全书共分12章。前10章是经典计量经济学内容。其中主要介绍一元、多元线性回归模型，可线性化的非线性回归模型，联立方程模型以及当模型的假定条件不成立时对模型的补正措施，如异方差、自相关、多重共线性问题等。因为时间序列模型也是预测经济变量的一个重要方法，所以第11章介绍时间序列模型。近20多年来经济变量的非平稳性问题越来越引起人们的注意，并在这方面取得了许多研究成果。在第12章对这一部分内容作了初步的介绍。为了便于掌握计量经济学软件TSP（TimeSeriesPrograms）的应用，除了在附录1中专门介绍了TIP的主要功能及其使用方法外，还在各章中对典型的应用给出TIP命令。在附录2中给出基本的统计学知识，便于读者随时查阅。书的最后还给出计量经济学专用名词中英文对照表，以便读者进一步阅读英文文献。为了让读者真正掌握计量经济学知识，在介绍基本理论的同时尽可能多地给出一些例子，并用案例的形式具体介绍计量经济学的应用。此外，还在第10章专门介绍若干典型的计量经济模型。
《计量经济学基础》 内容简介 本书旨在为读者提供计量经济学研究的坚实理论基础和实践操作指南。计量经济学作为一门将统计学方法应用于经济学数据的学科，对于理解经济现象、检验经济理论、预测经济走势以及评估经济政策具有不可替代的作用。本书将带领读者循序渐进地掌握计量经济学的核心概念、基本模型和常用技术，从而具备独立运用计量经济学工具分析经济问题的能力。 第一部分：计量经济学的基石 本部分将从计量经济学的基本概念入手，为读者构建起学科的宏观认知。 第一章：计量经济学导论 什么是计量经济学？ 本章将清晰界定计量经济学的定义，阐述其作为连接经济理论与现实世界的桥梁作用。我们将探讨计量经济学研究的目的，包括描述经济现象、解释经济关系、检验经济理论、预测未来趋势以及评估政策效果。 计量经济学在经济学研究中的地位：通过分析经典经济学理论，如供需关系、消费者行为、生产函数等，说明计量经济学如何提供实证支持和量化分析。我们将对比理论模型和经验证据之间的关系，强调计量经济学在丰富和发展经济学理论中的关键作用。 计量经济学方法论：介绍计量经济学研究的基本步骤，从提出经济问题、构建经济理论模型，到选择计量经济模型、收集和处理数据，再到估计模型参数、检验模型假设，最后进行解释和预测。这一流程将贯穿全书。 数据在计量经济学中的作用：详细讨论不同类型经济数据（时间序列数据、截面数据、面板数据）的特征、优缺点以及在计量经济学分析中的应用场景。我们将强调数据质量的重要性，以及数据收集、整理和清洗的基本原则。 第二章：统计学基础回顾 概率论基础：回顾概率的基本概念，包括随机变量、概率分布（离散和连续）、期望值、方差等。这些概念是理解计量经济学模型中随机扰动项的基础。 统计推断基础：介绍点估计和区间估计的概念，理解样本统计量如何用于估计总体参数。重点讲解中心极限定理，这是构建置信区间和进行假设检验的关键。 假设检验：详细阐述假设检验的基本原理，包括原假设、备择假设、显著性水平、p值等概念。我们将介绍常见的假设检验方法，如t检验、F检验等。 回归分析的基本原理：引入简单线性回归模型，阐述解释变量和被解释变量之间的关系，以及线性关系假定的意义。 第二部分：经典计量经济学模型：线性回归 本部分是计量经济学的核心内容，将系统讲解线性回归模型及其相关理论。 第三章：简单线性回归模型 模型设定：正式引入简单线性回归模型 $Y_i = eta_0 + eta_1 X_i + u_i$。详细解释模型中的各个组成部分：被解释变量（Y）、解释变量（X）、截距项（$eta_0$）、斜率系数（$eta_1$）和随机扰动项（$u_i$）。 普通最小二乘法（OLS）：详细推导OLS估计量的推导过程，解释OLS的原理是最小化残差平方和。推导出OLS估计量 $hat{eta}_0$ 和 $hat{eta}_1$ 的表达式。 OLS估计量的性质：探讨OLS估计量的无偏性、一致性和渐进有效性。我们将深入分析OLS估计量在满足某些假定条件下的优良性质。 模型拟合优度：介绍决定系数（R²）的概念，说明R²如何衡量模型对被解释变量变异的解释程度。 第四章：多重线性回归模型 模型设定：将模型扩展到包含多个解释变量的多重线性回归模型 $Y_i = eta_0 + eta_1 X_{1i} + eta_2 X_{2i} + dots + eta_k X_{ki} + u_i$。解释引入多个解释变量的必要性，以及多重共线性问题。 OLS估计：介绍多重线性回归模型下OLS估计量的计算方法（矩阵表示）。 OLS估计量的性质：分析在多重回归模型下OLS估计量的性质，重点讨论多重共线性的影响，如系数估计方差增大，难以区分各变量的独立效应。 假设检验：在多重回归模型下，进行对单个系数的t检验，以及对多个系数联合显著性的F检验。 模型选择：讨论如何选择合适的解释变量，介绍调整R²等模型选择准则。 第五章：线性回归模型的假定与违背 高斯-马尔可夫（Gauss-Markov）假定：详细列举并解释经典线性回归模型（CLRM）的五大基本假定，包括： 1. 线性性假定。 2. 随机扰动项的零条件期望假定 $E(u_i|X_1, dots, X_k) = 0$。 3. 同方差性假定 $ ext{Var}(u_i|X_1, dots, X_k) = sigma^2$。 4. 无自相关假定 $ ext{Cov}(u_i, u_j|X_1, dots, X_k) = 0$ for $i
eq j$。 5. 解释变量的非随机性或与扰动项不相关的假定 $E(X_{ji}|u_i) = 0$（或更强的无多重共线性假定）。 违背同方差性（异方差性）： 表现与后果：分析异方差性出现的原因（如收入水平差异、公司规模差异等），以及其对OLS估计量的无偏性和一致性（不受影响），但会导致标准误估计有偏，从而影响假设检验的可靠性。 检验方法：介绍Breusch-Pagan检验、White检验等异方差性检验方法。 处理方法：讲解异方差稳健的标准误（Huber-White Standard Errors），以及广义最小二乘法（GLS）等处理异方差性的方法。 违背无自相关（序列相关）： 表现与后果：分析序列相关出现的原因（尤其是在时间序列数据中，如经济周期、政策惯性等），以及其对OLS估计量的性质影响（与异方差性类似，估计量无偏一致，但标准误有偏）。 检验方法：介绍Durbin-Watson检验、Breusch-Godfrey检验等序列相关检验方法。 处理方法：介绍广义差分法（Generalized Differencing）、Praiss-Winsten估计等处理序列相关的方法，以及使用异方差和序列相关稳健的标准误。 多重共线性： 表现与后果：再次强调多重共线性（解释变量之间高度相关）对OLS估计量的影响，即系数估计方差增大，难以区分各变量的独立贡献。 检验方法：介绍方差膨胀因子（VIF）等衡量多重共线性程度的方法。 处理方法：讨论剔除变量、引入外部信息、岭回归等处理多重共线性问题的方法。 解释变量与扰动项相关： 内生性问题：详细分析内生性问题的几种常见来源：遗漏变量偏误（Omitted Variable Bias）、测量误差偏误（Errors-in-Variables Bias）和联立性偏误（Simultaneity Bias）。 后果：说明内生性会导致OLS估计量有偏且不一致。 处理方法：重点介绍工具变量法（Instrumental Variables, IV）及其两阶段最小二乘法（2SLS）估计。 第三部分：扩展的计量经济学模型与技术 本部分将介绍更复杂的模型，以及在实际应用中经常遇到的问题。 第六章：虚拟变量（Dummy Variables） 模型设定：介绍如何使用虚拟变量来处理定性变量（如性别、地区、季节等）。 应用场景：包括处理结构性变化（如政策变动、技术突破）、季节性效应、以及不同群体或类别之间的差异。 交互虚拟变量：讨论如何利用虚拟变量的交互项来捕捉不同类别之间的差异效应。 第七章：时间序列数据分析 时间序列数据的特征：介绍时间序列数据的自相关性、平稳性、季节性等特殊性质。 平稳性与单位根检验：解释严平稳和弱平稳的概念，以及如何通过单位根检验（如ADF检验）来判断序列的平稳性。 自回归模型（AR）：介绍AR(p)模型，解释其如何描述当前值与过去值的关系。 移动平均模型（MA）：介绍MA(q)模型，解释其如何描述当前值与过去扰动项的关系。 自回归移动平均模型（ARMA）：结合AR和MA模型，介绍ARMA(p,q)模型。 季节性ARIMA模型：用于处理具有明显季节性模式的时间序列数据。 格兰杰因果关系检验：介绍如何检验一个时间序列是否能“格兰杰”地预测另一个时间序列。 协整分析：当多个非平稳时间序列之间存在长期均衡关系时，如何进行分析。 第八章：面板数据模型 面板数据的优势：介绍面板数据（同时包含横截面和时间序列维度）相比于纯截面数据或纯时间序列数据在控制未观测异质性、增加样本量、增强估计效率等方面的优势。 混合OLS模型：将面板数据视为一个大截面样本进行OLS估计。 固定效应模型（Fixed Effects, FE）：通过引入个体效应或时期效应来控制未观测的、随时间不变的个体异质性。详细介绍固定效应模型的估计方法（组内估计/Within Estimator）。 随机效应模型（Random Effects, RE）：假设个体效应服从某种概率分布，并与解释变量不相关。详细介绍随机效应模型的估计方法（Generalized Least Squares, GLS）。 固定效应与随机效应模型的选择：介绍Hausman检验，用于判断应选择固定效应模型还是随机效应模型。 第九章：有限因变量模型（Limited Dependent Variable Models） 二元选择模型： Logit模型与Probit模型：适用于被解释变量为二元分类（0或1）的情况。详细介绍其模型设定、估计方法（极大似然估计MLE）和参数解释（边际效应）。 多分类选择模型： 多项Logit模型（Multinomial Logit）：当被解释变量有三个或以上互斥的类别时使用。 定序选择模型： Ordered Logit/Probit模型：当被解释变量的类别存在有序关系时使用。 模型选择与评估：介绍如何评估有限因变量模型的拟合优度，如伪R²、分类准确率等。 第十章：计量经济软件应用与案例分析 常用计量经济软件介绍：简要介绍Stata、R、Python（statsmodels, scikit-learn）等常用计量经济学软件的特点和基本操作。 数据导入与处理：演示如何导入不同格式的数据，进行数据清洗、变量变换、合并等操作。 模型估计与检验：通过软件实例演示如何估计和检验各种计量经济模型，包括OLS、IV、时间序列模型、面板模型、Logit/Probit模型等。 结果解读与报告：讲解如何清晰地解读回归结果，撰写规范的计量经济学研究报告。 真实世界案例分析：选取若干具有代表性的经济学研究案例，如教育与收入的关系、宏观经济政策评估、金融市场研究等，运用书中介绍的计量经济学方法进行实证分析，展示计量经济学在解决现实经济问题中的强大力量。 本书将以清晰的逻辑、严谨的数学推导和丰富的实例，帮助读者建立起计量经济学分析的完整框架。无论您是经济学、金融学、统计学专业的学生，还是对经济学实证研究感兴趣的从业者，都能从中受益，掌握用数据说话的科学方法。
