计量经济学 有笔记划线

图书标准信息

• 作者 张晓峒
• 出版社 清华大学出版社
• 出版时间 2017-05
• 版次 1
• ISBN 9787302465836
• 定价 49.00元
• 装帧 其他
• 开本 32开
• 纸张 胶版纸
• 页数 460页
• 字数 646千字

【内容简介】

这是一本面向经济类、管理类本科生和研究生的计量经济学教材，内容主要包括回归模型、时间序列ARIMA模型、单位根检验、误差修正模型和面板数据模型等。

  本书在本领域内*次增加蒙特卡洛模拟结果讨论统计量的分布特征，增强读者对统计量分布特征的理解。书中每一个知识点都用简练的语言介绍怎样用计量经济学软件EViews 9 实现计算。书中所提供的案例基本上都是中国建模案例，为计量经济学理论与分析中国经济实际相结合提供切实范例。书中提供多种图（包括散点图、序列图、分布图等），辅助对所研究问题的理解。书中所用全部数据可免费下载。

【作者简介】

张晓峒，南开大学数量经济研究所所长，南开大学经济学院教授，数量经济学专业博士生导师。日本大阪市立大学经济学博士。

【目录】

目录

 

 

第1章一元线性回归模型

 

1.1计量经济学简介与建模步骤

 

1.2模型的建立及其假定条件

 

1.2.1建立模型的意义

 

1.2.2一元线性回归模型的定义

 

1.2.3一元线性回归模型的经济含义与特征

 

1.2.4模型的假定条件

 

1.3一元线性回归模型的参数估计

 

1.3.1估计方法初探

 

1.3.2最小二乘估计法原理

 

1.3.3最小二乘估计的计算

 

1.4yt，β^1和β^0的分布

 

1.4.1yt的分布

 

1.4.2β^1的分布

 

1.4.3β^0的分布

 

1.5σ2的估计

 

1.6最小二乘估计量的统计性质

 

1.6.1线性特性

 

1.6.2无偏性

 

1.6.3最小方差性

 

1.6.4渐近无偏性

 

1.6.5一致性

 

1.7最小二乘回归函数的性质

 

1.8拟合优度的测量

 

1.9回归系数的显著性检验

 

1.10回归系数的置信区间

 

1.11单方程回归模型的预测

 

1.11.1单个yT 1的点预测

 

1.11.2单个yT 1的区间预测

 

1.11.3E(yT 1)的区间预测

 

1.12相关分析

 

1.12.1相关的定义与分类

 

1.12.2相关系数

 

1.12.3线性相关系数的局限性

 

1.12.4简单相关系数的检验

 

1.13回归系数β^1与相关系数r的关系

 

1.14案例分析

 

第2章多元线性回归模型

 

2.1多元线性回归模型及其假定条件

 

2.1.1模型的建立

 

2.1.2模型的假定条件

 

2.2最小二乘法

 

2.3最小二乘估计量的特性

 

2.3.1线性特性

 

2.3.2无偏特性

 

2.3.3最小方差性

 

2.3.4渐近无偏性

 

2.3.5一致性

 

2.4残差的方差

 

2.5Y与最小二乘估计量 β^的分布

 

2.6多重可决系数(多重确定系数)

 

2.6.1总平方和、回归平方和与残差平方和

 

2.6.2多重确定系数R2

 

2.6.3调整的多重确定系数2

 

2.7F检验

 

2.8t检验和回归系数的置信区间

 

2.9预测

 

2.9.1yT 1的点预测

 

2.9.2单个yT 1的置信区间预测

 

2.9.3E(yT 1)的置信区间预测

 

2.9.4预测的评价指标

 

2.10多元线性回归计算举例

 

2.11偏相关与复相关

 

2.11.1偏相关

 

2.11.2复相关

 

2.12案例分析

 

2.13实际建模过程中应该注意的若干问题

 

 

第3章可线性化的非线性回归模型

 

3.1可线性化的7种非线性函数

 

3.1.1幂函数模型

 

3.1.2指数函数模型

 

3.1.3对数函数模型

 

3.1.4双曲线函数模型

 

3.1.5多项式函数模型

 

3.1.6生长曲线函数模型

 

3.1.7龚伯斯曲线函数模型

 

3.2可线性化的非线性模型综合案例

 

3.3可线性化的非线性模型一览表

 

第4章特殊解释变量

 

4.1虚拟变量

 

4.1.1测量截距移动

 

4.1.2测量斜率变化

 

4.2工具变量

 

4.2.1工具变量在一元线性回归模型中的应用

 

4.2.2工具变量在多元线性回归模型中的应用

 

4.3滞后变量

 

4.3.1分布滞后模型

 

4.3.2自回归模型

 

4.4随机解释变量

 

第5章异方差

 

5.1同方差假定

 

5.2异方差的表现与来源

 

5.3模型存在异方差的后果

 

5.4异方差检验

 

5.4.1定性分析异方差

 

5.4.2戈德菲尔德-匡特检验

 

5.4.3怀特检验

 

5.4.4戈列瑟检验

 

5.4.5ARCH(自回归条件异方差)检验

 

5.5克服异方差的方法

 

5.5.1用解释变量或解释变量的算术根除原回归式克服异方差

 

5.5.2用戈列瑟检验式克服异方差

 

5.5.3通过对数据取自然对数消除异方差

 

5.5.4克服异方差的矩阵描述

 

5.6案例分析

 

第6章自相关

 

6.1非自相关假定

 

6.2自相关的来源与后果

 

6.3自相关检验

 

6.3.1图示法

 

6.3.2DW检验法

 

6.3.3LM检验(亦称BG检验)法

 

6.3.4回归检验法

 

6.4自相关的解决方法

 

6.5克服自相关的矩阵描述

 

6.6自相关系数的估计

 

6.7案例分析

 

第7章多重共线性

 

7.1非多重共线性假定

 

7.2多重共线性的来源

 

7.3多重共线性的后果

 

7.3.1完全多重共线性对参数估计的影响

 

7.3.2近似共线性对参数估计的影响

 

7.3.3多重共线性后果的矩阵描述与蒙特卡洛模拟

 

7.4多重共线性的检测

 

7.5多重共线性的解决方法

 

7.5.1直接合并解释变量

 

7.5.2利用已知信息合并解释变量

 

7.5.3增加样本容量或重新抽取样本

 

7.5.4合并截面数据与时间序列数据

 

7.5.5剔除引起多重共线性的变量

 

7.6案例分析

 

7.7多重共线性与解释变量的不正确剔除

 

7.8违反模型假定条件的其他几种情形

 

7.8.1被解释变量存在测量误差

 

7.8.2被解释变量、解释变量同时存在测量误差

 

7.8.3随机解释变量

 

7.8.4模型的设定误差

 

第8章联立方程模型

 

8.1联立方程模型的概念

 

8.2联立方程模型的分类

 

8.2.1结构模型

 

8.2.2简化型模型

 

8.2.3递归模型

 

8.3联立方程模型的识别

 

8.3.1识别概念

 

8.3.2结构模型的识别方法

 

8.4联立方程模型的估计方法

 

8.4.1递归模型的估计方法

 

8.4.2简化型模型的估计方法

 

8.4.3结构模型的估计方法

 

8.5联立方程模型举例

 

第9章模型诊断常用统计量与检验

 

9.1检验模型中全部解释变量都无解释作用的F统计量

 

9.2检验单个回归系数显著性的t统计量

 

9.3检验回归系数线性约束条件是否成立的F统计量

 

9.4似然比统计量

 

9.5沃尔德（Wald）统计量

 

9.6拉格朗日乘子统计量

 

9.7赤池、施瓦茨和汉南?奎因统计量

 

9.8检验正态分布性的JB统计量

 

9.9格兰杰因果性检验

 

9.10邹突变点检验

 

9.11回归系数稳定性的邹检验

 

9.12递归分析

 

第10章时间序列ARIMA模型

 

10.1随机过程与时间序列定义

 

10.2ARIMA模型的分类

 

10.2.1自回归模型

 

10.2.2移动平均模型

 

10.2.3自回归移动平均模型

 

10.2.4单整自回归移动平均模型

 

10.3伍尔德（Wold）分解定理

 

10.3.1伍尔德分解定理

 

10.3.2随机过程期望与漂移项的关系

 

10.4自相关函数及其估计

 

10.4.1自相关函数

 

10.4.2自回归过程的自相关函数

 

10.4.3移动平均过程的自相关函数

 

10.4.4ARMA过程的自相关函数

 

10.4.5自相关函数的估计（相关图）

 

10.5偏自相关函数及其估计

 

10.5.1偏自相关函数定义

 

10.5.2偏自相关函数的计算

 

10.5.3AR、MA、ARMA过程偏自相关函数特征

 

10.5.4偏自相关函数的估计

 

10.5.5ARIMA过程自相关函数和偏自相关函数特征总结

 

10.6ARIMA模型的建立、估计过程与预测

 

10.6.1模型的识别

 

10.6.2模型参数的估计

 

10.6.3模型的诊断与检验

 

10.6.4ARIMA模型预测

 

10.7ARIMA模型建模案例

 

10.8季节时间序列ARIMA模型

 

10.8.1季节时间序列模型定义

 

10.8.2季节随机过程的自相关函数和偏自相关函数

 

10.8.3季节ARIMA模型的识别、拟合、检验与预测

 

10.8.4季节ARIMA模型建模案例

 

10.9回归与ARMA组合模型（regARIMA模型）

 

10.9.1回归与ARMA组合模型定义

 

10.9.2回归与ARMA组合模型案例分析

 

第11章虚假回归

 

11.1问题的提出

 

11.2单整性定义

 

11.3单整序列的统计特征

 

11.4虚假回归

 

第12章单位根检验

 

12.14种典型的非平稳过程

 

12.1.1随机游走过程

 

12.1.2随机趋势过程

 

12.1.3趋势平稳过程

 

12.1.4趋势非平稳过程

 

12.2DF，T(β^-1)统计量的分布特征

 

12.2.1DF统计量的分布特征

 

12.2.2AR(p)含单位根过程的DF统计量分布特征

 

12.2.3误差项为ARMA形式的I(1)过程DF分布特征

 

12.2.4DF检验式中t(α^),t(γ^)和F统计量的分布特征

 

12.2.5T(β^-1)统计量的分布特征

 

12.2.6趋势过程中t统计量的分布特征

 

12.3单位根检验

 

12.3.1单位根检验原理

 

12.3.2单位根检验步骤

 

12.4单位根检验的EViews 9操作

 

12.5单位根检验案例分析

 

12.6结构突变序列的单位根检验

 

第13章单方程误差修正模型

 

13.1均衡概念

 

13.2误差修正模型

 

13.2.1自回归分布滞后模型

 

13.2.2误差修正模型定义

 

13.3协整定义

 

13.4协整检验

 

13.4.1以残差为基础的协整检验法

 

13.4.2协整系数的分布滞后模型估计法

 

13.5格兰杰定理

 

13.5.1多项式矩阵

 

13.5.2格兰杰(Granger)定理

 

13.5.3举例验证格兰杰定理

 

13.6建立单方程误差修正模型的EG两步法

 

13.6.1EG两步法

 

13.6.2单方程误差修正模型案例分析

 

第14章面板数据模型

 

14.1面板数据的定义

 

14.2面板数据模型分类

 

14.2.1混合模型

 

14.2.2固定效应模型

 

14.2.3随机效应模型

 

14.3面板数据模型估计方法

 

14.3.1混合最小二乘估计

 

14.3.2组内估计

 

14.3.3最小二乘虚拟变量估计法

 

14.3.4一阶差分估计

 

14.3.5可行GLS估计法（随机效应估计法）

 

14.3.6面板数据模型拟合优度的测量

 

14.4面板数据模型的设定与检验

 

14.4.1F检验

 

14.4.2H检验

 

14.4.3Wald检验

 

14.4.4F检验和LR检验

 

14.5面板数据建模案例分析

 

14.6面板数据建模的EViews 9操作

 

14.6.1Pool（混合）数据工作文件的建立，模型的估计、检验与预测

 

14.6.2面板数据panel型工作文件的建立，模型估计与检验

 

附录A随机变量、概率极限、矩阵代数知识简介

 

附录B统计分布表

 

附表1相关系数临界值表

 

附表2标准正态分布函数表

 

附表3t分布百分位数表

 

附表4χ2分布百分位数表

 

附表5F分布百分位数表

 

附表6DW检验临界值表(α=0.05)

 

附表7DF分布百分位数表

 

附表8t(α^)检验临界值表(Δyt=α ρyt-1 ut中检验α=0)

 

附表9F检验临界值表(Δyt=α ρyt-1 ut中检验α=ρ=0)

 

附表10t(α^)检验临界值表(Δyt=α γt ρyt-1 ut中检验α=0)

 

附表11t(γ^)检验临界值表(Δyt=α γt ρyt-1 ut中检验γ=0)

 

附表12F检验临界值表(Δyt=α γt ρyt-1 ut中检验γ=ρ=0)

 

附表13T(β^-1)分布百分位数表

 

附表14EG和AEG协整检验临界值表

 

附表15协整检验临界值表

 

附录CEViews 9使用简介

 

参考文献