点处取得的，显然这个最大值（或最小值）同时是个极大值（或极小值），它是f(x)在(a，b)内所有的极大值（或极小值）中最大的（或最小的），但是最值也可能在［a，b］的端点a或b处取得，极值与最值是两个不同的概念．
(2)求f(x)在[a，b]上的最大值与最小值的步骤
①求f(x)在(a，b)内的极值；
②将f(x)的各极值与f(a)，f(b)比较，其中最大的一个是最大值，最小的一个是最小值．
5．生活中的优化问题
生活中经常遇到求利润最大、用料最省、效率最高等问题，这些问题称为优化问题，优化问题也称为最值问题．解决这些问题具有非常现实的意义．这些问题通常可以转化为数学中的函数问题，进而转化为求函数的最大（小）值问题．
⑵ 经济学学术论文怎么写
经济学学术论文一般分为四个部分：摘要、导言、主体和结论。但是我们一般不按顺序写，通常都是从内向外写，从最核心的模型和计量实证开始，逐渐将论文向外扩展。导言和结论往往被放在最后写，因为如果我们不知道核心的论述结论，我们就不知道如何在导言和结论中进行概括和总结。但是为了清晰，我们按顺序介绍一下论文各部分的写法。
一、摘要(Abstracts)
摘要通常只有一个自然段，浓缩了该论文的主要要点和特点。摘要一般要说明该论文研究的问题以及研究该问题的价值，所使用的方法和数据，主要结论及本论文的贡献。写摘要有助于我们集中思路。
二、导言(Introctions)
导言说明了所研究问题的历史和理论背景，对本论文的研究领域进行了解释，引导读者进入论文的主题。一般而言，写导言可以遵循以下四个步骤：宣布主题; 对前期研究进行回顾;指出前期研究存在的问题和遗留的空白;说明本论文解决的问题，以及如何对研究的空白进行了补充或如何对研究的问题进行了回应。在导言结束之时，可以对论文的组织结构做简要介绍，让读者预先就能了解论文的脉络。导言应该写得简洁并要点突出，多余的铺垫往往是没有必要的。导言有的时候只有一个自然段，有的时候也可以长达1000多字或更多，这取决于论文的复杂程度。
三、主体(Main Body)
(一)文献综述的写法
学术论文的主体部分须先进行文献综述，说明你做了大量的功课，论文因此是严谨和诚信的。你需要对文献进行严谨地分析和梳理;将你的研究放置于其他人研究的背景中;在文献综述的过程中强调你的研究贡献。
1.首先要从整体上对文献进行评价。相关研究丰富与否?研究关注的主要是方法论方面的问题、数据的问题，还是其他问题?迄今的研究主要是实证研究、理论研究或二者兼具?这些研究是集中在一系列相似的问题上吗?这些文献在主要议题上是否取得了共识?
2.应当针对主题进行综述，而不是按照作者流水帐式地记叙。例如，探讨数据的主题，探讨方法论的主题或者有关结论的主题。3.评论迄今研究的价值和缺陷。
4.解释你的研究的贡献。即使你在导言中进行了说明，在这里也不妨再次强调。
(二)论述——提出观点(Claims)、理由(Reasons)和证据(Evidences)
观点的提出要依据若干理由，而理由是由证据支撑的。所谓观点就是论题，是一个主张或一种解释，而不是对事实的陈述，因此需要得到支撑。观点之所以形成是由于存在理由。理由解释了为什么我们认为某个观点合理。但是如果仅仅提供理由是不够的。理由必须得到证据的支撑，所谓证据就是反映事实的信息，例如统计数据、数理模型和其他文献的结论。经济学的论述有其独有特点，即提供并支持一个命题，这与其他学科是不同的：
1.经济学论证是将一种经济现象付与经济分析。
2.经济学论述使用经济学假设、概念和理论来解释或理解所探讨的经济现象。
3.经济学论述使用某些证据来对假设进行支撑，这些证据可分为四类：
(1)假设、理论和教科书中的概念。
(2)定量数据。
(3)计量。计量是对命题检验的方法。(4)经济模型。经济模型是数学公式，用来对经济作简化的抽象，描绘经济主体决策过程。模型是部分地基于经济假设、理论和概念而建立的。
(三)论据(Evidences)的写法
1.模型
如果论文只是使用简单的回归分析，那么模型可能只是回归方程和经典假设。复杂些的论文可能会设立一个经济模型，报告最优化的一阶条件并对其进行解释。如果是计量模型，则应说明计量方法以及选择该方法的理由。设立模型不管是理论模型还是计量模型，都应把假设前提交代清楚，并解释这些假设背后的经济直觉。特别是在理论模型推导经济主体的行为或决策过程中，一定要阐明主体决策的假设前提。模型中使用的符号应尽量标准，最好是直接能从符号中判断其所代表的变量。学会使用上标、下标和希腊字母。你应该说明模型的来源，是你自己设立的模型还是援引自其他的文献。
2.数据
数据首先应当指明来源;其次应该对数据源作总体描述，例如样本量，时间期限，搜集样本的方法等;应对数据来源的质量做出评价;对可能影响分析结果的数据特征进行说明，例如数据是否有偏，是否存在高估或低估现象;解释你如何处理数据或构造新数据;说明你是怎样选择样本的，例如你是否剔除了某些观测值。
3.在表格中报告数据和结果
我们通常在表格中报告数据和结果，关键是我们应该报告多少数据和结果。着名建筑师米斯×凡德洛说过一句话“Less is usually more”(“少即多”)，意思是简单的东西往往带给人们的是更多的享受。这也同样适用于数据结果的报告。在报告计量结果时我们通常犯的错误是直接把软件执行结果粘贴过来，这样会淹没你想要展示的重要信息。因此，我们应该重新编辑软件输出的结果，例如，把多次回归结果编辑在一张表格中，删除无关信息只报告相关信息。
4.对结果进行陈述
我们不能把数据和计量结果写在表格里展示出来就算完了，我们必须在文中对其进行描述，因为，表格并不能自己为自己说话。首先，你要明确地把表格介绍出来。通常只需要写一句话，告知读者存在这样一张表格，并简要提示其内容(往往是表格标题)。介绍完表格后，你就可以对表格中的数据进行重点说明了。你应该明确地告诉读者表格中反映的重要事实。但是你无需对表格中所有的信息都重述一遍，而是应该对数据进行解释并指出数据中隐含的意义。你要明确什么才是你最想让读者从表格中了解到的信息。四、结论(Conclusion)结论和导言是遥相呼应的，可以说结论是倒叙的导言。在导言中你引导读者逐步勾勒出你的研究主题，在结论中却开门见山地归纳你的研究主题。但是结论并不仅仅是导言的镜像，结论应该涉及一些超越本论文的议题。也就是说，一方面结论应该对论文进行回顾;另一方面，还应对议题进行展望。结论部分使你有机会以简洁、清晰的方式总结你的论据，注意不是要你一字一句重复你所说过的。在结论部分你可以提出进一步的质询，扩展你的思路，提出未来研究的方向。结论部分有助于回答这样一些问题：读者为什么应该关注你的论文?为什么你的议题很重要?以上，我们对学术论文各部分的撰写方法展开了讨论，最后让我们引用英文论文表达方面的技巧建议，以结束我们的讨论：
原则1：Keep your complete grammatical subjects short. 原则2：Express key actions as verbs.
原则3：Begin sentences with “old” information.原则4：End sentences with new information.
原则5：Make the subjects of your sentences the person, place, or thing that the sentence is about.
原则6：Make the first few words of your sentences constitute a limited set of concepts. 原则7：Be concise
原则8：Write in paragraphs
⑶ 计量经济学srf与prf的关系
prf包括str，str是prf的分支。整体回归函数：在给定解释变量x的条件下，解释变量y的预期轨迹称为整体回归线，或者更通俗地说，整体回归曲线。 对应函数：e(Y|x)=f(x)被调用（二元）全局返回（人口回归函数，PRF）样本回归函数：样本散点图类似于一条直线。 画一条直线以最适合散点图。 由于样本取自总体，因此该线可以近似代表总体回归线。 这条线称为样本回归线。 样本回归线的函数形式为：Y，= f(X)= p。+ BX，称为样本回归函数（SRF）
拓展资料:
1、 计量经济学是将经济理论与数理统计相结合，并以实际经济数据进行定量分析的一门学科.主要内容包括理论计量经济学和应用计量经济学。 理论计量经济学主要研究如何利用、改造和发展数理统计方法，使其成为衡量随机经济关系的一种特殊方法。 应用计量经济学是在一定的经济理论指导下，以反映事实的统计数据为基础，研究经济数学模型的实用性或用计量经济学方法探索经验经济规律。
2、 计量经济学的两大研究对象：横截面数据和时间序列数据。 前者旨在总结不同的经济参与者是否具有相似的行为相关性，并通过模型参数的估计结果来显示相关性； 后者侧重于分析同一经济主体在不同时间的数据，以展示研究对象的动态行为。新兴的计量经济学研究开始同时切入具有横截面和时间序列的数据。 也就是说，每个截面同时具有时间序列的观测值。 这种数据称为跟踪数据（面板数据，或面板数据分析）。 追踪数据来研究多个不同经济体的动态行为差异，可以获得比简单的横截面或时间序列分析更丰富的实证结论。
3、 计量经济学（英文：Econometrics）是建立在数理经济学和数理统计方法论基础上的一门经济学分支，它试图综合理论定量方法和经验（经验）定量方法来解决经济问题。随着这一分支的出现，经济学在过去只能定性地研究经济现象，扩展到一个可以同时进行定量分析的新阶段。“计量”的意思是“用统计方法进行定量研究”，所以“计量”一词应读作“[Li à ng]”而不是“[Li á ng]”。
⑷ 学习经济学需要熟悉哪些编程语言
学习经济学需要熟悉哪些编程语言？
1)坛友arthur_2006
处理和分析数据都用得到，最基本的是excel，如果你的VBA用得好的话会有很大的帮助，如果你要分析数据的话，比如你要建模那么SAS还是不错的，不过比较难掌握如果你没有语言方面的基础，其他还有很多软件也能做得到。很多银行证券期货企业都使用的是oracle或者DB2,一些小企业可能使用的是SQL, 所以如果想在这方面发展就要掌握数据库的知识，毕竟金融和计算机兼备的人才还是稀缺的，而且国内很多行业都是用的是这几大数据库比如电信医疗航空等等，不会分析金融数据恐怕称不上什么金融专家吧，至于你分析得准还是不准那就要看你的金融知识掌握的程度啦，尤其是投资专业的学生学习一些这方面的知识是必要的，很多人是应用金融学专业的偏向于财务，那就去考考CFA,ACCA什么的，也没必要在这上面花费太多精力而且工作中很可能用不到的，金融数学金融工程精算专业的同学花点时间研究一下还是很有必要的，总而言之一句话，首先要看你的兴趣再就是你的专业和发展方向。
2)编程爱好者任坤
做统计和计量的话，想要跟当今的国际学术界接轨，最好学R，至少我所知道的目前美国的统计学术界被R占领的趋势很明显了。
如果只是做简单地回归随便解读一下，那随便选个傻瓜软件就可以了。如果只是应用现成的成熟的计量模型来做实证研究，那么傻瓜软件一般也就可以了。如果要以统计、计量为研究领域或者专业领域，那么编程性的东西是少不了的，即使是做实证如果涉及较为复杂的数据结构，懂编程也能帮你大幅提高生产力。另外，R的社区比较活跃，能够较好地跟上前沿。
如果涉及到处理较大的数据，一种办法是用SAS，如果不想用SAS可以学数据库方面的东西，比如把数据放在SQLite数据库中然后用{RSQLite}访问数据库，或者用{sqldf}通过SQL操作环境中的data frame。
如果觉得执行某项任务R单核速度慢，那么可以使用{parallel}或者{parallelMap}做并行计算，也可以利用云计算来处理数据。
如果涉及到其他社区的东西在R社区中没有实现，例如Java的东西，可以用{rJava}来调用Java的对象，不过速度有些慢。
比较好的办法是我在想从事数据分析工作，学什么软件或语言最好？ 提到的F#函数式编程语言，用RProvider可以直接调用R，用JavaProvider直接调用Jar打包的Java程序，用PythonProvider（即将发布）直接调用Python程序，等等，很容易将各大社区的资源整合在一起使用。
目前我在GitHub上面弄一个通过R学习统计、计量、非参、数据可视化、数据库的repo: renkun-ken/learnR on GitHub ，虽然目前还没什么内容，不过可以跟踪一下。
以上说得都是经济学相关的统计和计量方面所需要的编程。事实上统计和计量所需的“编程”较为简单，基本也就是处理数据、应用已经提供的计量模型，更多需要编程的是：一、如果涉及较为前沿的计量模型，可能还需要自己实现；二、一些蒙特卡罗模拟需要一些编程。
从经济学相关的一些新型领域来说，计算经济学（Computational Economics）、计算统计学（Computational Statistics）以及计算计量学（Computational Econometrics）则需要较强的编程能力，包括算法实现、算法分析等等。举个例子，计算经济学中目前做的一块研究是Agent-based computational finance，就是建立一个模拟的金融市场，里面有几种资产，每种资产的基本面由随机的红利决定，里面有许多遵循各种逻辑的投资者，投资者对于红利发放持有的信念不同，因而从各自的逻辑触发的交易行为不同。在一个复式竞价（double auction）的交易市场中，什么样的投资者组成或者行为方式、什么样的记忆长短，能够最大程度地复制出我们在现实金融市场中观测到的资产价格或者资产收益率规律，例如资产收益率尖峰肥尾、不对称性。此时，研究者就需要较扎实的金融知识来设计一个不过于简单而又不过于复杂的模拟金融市场，也需要相应的编程能力把模型用程序语言编写出来。这中间会设计许多编程技术，例如数据库（有时要跟踪许多变量，例如投资者现金流动、财富分布）、并行计算（CPU多核并行、多进程并行、集群上的并行甚至GPU计算）等等。这方面的研究从1990s年代才开始。
3)知乎网友Jichun Si
计量经济学也有很多小的门类，请对号入座。有很多软件，Stata, matlab, R, SAS是相对来说用的比较多的。
如果是做应用计量（特别是横截面数据、面板数据），Stata是不二之选，因为不管是管理数据还是跑回归，实在太太太方便了。现在主流期刊的应用微观计量文章里面能用到的模型stata几乎都有，而且其中的绝大多数都是用stata做的。而且最大的优点是，简单！
如果做应用的时间序列，Eviews似乎是一个不错的选择。但是我一般不做这方面，也不是很有发言权。
如果做理论计量，stata eviews是没有现成的包的，而且即便Stata可以编程，可编程能力也是很差的，而且不稳健。所以懂R和Matlab就非常顺手。当然也可以用Python，最近Sargent就写了本用Python做计量的书。还有一个Julia，是这三种语言的混合，但是速度快很多，缺点是太过于小众。
如果对速度要求高，特别是金融计量很多对速度有要求的，可以考虑C、Fortran等语言。C和Fortran肯定是最快的。还有一个叫做OX的，速度快，但是也很小众。但是这些语言的缺点是学习难度比较高，开发时间比较慢。Julia据说速度堪比C，而且语法特别像Matlab、Python（意味着容易学习），但是处于刚起步阶段，用的人太少了。
如果是金融计量领域，强烈建议学会SAS。SAS是最权威，速度也很快，当然最大的问题是昂贵，而且可编程能力不是多么好。但是金融里面数据量都非常非常非常大，一般的软件都瘫的时候，SAS就派上用场了。
像我自己，做应用的时候都是用stata整理数据，能用stata的坚决不用其他软件。但是因为有的时候做一些理论计量的工作，所以matlab也是必不可少的。我也在学习Julia，因为matlab的速度实在太慢。Python我一般不用来做科学计算，用的人不多，而且速度慢，一般是用来抓数据的。
最后还是补充一点吧，为什么我推荐matlab而不是其他的软件，也是有道理的。很多模型，比如空间计量模型（spatial econometrics）、贝叶斯估计、以及宏观计量里面的DSGE model、SVAR等模型，在stata、Eviews里面都是没有什么现成的东西可以用的，但是matlab提供了丰富的包，比如Dynare就是基于Matlab的，还有LeSage的空间计量软件包等等，也是基于matlab的。所以几乎你想用的模型matlab里面都能找到codes然后直接用。就算没有，你自己在matlab里面写，也不是什么难事。
最后想起一句话来，关于这些软件的选择（stata除外，因为stata在应用计量领域的地位是几乎不可替代的）可以用两句话来概括：如果你自己的时间比计算机的时间宝贵的话，学习matlab、R、甚至Python、Julia是最合适的，如果计算机的时间比你的时间宝贵的话，学习C、Fortran是必须的。当然除非你的工作非常特殊（比如一些大型的结构模型的估计），一般来说，还是自己的时间更宝贵一点。
综上，做应用和做理论是不可能用一种软件解决的，建议根据自己的方向进行挑选。我觉着stata、matlab是比较推荐的，一个方便，一个灵活，都很强大，而且学习难度都不大，用的人都很多，交流起来相当方便。
4）网友张真实
数据，简单的用excel，直观，方便。复杂一些的…excel最多可以有6万多行，你确定你需要从那么大量的数据开始“学经济学么？
复杂的用R，各种模型，算法，实现，基本上R都有对应的软件包了，下载下来直接用即可，多读文档多练多用，半年左右就可以抛开excel直接用R作实战了。我博士论文全部回归和输出都是用R的，现在写的论文也都用它。替代品是Stata。也很好，但如果你和我一样是从0开始，那么强烈建议选R。
R的一个不足是没法作符号运算，这个免费的解决方案有python搭配scipy numpy等几个包，不过建议你用mathematica，它的符号计算功能最强大，输出格式也最好。你可以找个jacobian矩阵搞一下符号计算，比较一下结果就知道了。
Python这东西，熟悉了R之后，发现有功能是R实现不了的，到时候有实际需求了，再学也不迟。不是立刻就需要的。
此外，所有经济学研究(我是指empirics类型的，具体意思你懂的)，都要会用latex，可以把它看做是一门编程语言。在word里排数学公式，用不了多久你就会疯掉。R中可以用ggplot2来绘图，输出到tex中。普通数据表用xtable包输出到tex，回归结果用stargazer输出到tex，都很方便。
5）网友bayes
首先要说的是R，绝对是目前国外学术界的主流，统计系基本除R以外没有其他了，计量作为和统计相关的方向，R也在逐渐渗透。所以推荐学习。
顺便说一句，R的学习曲线是比较陡峭的，所以我不太建议零基础的人从R开始，否则挫折感会比较强烈。而python会略好，所以我建议从python开始。
python并非是专用于统计或者计量的软件，而是一种非常流行的通用编程语言。经过多年发展，库也非常齐备。我试用过numpy，scipy和pandas等库，与其他通用编程语言相比，算是相当好用，不过个人感觉还是比不上R，比如画图，
ggplot2真心是神一般的存在，python的库还是略逊一筹。但是，除了数据处理之外，python可以干的事情太多了，也太牛了。我们主要要用到的，比如网页采集数据，需要正则表达式，解析网页等等。这些方面python就比R有优势多了。
当然，从趋势来看，未来似乎python比R更优。R是一群统计学家在编程序，python是一群计算机专家在争取搞数据处理。似乎python的基础更扎实。个人观点，仅供参考。
stata我认为是除了R以外最好的计量软件了，我两者均用过数年数个项目，但是依然感觉R更好用，整理和处理数据更方便。所以即使在楼上诸位所提到的微观计量领域，我依然更喜欢R。
除此以外spss，或者eviews等，感觉管理类学生用的更多，功能比较受限，不太推荐。这里不赘述。上述的几个软件，还有个问题，在于都是收费的，考虑到未来知识产权的保护，还是用免费的略靠谱。
R的主要缺点有两个：
1，面对大数据乏力。这方面sas确实有优势，但是不得不说，sas的语法太反人类了，完全接受不能。面对这个问题，我要说的是，你得看问题有多大。以我的经验，经济里面的数据量似乎还不足以超过R的处理上限很多。可能金融的高频数据会比较大，我个人没啥经验，如果遇到再补充。我尝试过10g的数据，最简单的办法，不是学sas，而是买16g的内存。：）以现在的内存价格，我觉得32g以下的问题不大。
2，性能不足。这方面python也有同样的问题，最好的解决方案是混合c/c++，不过这个就是无底洞了，耗时极多，都不见得能学好。建议的方法，还是买硬件，这个最简单。：）当然用并行包等，也是解决方法之一，我尝试过几次用机房的多台机器做集群，不是太成功。求高人指点。
上面诸位还提到过几个软件，我也略微说一下自己知道的一些软件的看法：
matlab：好东西，关键还是性能问题，同样可以靠c/c++来解决。但是我不喜欢比较大的软件，为了求个均值方差，等它启动就占了5分钟。。。
julia：好东西X2，目前关注中，可能还比较年轻，导致配套的库略少，不过看好未来发展，主要是吸取了matlab，python和c/c++的有点，写的快，运算的也快，未来看涨，紧密关注。
最后提一下函数式编程，是个好东西，但是不看好纯粹函数式编程的未来。它体现了一种颇先进的编程思想，但是在实际工作中，往往性能方面的问题较大。要解决这个问题，还是的混合函数式编程和其他方式，但这就是python，R等软件已经实现的方式，似乎又没有必要专门去学其他的函数式编程了。
6）上海财经大学博士 荣健欣
Stata微观计量中应用极多，主要是直接输命令回归，需要编程的地方不多。
至于编程，推荐R、Python.
R是非常好的统计分析软件，在计量经济学中的应用可以见Econometrics in R, Applied Econometrics with R Time Series Analysis with Applications in R这几本书
Python用来抓数据很好，并且有数学计算包SciPy可以部分替代Matlab之类科学计算的功能。
7）知乎网友justin
本科经济统计学，由于学校奇葩的课程设置，我们分别使用过：
EViews：计量经济学，时序和多元统计。
Stata：计量经济学。
SPSS：专门开的一门课，这个巨汗，权当复习了一遍统计学。
Excel：大一的统计入门课使用的，这个也巨坑，就是简单的函数使用，一点没有涉及VBA。
Matlab：这个没有专门的课，是上完了C语言程序设计以后副产品，后来接触了R和Mathematica就基本抛弃了它。
R/S-Plus：在回归分析的时候使用了S-Plus，不过那时候我已经使用R语言很久了，而且S-Plus基本兼容，所以没有使用过S-Plus。
Minitab：质量控制课程上用的，基本的统计加上一些实验设计。
SAS：这个在实验室中自学过几次，直接被其奇葩的语法雷到了，据说我们学校的研究生有专门的SAS课程（类似于本科的SPSS课程），呵呵了～
我们系的妹（xue）纸（ba）就曾经抱怨说使用的软件太多了，完全被逼疯的感觉，还给我们亲爱的系主任提过意见。作为学渣也就这个问题问过系主任，她的意思是不同的软件在处理不同的数据时候是各有所长的，而且你们课程还是蛮轻松的，就多学点吧，另外不同的老师有不同的软件使用爱好，上课使用不同的软件是必然的。
学习经济学的同学，Excel和SPSS，EViews（或者Stata)就蛮好的了，Stata和EViews都可以写一些程序的，SPSS的界面化操作也是很友好的。本人使用的R，在上各种课中也都会在学了那些软件后再使用R来实现（其实绝大多数时候R都已经有现成的包了，我也大多是直接使用），R还是很不错的，推荐。
很多前辈也提出了，经济学学生学习编程适可而止就好了，要不然就是一条不归路啊，面临着彻底转行的危险，本人就是一枚反面例子（泪～。所以什么Python啊，C++啊，Julia啊就不要接触了。