书名：计量经济学导论
副标题：现代观点
作者：J.M.伍德里奇
出版社：中国人民大学出版社
ISBN：9787300045184
出版时间：2003
页数：909
定价：85.00
内容简介： 本书的面世恰逢时机，对应用研究者时常面临的几个重大问题，作者的系统处理方法已获得极大赞誉：“在初级计量经济学教科书中，只有本书对时间序列数据的计量分析进行了认真而又圆满的讨论……它无须过分严密的推导而对复杂的计量经济思想进行了清晰而又直观的表达。” 目录 第1章 计量经济学的性质与经济数据 第1篇 横截面数据的回归分析 第2章 简单回归模型 第3章 多元回归分析：估计 第4章 多元回归分析：推断 第5章 多元回归分析：OLS的渐近性 第6章 多元回归分析：其他问题 第7章 含有定性信息的多元回归分析：二值（或虚拟）变量 第8章 异方差性 第9章 模型设定和数据问题的深入探讨 第2篇 时间序列数据的回归分析 第10章 时间序列数据的基本回归分析 第11章 用时间序列数据计算OLS的其他问题 第12章 时间序列回归中的序列相关和异方差 第3篇 高深专题讨... 本书的面世恰逢时机，对应用研究者时常面临的几个重大问题，作者的系统处理方法已获得极大赞誉：“在初级计量经济学教科书中，只有本书对时间序列数据的计量分析进行了认真而又圆满的讨论……它无须过分严密的推导而对复杂的计量经济思想进行了清晰而又直观的表达。” 目录 第1章 计量经济学的性质与经济数据 第1篇 横截面数据的回归分析 第2章 简单回归模型 第3章 多元回归分析：估计 第4章 多元回归分析：推断 第5章 多元回归分析：OLS的渐近性 第6章 多元回归分析：其他问题 第7章 含有定性信息的多元回归分析：二值（或虚拟）变量 第8章 异方差性 第9章 模型设定和数据问题的深入探讨 第2篇 时间序列数据的回归分析 第10章 时间序列数据的基本回归分析 第11章 用时间序列数据计算OLS的其他问题 第12章 时间序列回归中的序列相关和异方差 第3篇 高深专题讨论 第13章 跨时横截面的混合，简单综列数据方法 第14章 高深的综列数据方法 第15章 工具变量估计与两阶段最小二乘法 第16章 联立方程模型 第17章 限值因变量模型和样本选择纠正 第18章 时间序列的深入讲座讨论 第19章 一个经验项目的实施 附录A 基本数学工具 附录B 概率论基本知识 附录C 数理统计基础 附录D 矩阵代数概述 附录E 矩阵形式的线性回归模型 附录F 各章习题解答 附录G 统计学用表 参考文献 术语表 索引 译后记 杰弗里·M·伍德里奇，密歇根州立大学经济学特聘教授，1991年以来一直在该校任教。1986—1991年，伍德里奇博士曾担任麻省理工学院的经济学助理教授。他于1982年在加州大学伯克利分校获得计算机科学与经济学学士学位，并于1986年在加州大学圣迭戈分校获得经济学博士学位。伍德里奇博士曾在国际知名期刊上发表学术论文30多篇，参与过多部著作的写作，他还是《横截面与面板数据的计量经济分析》一书的作者。他的获奖项目包括：斯隆(Alfred P Sloan)研究奖，《计量经济理论》的Plurla Scripsit奖，《应用计量经济学杂志》的斯通(Richard Stone)爵士奖，以及在MIT三次获得研究生教学年度优秀教师奖。他还是计量经济学会和《计量经济学杂志》的资深会员。 第11章 用时间序列数据计算OLS的其他问题 第12章 时间序列回归中的序列相关和异方差 第3篇 高深专题讨论 第13章 跨时横截面的混合，简单综列数据方法 第14章 高深的综列数据方法 第15章 工具变量估计与两阶段最小二乘法 …… 附录A 基本数学工具 附录B 概率论基本知识 附录C 数理统计基础 …… 参考文献 术语表 索引 译后记 · · · · · · 这套丛书还有 《博弈论》,《用Excel学习中级微观经济学》,《宏观经济学》,《产业组织:现代理论与实践》,《管理经济学：理论、应用与案例（第八版）》 等。 翻译你出来，我不打你，“结婚增益下降符合越是能干的男子----为一个更高的非观测效应ai所刻画----就越可能是结了婚的那种想法。” 翻译你出来，我不打你，“结婚增益下降符合越是能干的男子----为一个更高的非观测效应ai所刻画----就越可能是结了婚的那种想法。” 题记 IV，也就是工具变量模型，是研究如何利用工具变量来解决模型中出现的随机解释变量问题，其是西方计量经济学最近一个较为热门的研究领域。这是我在英国读研时在学习IV时的随笔，用来聊以自慰。该随笔的灵感很大一部分来自于伍德里奇的《计量经济学导论》。由于写得非常浅薄... 高年级本科、硕士水平的经典计量经济教材！这本书绝对可以用“漂亮”二字概括，费剑平翻译的也很好，错误极少。少量的印刷错误主要集中于附录，可在网上下载本书英文电子版加以对照。 针对本科水平而言（侧重应用研究），本书Ch1--10,Ch12--16都是必学章节，基本上... 首先，一定要看英文版，这本书最大的优点在于：案例丰富，经济意义描述清晰，让人不会陷入数学的谜团，知道“计量经济学”是一门“经济学”而不是“数学”！！！一般情况下，学完初级微观宏观就可以尝试看这本英文书。 最大的缺点在于：主体按照OLS估计，很少涉及MLE，GMM，但... 人大版翻译的国外经典教材真难读，糟糕的翻译，似乎译者不是中国人，如此这般的书面表达真让人佩服，还存在很多错误，对人大的这套丛书失望透了。 再也不敢买人大翻译得书了。译者太不负责任了，不要因为翻译国外书不作为学术研究而急功近利，只为拿点翻译费。跟高鸿业花3年翻... 这本书我只啃了6章和后面的appendixA-C，Research Method的这门课只这些内容。我本科没有学过计量经济学，统计学也等于没学过，所以RM这门课开的时候我等于听天书，开课时pro知道我非金融背景问我有没有学过计量经济学，我就知道这门课又是异常痛苦了。过完圣诞之后我才从图书... 适合中级水平的书，是经济学领域较好的教材，但不是最好的教材，好的教材很多。其他学科的相关教材也很好。 第四版阉割了很多内容，国内的出版商无耻的很，而且字很小，印刷质量很一般。和国外的印刷质量比起来，差别太大。建议网上搜电子版的看或者买第三版。 建议先看一些入... 这是本非常漂亮的学术著作 读起来很愉悦 虽然在技术上不是很难 但对计量经济学的解说却非常到位 同时例子也非常丰富 如果能够认真看过两遍 作出合适的实证研究应该不是问题 稍微指出一点瑕疵： 就是这本书在印刷上存在一定的错误 （非常少的地方存在翻译错误） ... 书本身当然是没问题的 但是要提示一下想买英文原版的人 这个引进版删除了附录A-D，其中很多内容我觉得还是挺重要的~ 其次，有的chapter可能前言比较长，出版社就删除了第一页，但这有时会导致该chapter第一个equation也顺带着被删除了，大家一定要留意。 至于第六版英文原版现... Great book for elementary learners in econometrics. Introduces the basic concept of econometrics by intuitively describe the thinking process underlying the main idea of econometric models. Thoroughly covers basic cross-sectional methods, then provides a we... 其实主要内容就是Multiple Regression Analysis。内容经典，听说是国内许多经济系的课本。 理论性偏强，不够实用化。不过从另一方面来讲，范例讲的都比较明白。 强烈推荐附录里关于“如何做实证研究”的指南文章。完全是DIY研究的完整的to do list啊！以后做研究就照着这上面... 静态面板数据模型 一般所说的是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关（如AR(1))的模型也不是静态模型。动态和静态模型在处理方法上往往有较大差异。 本节重点介绍两种最为常用的静态模型——固定效应模型和随机效应模型。 个体效应(individual effects)：那些不随时间改变的影响因素，这些因素在多数情况下无法直接观测或难以量化，如个人的消费习惯、国家... 2016-07-29 14:50 静态面板数据模型一般所说的是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关（如AR(1))的模型也不是静态模型。动态和静态模型在处理方法上往往有较大差异。本节重点介绍两种最为常用的静态模型——固定效应模型和随机效应模型。个体效应(individual effects)：那些不随时间改变的影响因素，这些因素在多数情况下无法直接观测或难以量化，如个人的消费习惯、国家的社会制度等。对其处理方法：一种是视其为不随时间改变的固定性因素，相应模型称为“固定效应”模型；另一种方式是视其为随机因素，相应的模型称为“随机效应”模型。固定效应模型中的个体差异反映在每个个体都有一个特定的截距项上；随机效应模型则假设所有个体具有相同截距项，个体差异主要反映在随机干扰项的设定上，因此该模型通常也叫作“误差成分模型”。基于此，一种常见观点认为，当我们的样本来自一个较小的母体时，我们应该使用固定效应模型，而当样本来自一个很大的母体时，应当采用随机效应模型。比如在研究中国地区经济增长过程中，以全国28个省区为研究对象，可以认为这28个省区几乎代表了整个母体。同时也可以假设在样本区间，各省区的经济结构、FE（Fiexed Effexts） Modely（it）=α（i）+x（it）β+u（it）（Replace with dummy variables)RE(Random Effects)Modely(it)=μ+x(it)β+α（i）+u（it），其中α（i）是截距中的随机变量部分，代表个体的随机影响。固定效应模型1.例如，在研究财政支出与经济增长的关系时，运用全国的时间序列数据来检验财政支出与经济增长关系可能存在设定误差，并且受统计资料制约，仅用时间序列资料不能满足大样本要求。同时，由于我国不同地区的体制变革和财政政策的不断调整，各个地区财政支出结构随时间而不断变化。面板数据(Panel Data)从某种程度上克服了这一困难。考虑到中国各个省份财政支出结构与经济增长的关系存在明显的地区差异。从时间序列角度，考虑各个省份差异的动态变化，是面板数据模型的优势。同时，假设在样本区间内，各个省区的经济结构、人口素质等不可观测的特质性因素是固定不变的，因此采用固定效应模型比较合适。随机效应模型2.而当我们研究某个县市居民的消费行为时，由于样本数相对于江苏省几千万人口是个很小的样本。此时，可以认为个体居民在个人能力、消费习惯等方面的差异是随机的，采用随机效应模型较为合适。RE认为个体的差异是随机的。非观测的个体差异效应α（i）与随机扰动项一样都是随机变量。总结：如果把非观测效应看作是各个截面或个体特有的可估计参数，并且不随时间变化，则模型为固定效应模型。如果把非观测效应看作随机变量，并且符合一个特定分布，则模型为随机效应模型。在实证分析中，一般通过Hausman检验判断：由于随机效应模型把个体效应设定为干扰项的一部分，所以要求解释变量与个体效应不相关，而固定效应不需要这个假定。因此，我们可以通过检验该假设条件是否满足来判断。如果满足，那么就采用随机效应模型。反之，采用固定效应模型。Hausman检验基本思想：在固定效应和其他解释变量不相关的原假设下，用OLS估计的固定效应和用GLS估计的随机效应模型的参数估计都是一致的。反之，OLS一致，但GLS则不是。因此，在原假设下，二者的参数估计应该不会有系统的差异。我们可以基于二者参数估计的差异构造统计检验量。如果拒绝原假设，就认为应该选择固定效应。Stata打开数据库：use C: 重新输入数据：edit简单回归：regress gdp invest相关系数：cor gdp invest edu无常数：regress gdp invest，noconstant回归诊断：是否存在异方差：estat hettest怀特检验：estat imtest,white回归信息检验：estat imtest是否遗漏重要解释变量:estat ovtest拟合图:rvfplot单一变量的相关图:cprplot invest画图：菜单与命令结合twoway(scatter gdp invest)twoway(scatter gdp invest||Ifit gdp invest)Durbin-Watson统计量：estat dwatson序列相关检验：estat durbinalt滞后阶数选择：estat durbinalt,lags(2)条件异方差检验：estat archlm,lags(2)可选变量的异方差检验：estat szroeter gdp invest culture sciStata对面板数据模型的估计首先对面板数据进行声明：前面是截面单元，后面是时间标识。tsset company yeartsset industry year产生新变量：gen newvar=human*Inrd产生滞后变量Gen fiscal(2)=L2.fiscal产生差分变量Gen fiscal（D）=D.fiscal描述性统计：xtdes：对面板数据截面个数、时间跨度的整体描述Xtsum：分组内、组间和样本整体计算各个变量的基本统计量xttab采用列表的方式显示某个变量的分布Stata中用于估计面板模型的主要命令：xtregxtreg depcar[varlist][if exp],model_type[level(#)]Model Type:be Between-effects estimatorfe Fixed-effects estimatorre GLS Random-effects estimatorpa GEE population-averaged estimatormle Maximum-likelihood Random-effects estimstorHausman Test检验究竟选择固定效应模型还是随机效应模型：第一步，估计固定效应模型，存储结果xtreg gdp invest culture sci health admin techno,feest store fe第二步，估计随机效应模型，存储结果xtreg gdp invest culture sci health admin techno,reest store re第三步，Hausman检验hausman feHausman统计量服从自由度为k的卡方分布。当H统计量大于一定显著水平的临界值时，我们认为模型中存在固定效应，从而选用固定效应模型，否则用随机效应模型。如果Hausman检验值为负，说明模型设定有问题，导致检验的基本假设得不到满足，有遗漏变量的问题或者某些变量是非平稳的。可以改用hausman检验其他形式：hausman fe,sigmaless对于固定效应模型的异方差检验和序列相关检验：Xtserial gdp invest culture sci health admin techno异方差检验xtreg gdp invest culture sci health admin techno,fexttest3（Modified Wald statistic for groupwise heteroskedasticity in fixed effect model)随机效应模型的序列相关检验：xtreg gdp invest culturesci health admin techno,reXttest1Xttest1用于检验随机效应（单尾和双尾）、一阶序列相关以及两者的联合显著检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显著。 在写用x解释y的模型时，需要解决3问。1.既然两个变量之间没有一个确切关系，那么应该如何考虑其他影响y的因素？2.函数关系怎样？3.怎样知道我们抓住了在其他条件不变的情况下y和x之间的关系？ 简单线性回归模型(simple linear regression model)。 两变量或双变量线性回归模型 y：因变量（dependent variable)、被解释变量(explained variable)、响应变量(response variable）、被预测变量（predicted variable）、回归子(regre... 2016-07-28 14:54 在写用x解释y的模型时，需要解决3问。1.既然两个变量之间没有一个确切关系，那么应该如何考虑其他影响y的因素？2.函数关系怎样？3.怎样知道我们抓住了在其他条件不变的情况下y和x之间的关系？简单线性回归模型(simple linear regression model)。两变量或双变量线性回归模型y：因变量（dependent variable)、被解释变量(explained variable)、响应变量(response variable）、被预测变量（predicted variable）、回归子(regressand)。x：自变量(independent variable)、解释变量(explanatory variable)、控制变量(control variable）、预测元(predictor variable)或者回归元(regressor)。x还别叫做协变量(covariate)。u——误差项或扰动项，表示除x之外影响y的因素。一个简单回归分析能够有效处理除x之外其他所有影响y的非观测因素。也可以吧u叫作“观测不到的”因素。如果u中的其他因素被看做保持不变，意味u的变化为0，那x对y具有线性影响。β就是y和x的关系式中的斜率参数（slope parameter）。在应用经济学中，它是人们研究地主要兴趣之所在。截距参数(intercept parameter)也有作用，但很少是研究地主要部分。u和x的关系的关键性假定。相关关系只是线性相依性的衡量。故对给定x时u的期望值作出假定。假定：在总体中u为零均值，且与x不相关。u的期望值为0，x与y之间的协方差为0。零条件均值假定（zero conditional mean assumption），对任何给定的x，非观测因素的均值是相等的。因此他们必须与整个总体中的u均值相等。β0+β1x被叫做y的系统部分，是y被解释的部分，u为非系统部分，或者说y不能被解释的部分。2.2普通最小二乘法的推导 第一章 计量经济学的性质与经济数据 讨论计量经济学的研究领域，并提出在应用计量经济方法过程汇总所遇到的一般问题。 1.1什么是计量经济学 1.3考察商业、经济学和其他社会科学中所使用的数据集的种类。 1.4对社会科学中的因果性推断的困难进行直观讨论。 从什么导入：两个背景，意思就是学完这本入门教程后，应该要知道如何用计量模型去规范评价一个培训项目是否真的可以提高薪酬，或者检验一个简单的计量经济理论。 计量经... 2016-07-28 11:10 第一章 计量经济学的性质与经济数据讨论计量经济学的研究领域，并提出在应用计量经济方法过程汇总所遇到的一般问题。1.1什么是计量经济学1.3考察商业、经济学和其他社会科学中所使用的数据集的种类。1.4对社会科学中的因果性推断的困难进行直观讨论。从什么导入：两个背景，意思就是学完这本入门教程后，应该要知道如何用计量模型去规范评价一个培训项目是否真的可以提高薪酬，或者检验一个简单的计量经济理论。计量经济学最常见的应用就是对利率、通胀率和GDP等重要宏观经济变量的预测。也可以用于与宏观经济预测无关的经济领域。比如，研究在政治竞争中支出对投票结果的影响，还可以考虑学校支出对教育领域学生表现的影响。计量经济学已从数理统计中分离出来，因为它主要考虑的领域是非实验数据的。非实验数据（non-experimental data)，或被称为观测数据(observational data)，以强调研究者只是被动的数据搜集者这一事实。自然科学中的实验数据(experimental data)通常在实验室获取数据。1.4会给出实验数据与非实验数据之间的区别。1.2经验经济分析的步骤当我们有一个经济理论需要检验的时候，要么在我们的脑海中有一种关系，而在这一关系对商业决策或政策分析又很重要时，便开始用计量方法。经验分析(empirical analysis)就是利用数据来检验某个理论或估计某种关系。1.3经济数据的结构横截面数据集（cross-sectional data set)，就是在给定时间点，对一个对象（个人、企业等单位）采集的样本所构成的数据集。 有时，所有单位的数据并非完全对应于同一个时间段。 例如，几个家庭能在一年中的不同星期被调查。 在一个纯粹的横截面分析中，应忽略数据搜集中细小的时间差别。如果一系列家庭都是在同一年度的不同星期被调查的，那仍称之为横截面数据集。横截面数据的一个重要特征是，通常假定，它们是从样本背后的总体中通过随机抽样(random sampling)而得到的。时间序列数据集（time series data set)是由一个或几个变量在不同时间内的观测值所构成。一个特征，有滞后性，后面的和前面的数据有关。另一个是数据搜集中的数据频率(data frequency)，最常见的是每天、周、月、季度和年。混合横截面数据比如，对美国家庭进行两次横截面数据的调查，一次在1985年，一次在1990年。在1985年，对家庭的一个随机样本调查了工资、储蓄、家庭大小等变量。到了1990年，用同样的调查问题又对家庭的一个新随机样本进行调查。 为扩大样本容量，可以将这两年的数据合并成一个混合横截面数据（pooled cross section）。由于在每年都是随机抽样，所以同一个家庭在两年的样本中都出现纯属偶然。这使混合横截面数据有别于综列数据集。把不同年份的横截面数据混合起来，通常是分析一项新政府政策之影响的有效方法。其思想是，搜集一个重要的政策变化之前和之后的数据。比如，在1993年和1995年都对住房价格搜集了数据集，而在1994年则下调了财产税。 假设1993年有250个房子的数据，1995年有270个房子的数据。观测1~250对应于1993年出售的房子，而观测251~520则对应于1995年出售的房子。对混合横截面数据的分析与对标准横截面数据的分析十分相似。不同在于，前者通常要对变量在不同时间的现实差异作出解释。实际，除了能扩大样本容量外，混合横截面分析通常是为了让我们看出一个关键的关系如何随时间而变化。综列或纵剖面数据纵列数据(panel data)（或纵剖面数据）集由横截面数据集中每个数据的一个时间序列组成。比如，对一系列个人的工资、受教育情况和就业史跟欧洲那个了10年，或对一系列企业诸如投资和财务数据等搜集了5年的信息。 有些纵列数据也可以以地理上的单位来搜集。比如，在1980、1985和1990年对美国同一组县搜集其人口迁移、税率、工资率、政府支出等。综列数据要求同一单位不同时期的重复观测。1.4计量经济分析中的因果关系和其他条件不变的概念在多数对经济理论的检验或者对公共政策的评价中，目标就是一个变量对另一个变量具有因果性效应（causal effect） 第一章 计量经济学的性质与经济数据 讨论计量经济学的研究领域，并提出在应用计量经济方法过程汇总所遇到的一般问题。 1.1什么是计量经济学 1.3考察商业、经济学和其他社会科学中所使用的数据集的种类。 1.4对社会科学中的因果性推断的困难进行直观讨论。 从什么导入：两个背景，意思就是学完这本入门教程后，应该要知道如何用计量模型去规范评价一个培训项目是否真的可以提高薪酬，或者检验一个简单的计量经济理论。 计量经... 2016-07-28 11:10 第一章 计量经济学的性质与经济数据讨论计量经济学的研究领域，并提出在应用计量经济方法过程汇总所遇到的一般问题。1.1什么是计量经济学1.3考察商业、经济学和其他社会科学中所使用的数据集的种类。1.4对社会科学中的因果性推断的困难进行直观讨论。从什么导入：两个背景，意思就是学完这本入门教程后，应该要知道如何用计量模型去规范评价一个培训项目是否真的可以提高薪酬，或者检验一个简单的计量经济理论。计量经济学最常见的应用就是对利率、通胀率和GDP等重要宏观经济变量的预测。也可以用于与宏观经济预测无关的经济领域。比如，研究在政治竞争中支出对投票结果的影响，还可以考虑学校支出对教育领域学生表现的影响。计量经济学已从数理统计中分离出来，因为它主要考虑的领域是非实验数据的。非实验数据（non-experimental data)，或被称为观测数据(observational data)，以强调研究者只是被动的数据搜集者这一事实。自然科学中的实验数据(experimental data)通常在实验室获取数据。1.4会给出实验数据与非实验数据之间的区别。1.2经验经济分析的步骤当我们有一个经济理论需要检验的时候，要么在我们的脑海中有一种关系，而在这一关系对商业决策或政策分析又很重要时，便开始用计量方法。经验分析(empirical analysis)就是利用数据来检验某个理论或估计某种关系。1.3经济数据的结构横截面数据集（cross-sectional data set)，就是在给定时间点，对一个对象（个人、企业等单位）采集的样本所构成的数据集。 有时，所有单位的数据并非完全对应于同一个时间段。 例如，几个家庭能在一年中的不同星期被调查。 在一个纯粹的横截面分析中，应忽略数据搜集中细小的时间差别。如果一系列家庭都是在同一年度的不同星期被调查的，那仍称之为横截面数据集。横截面数据的一个重要特征是，通常假定，它们是从样本背后的总体中通过随机抽样(random sampling)而得到的。时间序列数据集（time series data set)是由一个或几个变量在不同时间内的观测值所构成。一个特征，有滞后性，后面的和前面的数据有关。另一个是数据搜集中的数据频率(data frequency)，最常见的是每天、周、月、季度和年。混合横截面数据比如，对美国家庭进行两次横截面数据的调查，一次在1985年，一次在1990年。在1985年，对家庭的一个随机样本调查了工资、储蓄、家庭大小等变量。到了1990年，用同样的调查问题又对家庭的一个新随机样本进行调查。 为扩大样本容量，可以将这两年的数据合并成一个混合横截面数据（pooled cross section）。由于在每年都是随机抽样，所以同一个家庭在两年的样本中都出现纯属偶然。这使混合横截面数据有别于综列数据集。把不同年份的横截面数据混合起来，通常是分析一项新政府政策之影响的有效方法。其思想是，搜集一个重要的政策变化之前和之后的数据。比如，在1993年和1995年都对住房价格搜集了数据集，而在1994年则下调了财产税。 假设1993年有250个房子的数据，1995年有270个房子的数据。观测1~250对应于1993年出售的房子，而观测251~520则对应于1995年出售的房子。对混合横截面数据的分析与对标准横截面数据的分析十分相似。不同在于，前者通常要对变量在不同时间的现实差异作出解释。实际，除了能扩大样本容量外，混合横截面分析通常是为了让我们看出一个关键的关系如何随时间而变化。综列或纵剖面数据纵列数据(panel data)（或纵剖面数据）集由横截面数据集中每个数据的一个时间序列组成。比如，对一系列个人的工资、受教育情况和就业史跟欧洲那个了10年，或对一系列企业诸如投资和财务数据等搜集了5年的信息。 有些纵列数据也可以以地理上的单位来搜集。比如，在1980、1985和1990年对美国同一组县搜集其人口迁移、税率、工资率、政府支出等。综列数据要求同一单位不同时期的重复观测。1.4计量经济分析中的因果关系和其他条件不变的概念在多数对经济理论的检验或者对公共政策的评价中，目标就是一个变量对另一个变量具有因果性效应（causal effect） 在写用x解释y的模型时，需要解决3问。1.既然两个变量之间没有一个确切关系，那么应该如何考虑其他影响y的因素？2.函数关系怎样？3.怎样知道我们抓住了在其他条件不变的情况下y和x之间的关系？ 简单线性回归模型(simple linear regression model)。 两变量或双变量线性回归模型 y：因变量（dependent variable)、被解释变量(explained variable)、响应变量(response variable）、被预测变量（predicted variable）、回归子(regre... 2016-07-28 14:54 在写用x解释y的模型时，需要解决3问。1.既然两个变量之间没有一个确切关系，那么应该如何考虑其他影响y的因素？2.函数关系怎样？3.怎样知道我们抓住了在其他条件不变的情况下y和x之间的关系？简单线性回归模型(simple linear regression model)。两变量或双变量线性回归模型y：因变量（dependent variable)、被解释变量(explained variable)、响应变量(response variable）、被预测变量（predicted variable）、回归子(regressand)。x：自变量(independent variable)、解释变量(explanatory variable)、控制变量(control variable）、预测元(predictor variable)或者回归元(regressor)。x还别叫做协变量(covariate)。u——误差项或扰动项，表示除x之外影响y的因素。一个简单回归分析能够有效处理除x之外其他所有影响y的非观测因素。也可以吧u叫作“观测不到的”因素。如果u中的其他因素被看做保持不变，意味u的变化为0，那x对y具有线性影响。β就是y和x的关系式中的斜率参数（slope parameter）。在应用经济学中，它是人们研究地主要兴趣之所在。截距参数(intercept parameter)也有作用，但很少是研究地主要部分。u和x的关系的关键性假定。相关关系只是线性相依性的衡量。故对给定x时u的期望值作出假定。假定：在总体中u为零均值，且与x不相关。u的期望值为0，x与y之间的协方差为0。零条件均值假定（zero conditional mean assumption），对任何给定的x，非观测因素的均值是相等的。因此他们必须与整个总体中的u均值相等。β0+β1x被叫做y的系统部分，是y被解释的部分，u为非系统部分，或者说y不能被解释的部分。2.2普通最小二乘法的推导 静态面板数据模型 一般所说的是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关（如AR(1))的模型也不是静态模型。动态和静态模型在处理方法上往往有较大差异。 本节重点介绍两种最为常用的静态模型——固定效应模型和随机效应模型。 个体效应(individual effects)：那些不随时间改变的影响因素，这些因素在多数情况下无法直接观测或难以量化，如个人的消费习惯、国家... 2016-07-29 14:50 静态面板数据模型一般所说的是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关（如AR(1))的模型也不是静态模型。动态和静态模型在处理方法上往往有较大差异。本节重点介绍两种最为常用的静态模型——固定效应模型和随机效应模型。个体效应(individual effects)：那些不随时间改变的影响因素，这些因素在多数情况下无法直接观测或难以量化，如个人的消费习惯、国家的社会制度等。对其处理方法：一种是视其为不随时间改变的固定性因素，相应模型称为“固定效应”模型；另一种方式是视其为随机因素，相应的模型称为“随机效应”模型。固定效应模型中的个体差异反映在每个个体都有一个特定的截距项上；随机效应模型则假设所有个体具有相同截距项，个体差异主要反映在随机干扰项的设定上，因此该模型通常也叫作“误差成分模型”。基于此，一种常见观点认为，当我们的样本来自一个较小的母体时，我们应该使用固定效应模型，而当样本来自一个很大的母体时，应当采用随机效应模型。比如在研究中国地区经济增长过程中，以全国28个省区为研究对象，可以认为这28个省区几乎代表了整个母体。同时也可以假设在样本区间，各省区的经济结构、FE（Fiexed Effexts） Modely（it）=α（i）+x（it）β+u（it）（Replace with dummy variables)RE(Random Effects)Modely(it)=μ+x(it)β+α（i）+u（it），其中α（i）是截距中的随机变量部分，代表个体的随机影响。固定效应模型1.例如，在研究财政支出与经济增长的关系时，运用全国的时间序列数据来检验财政支出与经济增长关系可能存在设定误差，并且受统计资料制约，仅用时间序列资料不能满足大样本要求。同时，由于我国不同地区的体制变革和财政政策的不断调整，各个地区财政支出结构随时间而不断变化。面板数据(Panel Data)从某种程度上克服了这一困难。考虑到中国各个省份财政支出结构与经济增长的关系存在明显的地区差异。从时间序列角度，考虑各个省份差异的动态变化，是面板数据模型的优势。同时，假设在样本区间内，各个省区的经济结构、人口素质等不可观测的特质性因素是固定不变的，因此采用固定效应模型比较合适。随机效应模型2.而当我们研究某个县市居民的消费行为时，由于样本数相对于江苏省几千万人口是个很小的样本。此时，可以认为个体居民在个人能力、消费习惯等方面的差异是随机的，采用随机效应模型较为合适。RE认为个体的差异是随机的。非观测的个体差异效应α（i）与随机扰动项一样都是随机变量。总结：如果把非观测效应看作是各个截面或个体特有的可估计参数，并且不随时间变化，则模型为固定效应模型。如果把非观测效应看作随机变量，并且符合一个特定分布，则模型为随机效应模型。在实证分析中，一般通过Hausman检验判断：由于随机效应模型把个体效应设定为干扰项的一部分，所以要求解释变量与个体效应不相关，而固定效应不需要这个假定。因此，我们可以通过检验该假设条件是否满足来判断。如果满足，那么就采用随机效应模型。反之，采用固定效应模型。Hausman检验基本思想：在固定效应和其他解释变量不相关的原假设下，用OLS估计的固定效应和用GLS估计的随机效应模型的参数估计都是一致的。反之，OLS一致，但GLS则不是。因此，在原假设下，二者的参数估计应该不会有系统的差异。我们可以基于二者参数估计的差异构造统计检验量。如果拒绝原假设，就认为应该选择固定效应。Stata打开数据库：use C: 重新输入数据：edit简单回归：regress gdp invest相关系数：cor gdp invest edu无常数：regress gdp invest，noconstant回归诊断：是否存在异方差：estat hettest怀特检验：estat imtest,white回归信息检验：estat imtest是否遗漏重要解释变量:estat ovtest拟合图:rvfplot单一变量的相关图:cprplot invest画图：菜单与命令结合twoway(scatter gdp invest)twoway(scatter gdp invest||Ifit gdp invest)Durbin-Watson统计量：estat dwatson序列相关检验：estat durbinalt滞后阶数选择：estat durbinalt,lags(2)条件异方差检验：estat archlm,lags(2)可选变量的异方差检验：estat szroeter gdp invest culture sciStata对面板数据模型的估计首先对面板数据进行声明：前面是截面单元，后面是时间标识。tsset company yeartsset industry year产生新变量：gen newvar=human*Inrd产生滞后变量Gen fiscal(2)=L2.fiscal产生差分变量Gen fiscal（D）=D.fiscal描述性统计：xtdes：对面板数据截面个数、时间跨度的整体描述Xtsum：分组内、组间和样本整体计算各个变量的基本统计量xttab采用列表的方式显示某个变量的分布Stata中用于估计面板模型的主要命令：xtregxtreg depcar[varlist][if exp],model_type[level(#)]Model Type:be Between-effects estimatorfe Fixed-effects estimatorre GLS Random-effects estimatorpa GEE population-averaged estimatormle Maximum-likelihood Random-effects estimstorHausman Test检验究竟选择固定效应模型还是随机效应模型：第一步，估计固定效应模型，存储结果xtreg gdp invest culture sci health admin techno,feest store fe第二步，估计随机效应模型，存储结果xtreg gdp invest culture sci health admin techno,reest store re第三步，Hausman检验hausman feHausman统计量服从自由度为k的卡方分布。当H统计量大于一定显著水平的临界值时，我们认为模型中存在固定效应，从而选用固定效应模型，否则用随机效应模型。如果Hausman检验值为负，说明模型设定有问题，导致检验的基本假设得不到满足，有遗漏变量的问题或者某些变量是非平稳的。可以改用hausman检验其他形式：hausman fe,sigmaless对于固定效应模型的异方差检验和序列相关检验：Xtserial gdp invest culture sci health admin techno异方差检验xtreg gdp invest culture sci health admin techno,fexttest3（Modified Wald statistic for groupwise heteroskedasticity in fixed effect model)随机效应模型的序列相关检验：xtreg gdp invest culturesci health admin techno,reXttest1Xttest1用于检验随机效应（单尾和双尾）、一阶序列相关以及两者的联合显著检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显著。 静态面板数据模型 一般所说的是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关（如AR(1))的模型也不是静态模型。动态和静态模型在处理方法上往往有较大差异。 本节重点介绍两种最为常用的静态模型——固定效应模型和随机效应模型。 个体效应(individual effects)：那些不随时间改变的影响因素，这些因素在多数情况下无法直接观测或难以量化，如个人的消费习惯、国家... 2016-07-29 14:50 静态面板数据模型一般所说的是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关（如AR(1))的模型也不是静态模型。动态和静态模型在处理方法上往往有较大差异。本节重点介绍两种最为常用的静态模型——固定效应模型和随机效应模型。个体效应(individual effects)：那些不随时间改变的影响因素，这些因素在多数情况下无法直接观测或难以量化，如个人的消费习惯、国家的社会制度等。对其处理方法：一种是视其为不随时间改变的固定性因素，相应模型称为“固定效应”模型；另一种方式是视其为随机因素，相应的模型称为“随机效应”模型。固定效应模型中的个体差异反映在每个个体都有一个特定的截距项上；随机效应模型则假设所有个体具有相同截距项，个体差异主要反映在随机干扰项的设定上，因此该模型通常也叫作“误差成分模型”。基于此，一种常见观点认为，当我们的样本来自一个较小的母体时，我们应该使用固定效应模型，而当样本来自一个很大的母体时，应当采用随机效应模型。比如在研究中国地区经济增长过程中，以全国28个省区为研究对象，可以认为这28个省区几乎代表了整个母体。同时也可以假设在样本区间，各省区的经济结构、FE（Fiexed Effexts） Modely（it）=α（i）+x（it）β+u（it）（Replace with dummy variables)RE(Random Effects)Modely(it)=μ+x(it)β+α（i）+u（it），其中α（i）是截距中的随机变量部分，代表个体的随机影响。固定效应模型1.例如，在研究财政支出与经济增长的关系时，运用全国的时间序列数据来检验财政支出与经济增长关系可能存在设定误差，并且受统计资料制约，仅用时间序列资料不能满足大样本要求。同时，由于我国不同地区的体制变革和财政政策的不断调整，各个地区财政支出结构随时间而不断变化。面板数据(Panel Data)从某种程度上克服了这一困难。考虑到中国各个省份财政支出结构与经济增长的关系存在明显的地区差异。从时间序列角度，考虑各个省份差异的动态变化，是面板数据模型的优势。同时，假设在样本区间内，各个省区的经济结构、人口素质等不可观测的特质性因素是固定不变的，因此采用固定效应模型比较合适。随机效应模型2.而当我们研究某个县市居民的消费行为时，由于样本数相对于江苏省几千万人口是个很小的样本。此时，可以认为个体居民在个人能力、消费习惯等方面的差异是随机的，采用随机效应模型较为合适。RE认为个体的差异是随机的。非观测的个体差异效应α（i）与随机扰动项一样都是随机变量。总结：如果把非观测效应看作是各个截面或个体特有的可估计参数，并且不随时间变化，则模型为固定效应模型。如果把非观测效应看作随机变量，并且符合一个特定分布，则模型为随机效应模型。在实证分析中，一般通过Hausman检验判断：由于随机效应模型把个体效应设定为干扰项的一部分，所以要求解释变量与个体效应不相关，而固定效应不需要这个假定。因此，我们可以通过检验该假设条件是否满足来判断。如果满足，那么就采用随机效应模型。反之，采用固定效应模型。Hausman检验基本思想：在固定效应和其他解释变量不相关的原假设下，用OLS估计的固定效应和用GLS估计的随机效应模型的参数估计都是一致的。反之，OLS一致，但GLS则不是。因此，在原假设下，二者的参数估计应该不会有系统的差异。我们可以基于二者参数估计的差异构造统计检验量。如果拒绝原假设，就认为应该选择固定效应。Stata打开数据库：use C: 重新输入数据：edit简单回归：regress gdp invest相关系数：cor gdp invest edu无常数：regress gdp invest，noconstant回归诊断：是否存在异方差：estat hettest怀特检验：estat imtest,white回归信息检验：estat imtest是否遗漏重要解释变量:estat ovtest拟合图:rvfplot单一变量的相关图:cprplot invest画图：菜单与命令结合twoway(scatter gdp invest)twoway(scatter gdp invest||Ifit gdp invest)Durbin-Watson统计量：estat dwatson序列相关检验：estat durbinalt滞后阶数选择：estat durbinalt,lags(2)条件异方差检验：estat archlm,lags(2)可选变量的异方差检验：estat szroeter gdp invest culture sciStata对面板数据模型的估计首先对面板数据进行声明：前面是截面单元，后面是时间标识。tsset company yeartsset industry year产生新变量：gen newvar=human*Inrd产生滞后变量Gen fiscal(2)=L2.fiscal产生差分变量Gen fiscal（D）=D.fiscal描述性统计：xtdes：对面板数据截面个数、时间跨度的整体描述Xtsum：分组内、组间和样本整体计算各个变量的基本统计量xttab采用列表的方式显示某个变量的分布Stata中用于估计面板模型的主要命令：xtregxtreg depcar[varlist][if exp],model_type[level(#)]Model Type:be Between-effects estimatorfe Fixed-effects estimatorre GLS Random-effects estimatorpa GEE population-averaged estimatormle Maximum-likelihood Random-effects estimstorHausman Test检验究竟选择固定效应模型还是随机效应模型：第一步，估计固定效应模型，存储结果xtreg gdp invest culture sci health admin techno,feest store fe第二步，估计随机效应模型，存储结果xtreg gdp invest culture sci health admin techno,reest store re第三步，Hausman检验hausman feHausman统计量服从自由度为k的卡方分布。当H统计量大于一定显著水平的临界值时，我们认为模型中存在固定效应，从而选用固定效应模型，否则用随机效应模型。如果Hausman检验值为负，说明模型设定有问题，导致检验的基本假设得不到满足，有遗漏变量的问题或者某些变量是非平稳的。可以改用hausman检验其他形式：hausman fe,sigmaless对于固定效应模型的异方差检验和序列相关检验：Xtserial gdp invest culture sci health admin techno异方差检验xtreg gdp invest culture sci health admin techno,fexttest3（Modified Wald statistic for groupwise heteroskedasticity in fixed effect model)随机效应模型的序列相关检验：xtreg gdp invest culturesci health admin techno,reXttest1Xttest1用于检验随机效应（单尾和双尾）、一阶序列相关以及两者的联合显著检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显著。 在写用x解释y的模型时，需要解决3问。1.既然两个变量之间没有一个确切关系，那么应该如何考虑其他影响y的因素？2.函数关系怎样？3.怎样知道我们抓住了在其他条件不变的情况下y和x之间的关系？ 简单线性回归模型(simple linear regression model)。 两变量或双变量线性回归模型 y：因变量（dependent variable)、被解释变量(explained variable)、响应变量(response variable）、被预测变量（predicted variable）、回归子(regre... 2016-07-28 14:54 在写用x解释y的模型时，需要解决3问。1.既然两个变量之间没有一个确切关系，那么应该如何考虑其他影响y的因素？2.函数关系怎样？3.怎样知道我们抓住了在其他条件不变的情况下y和x之间的关系？简单线性回归模型(simple linear regression model)。两变量或双变量线性回归模型y：因变量（dependent variable)、被解释变量(explained variable)、响应变量(response variable）、被预测变量（predicted variable）、回归子(regressand)。x：自变量(independent variable)、解释变量(explanatory variable)、控制变量(control variable）、预测元(predictor variable)或者回归元(regressor)。x还别叫做协变量(covariate)。u——误差项或扰动项，表示除x之外影响y的因素。一个简单回归分析能够有效处理除x之外其他所有影响y的非观测因素。也可以吧u叫作“观测不到的”因素。如果u中的其他因素被看做保持不变，意味u的变化为0，那x对y具有线性影响。β就是y和x的关系式中的斜率参数（slope parameter）。在应用经济学中，它是人们研究地主要兴趣之所在。截距参数(intercept parameter)也有作用，但很少是研究地主要部分。u和x的关系的关键性假定。相关关系只是线性相依性的衡量。故对给定x时u的期望值作出假定。假定：在总体中u为零均值，且与x不相关。u的期望值为0，x与y之间的协方差为0。零条件均值假定（zero conditional mean assumption），对任何给定的x，非观测因素的均值是相等的。因此他们必须与整个总体中的u均值相等。β0+β1x被叫做y的系统部分，是y被解释的部分，u为非系统部分，或者说y不能被解释的部分。2.2普通最小二乘法的推导 第一章 计量经济学的性质与经济数据 讨论计量经济学的研究领域，并提出在应用计量经济方法过程汇总所遇到的一般问题。 1.1什么是计量经济学 1.3考察商业、经济学和其他社会科学中所使用的数据集的种类。 1.4对社会科学中的因果性推断的困难进行直观讨论。 从什么导入：两个背景，意思就是学完这本入门教程后，应该要知道如何用计量模型去规范评价一个培训项目是否真的可以提高薪酬，或者检验一个简单的计量经济理论。 计量经... 2016-07-28 11:10 第一章 计量经济学的性质与经济数据讨论计量经济学的研究领域，并提出在应用计量经济方法过程汇总所遇到的一般问题。1.1什么是计量经济学1.3考察商业、经济学和其他社会科学中所使用的数据集的种类。1.4对社会科学中的因果性推断的困难进行直观讨论。从什么导入：两个背景，意思就是学完这本入门教程后，应该要知道如何用计量模型去规范评价一个培训项目是否真的可以提高薪酬，或者检验一个简单的计量经济理论。计量经济学最常见的应用就是对利率、通胀率和GDP等重要宏观经济变量的预测。也可以用于与宏观经济预测无关的经济领域。比如，研究在政治竞争中支出对投票结果的影响，还可以考虑学校支出对教育领域学生表现的影响。计量经济学已从数理统计中分离出来，因为它主要考虑的领域是非实验数据的。非实验数据（non-experimental data)，或被称为观测数据(observational data)，以强调研究者只是被动的数据搜集者这一事实。自然科学中的实验数据(experimental data)通常在实验室获取数据。1.4会给出实验数据与非实验数据之间的区别。1.2经验经济分析的步骤当我们有一个经济理论需要检验的时候，要么在我们的脑海中有一种关系，而在这一关系对商业决策或政策分析又很重要时，便开始用计量方法。经验分析(empirical analysis)就是利用数据来检验某个理论或估计某种关系。1.3经济数据的结构横截面数据集（cross-sectional data set)，就是在给定时间点，对一个对象（个人、企业等单位）采集的样本所构成的数据集。 有时，所有单位的数据并非完全对应于同一个时间段。 例如，几个家庭能在一年中的不同星期被调查。 在一个纯粹的横截面分析中，应忽略数据搜集中细小的时间差别。如果一系列家庭都是在同一年度的不同星期被调查的，那仍称之为横截面数据集。横截面数据的一个重要特征是，通常假定，它们是从样本背后的总体中通过随机抽样(random sampling)而得到的。时间序列数据集（time series data set)是由一个或几个变量在不同时间内的观测值所构成。一个特征，有滞后性，后面的和前面的数据有关。另一个是数据搜集中的数据频率(data frequency)，最常见的是每天、周、月、季度和年。混合横截面数据比如，对美国家庭进行两次横截面数据的调查，一次在1985年，一次在1990年。在1985年，对家庭的一个随机样本调查了工资、储蓄、家庭大小等变量。到了1990年，用同样的调查问题又对家庭的一个新随机样本进行调查。 为扩大样本容量，可以将这两年的数据合并成一个混合横截面数据（pooled cross section）。由于在每年都是随机抽样，所以同一个家庭在两年的样本中都出现纯属偶然。这使混合横截面数据有别于综列数据集。把不同年份的横截面数据混合起来，通常是分析一项新政府政策之影响的有效方法。其思想是，搜集一个重要的政策变化之前和之后的数据。比如，在1993年和1995年都对住房价格搜集了数据集，而在1994年则下调了财产税。 假设1993年有250个房子的数据，1995年有270个房子的数据。观测1~250对应于1993年出售的房子，而观测251~520则对应于1995年出售的房子。对混合横截面数据的分析与对标准横截面数据的分析十分相似。不同在于，前者通常要对变量在不同时间的现实差异作出解释。实际，除了能扩大样本容量外，混合横截面分析通常是为了让我们看出一个关键的关系如何随时间而变化。综列或纵剖面数据纵列数据(panel data)（或纵剖面数据）集由横截面数据集中每个数据的一个时间序列组成。比如，对一系列个人的工资、受教育情况和就业史跟欧洲那个了10年，或对一系列企业诸如投资和财务数据等搜集了5年的信息。 有些纵列数据也可以以地理上的单位来搜集。比如，在1980、1985和1990年对美国同一组县搜集其人口迁移、税率、工资率、政府支出等。综列数据要求同一单位不同时期的重复观测。1.4计量经济分析中的因果关系和其他条件不变的概念在多数对经济理论的检验或者对公共政策的评价中，目标就是一个变量对另一个变量具有因果性效应（causal effect）