Introduction to the theory and practice of econometrics

目录
1.1 经济计量学的性质
4.4.2 来自信息先验的联合后验密度
4.4.3 均值和标准差的边缘后验密度
4.4.4 无信息先验情况下关于均值和标准差的推断
4.5 小结和进一步阅读指南
4.6 练习
4.7 参考文献
第二篇 一般线性统计模型
第五章 线性统计模型
5.1 引言
5.2 线性统计模型1
1.2 数量经济知识的搜索
5.3 线性统计模型2
5.3.1 位置参数的估计
5.3.2 抽样特性
5.3.3 预测
5.3.4 〓的一个估计量
5.3.5 对成功的度量
5.3.6 一个例子
5.3.7 线性形式
5.3.8 练习
5.4 一般线性统计模型——模型3
1.2.1 假定
5.4.1 统计模型的设定
5.4.1a 误差向量
5.4.1b 抽样过程
5.4.1c 统计模型
5.4.2 一个例子
5.4.3 模型评论
5.5 点估计
5.5.1 向量β的估计
5.5.2 最小平方准则
5.5.3 二次型的极小化
1.2.2 试验
5.5.4 最小平方规则
5.5.5 一个例子
5.6 最小平方规则的抽样特性
5.6.1 最小平方估计量的均值
5.6.2 协方差矩阵
5.7 抽样性能——高斯-马尔可夫定理
5.8 尺度参数〓的估计
5.8.1 b的协方差矩阵的估计
5.9 预测和解释程度
5.9.1 预测
1.3 非试验建模的约束
5.9.2 一个例子
5.9.3 解释程度
5.10 说明最小平方估计量抽样性能的蒙特卡罗试验
5.10.1 抽样试验
5.10.2 抽样结果
5.11 最后几点附注
5.12 练习
5.13 参考文献和进一步阅读指南
第六章 正态一般线性统计模型
6.1 极大似然估计法
1.4 本书的目标
6.1.1 样本信息的解析表示
6.1.2 准则——似然原理
6.1.3 极大似然估计量
6.1.3a β的极大似然估计量
6.1.3b 〓的极大似然估计量
6.1.3c 〓和〓的独立性
6.1.3d 〓和〓的充分性和抽样性能
6.1.3e 克拉美—拉奥下界及〓与〓的抽样性能
6.1.4 小结
6.1.5 一个抽样试验
1.5 本书的组织
6.1.5a 抽样结果
6.2 约束极大似然估计
6.2.1 均值与协方差
6.2.2 错误约束的后果
6.2.3 一个例子
6.3 区间估计
6.3.1 向量β的单一线性组合
6.3.2 向量β的两个或更多个的线性组合
6.3.2a 联合置信区域的例子
6.3.2b 联合区域的估计——标准正交情形
第一篇 统计推断基础
6.3.3 〓的区间估计
6.3.4 预测区间估计量
6.4 假设检验
6.4.1 似然比检验统计量
6.4.1a 经验检验结果
6.4.2 单一假设
6.4.3 关于〓的假设检验
6.5 小结
6.6 最小平方估计量的渐近特性
6.6.1 一致性
第二章 概率与分布理论
6.6.2 推断
6.7 练习
6.7.1 个人练习
6.7.2 小组或班级练习
6.8 参考文献和进一步阅读指南
第七章 正态线性统计模型的贝叶斯分析
7.1 引言
7.2 一个简单模型
7.2.1 具有信息先验的贝叶斯推断
7.2.2 具有无信息先验的贝叶斯推断
2.1 引言
7.3 扰动方差已知的一般线性模型的贝叶斯推断
7.3.1 来自信息先验的后验分布
7.3.2 来自无信息先验的后验分布
7.4 一个例子
7.5 点估计
7.5.1 作为点估计量的后验均值
7.5.2 经验贝叶斯估计
7.6 假设的比较和后验优势
7.7 扰动方差未知的一般线性模型的贝叶斯推断
7.7.1 〓和〓的联合信息先验
译校人员
2.2 概率
7.7.2 〓和〓联合后验密度函数
7.7.3 β的边缘后验密度函数
7.7.3a 关于多元t分布的插叙
7.7.3b β的单个元素的边缘后验密度
7.7.3c 生产函数一例的再考虑
7.7.4 无信息先验的后验密度
7.8 小结和进一步阅读指南
7.9 练习
7.10 参考文献
第三篇 线性统计模型的推广
2.2.1 试验、样本空间和事件
第八章 具有非纯量单位协方差矩阵的一般线性统计模型
8.1 统计模型与估计量
8.1.1 β的最小平方估计量
8.1.2 广义最小平方估计量
8.1.3 〓的无偏估计量
8.1.4 小结
8.1.5 一个抽样试验
8.2 正态线性统计模型
8.3 〓和〓的抽样分布
8.4 区间估计量
2.2.2 事件的概率
8.5 假设检验
8.6 使用最小平方法的后果
8.7 预测
8.8 小结
8.9 练习
8.9.1 代数练习
8.9.2 数值练习
8.9.3 个人或小组练习
8.10 参考文献
第九章 具有未知协方差矩阵的一般线性统计模型
2.2.3 条件概率与独立事件
9.1 背景
9.2 估计广义最小平方法
9.3 异方差性
9.3.1 经济与统计背景
9.3.2 广义最小平方估计
9.3.2a 一个具有已知方差的例子
9.3.3 具有两个未知方差的模型
9.3.3a 初步检验估计量
9.3.4 具有积性异方差性的模型
9.3.4a α的估计
2.2.4 贝叶斯规则
9.3.4b 估计广义最小平方估计量
9.3.5 异方差性的检验
9.3.5a 积性异方差性的检验
9.3.5b 戈德菲尔德—匡特（Goldfeld—Quandt）检验
9.3.5c 布罗施—帕甘（Breusch—Pagan）检验
9.3.6 小结
9.3.7 一个例子
9.4 关于异方差性的练习
9.4.1 代数练习
9.4.2 个人数值练习
2.3 随机变量与概率分布
9.4.3 小组练习
9.5 自相关
9.5.1 背景和模型
9.5.2 估计
9.5.2a 广义最小平方估计
9.5.2b 估计广义最小平方估计
9.5.2c 其它估计量
9.5.3 一阶自回归误差的检验
9.5.3a 一种渐近检验
9.5.3b 德宾—沃森（Durbin—Watson）检验
2.3.1 随机变量与随机变量的值
9.5.3c 一个例子
9.5.3d 德宾的h统计量
9.5.4 预检估计量
9.5.5 自相关误差的预测含意
9.5.6 一个例子
9.5.7 小结
9.6 关于自相关的问题
9.6.1 一般练习
9.6.2 运用蒙特卡罗数据的个人练习
9.6.3 使用蒙特卡罗数据的小组练习
2.3.2 离散与连续随机变量
9.7 参考文献
9.A 附录：再抽样方法
9.A.1 靴襻法
9.A.2 大折刀法
9.A.3 一个例子
9.A.4 参考文献
第十章 虚变量与可变参数模型
10.1 引言
10.2 虚变量在估计中的应用
10.2.1 允许截距变化的情况
2.3.3 离散随机变量的概率分布
10.2.2 截距和一些斜率参数可变的情况
10.2.3 允许截距和所有斜率参数都变动的情况
10.2.4 两组或更多组虚变量的情况
10.2.5 开关回归模型
10.2.6 小结和进一步阅读虚变量内容指南
10.3 用虚变量检验位置向量的变化
10.4 系统可变参数模型
10.5 希尔德雷斯—霍克随机系数模型
10.6 小结和进一步阅读指南
10.7 练习
2.3.4 连续随机变量的概率分布
10.8 参考文献
第十一章 线性统计模型组
11.1 引言
11.2 似不相关回归方程
11.2.1 一般模型设定
11.2.2 具有已知协方差矩阵的估计
11.2.3 具有未知协方差矩阵的估计
11.2.4 一个例子与蒙特卡罗试验
11.2.5 假设检验与约束估计
11.2.5a 同期相关检验
作者简介
2.3.5 多元分布
11.2.5b 对系数的线性约束
11.2.6 再举一例
11.2.7 观测值个数不等的方程组
11.2.7a 理论结果
11.2.7b 一个例子
11.2.8 模型的扩展
11.3 似不相关回归的练习
11.3.1 一般练习
11.3.2 使用蒙特卡罗数据的练习
11.4 用虚变量合并时间序列数据和截面数据
2.3.6 边缘分布
11.4.1 参数估计
11.4.2 方差估计
11.4.3 一个可采用的参数化方法
11.4.4 虚变量系数检验
11.4.5 一个例子
11.5 用误差分量合并时间序列数据和截面数据
11.5.1 广义最小平方估计
11.5.2 方差分量的估计
11.5.3 随机分量的预测
11.5.4 设定的检验
2.3.7 条件分布与独立随机变量
11.5.5 例子（续）
11.6 合并模型的选择
11.6.1 虚变量与误差分量
11.6.2 合并数据的其它模型
11.7 虚变量和误差分量练习
11.7.1 代数练习
11.7.2 个人数值练习
11.7.3 小组练习
11.8 参考文献
11.A 附录：二元（多元）正态随机变量
2.3.8 随机变量函数的分布
第十二章 非线性最小平方估计和非线性极大似然估计
12.1 引言
12.2 非线性最小平方原理
12.2.1 单参数的非线性最小平方估计
12.2.1a 性质
12.2.1b 续例
12.2.2 多参数的非线性最小平方估计
12.2.3 柯布—道格拉斯（Cobb—Douglas）和CES生产函数的估计
12.2.3a 柯布—道格拉斯生产函数
12.2.3b CES生产函数
2.4 数学期望
12.2.4 牛顿—拉夫森算法
12.2.4a 单参数情形
12.2.4b 一个例子
12.2.4c K个参数的一般情形
12.2.5 极大似然估计
12.2.5a 性质
12.2.5b 供选择的算法和协方差矩阵估计量
12.3 具有一般协方差矩阵的线性模型的估计
12.3.1 一般考虑
12.3.1a 非线性最小平方估计
2.4.1 随机变量的期望值
12.3.1b 极大似然估计
12.3.1c 贝叶斯估计
12.3.2 一阶自回归误差
12.3.2a 非线性最小平方估计
12.3.2b 极大似然估计
12.3.2c 贝叶斯估计
12.3.3 异方差误差模型
12.3.4 沃尔德、拉格朗日乘数和似然比检验
12.3.4a 线性约束Rβ=r的检验
12.3.4b 积性异方差性的检验
2.4.2 单一随机变量函数的期望
12.4 非线性似不相关回归方程
12.4.1 两步估计
12.4.2 极大似然估计
12.4.3 一个例子：线性支出系统
12.5 函数形式——Box—Cox变换
12.5.1 极大似然估计
12.5.1a 非线性最小平方法的极大似然估计
12.5.1b 具有不同变换参数的估计
12.5.2 一个例子
12.6 小结和进一步阅读指南
2.4.3 多个随机变量函数的期望
12.7 练习
12.7.1 个人练习
12.7.2 基于蒙特卡罗的练习
12.7.2a 个人数值练习
12.7.2b 联合或班级练习
12.8 参考文献
第十三章 随机回归自变量
13.1 独立随机回归自变量模型
13.2 部分独立的随机回归自变量
13.2.1 若干渐近结果
2.4.4 矩
13.3 一般随机回归自变量模型
13.3.1 工具变量估计
13.3.2 一个数值例子
13.4 计量误差
13.4.1 变量误差的统计后果
13.4.2 多余参数的附加方程
13.4.3 一个数值例子
13.5 结论
13.6 练习
13.6.1 代数练习
2.4.5 切贝谢夫定理
13.6.2 个人数值练习
13.7 参考文献
第四篇 联立线性统计模型
第十四章 联立线性统计模型导论
14.1 引言
14.2 抽样模型的设定
14.2.1 统计模型
14.2.2 几个渐近设定
14.3 最小平方偏倚
14.4 简化型参数估计
翻译说明
2.4.6 多元随机变量的期望
14.5 由简化型参数导出结构参数的问题
14.5.1 先验信息（约束）的类型
14.5.2 间接最小平方法举例
14.5.3 一个经验例子
14.6 方程组内一个方程的识别
14.6.1 识别的秩条件
14.7 模型建立、识别和估计的几个例子
14.8 小结和进一步阅读指南
14.9 练习
14.9.1 代数练习
2.5 某些特殊分布
14.9.2 个人数值练习
14.9.3 小组数值练习
14.10 参考文献
第十五章 联立方程统计模型的估计与推断
15.1 过度识别方程的参数估计问题
15.1.1 间接最小平方法
15.1.2 广义最小平方法
15.1.2a 广义最小平方估计量
15.1.2b 抽样特性
15.1.2c 两阶段最小平方（2SLS）估计量
2.5.1 贝努里分布
15.2 渐近有效估计量的寻求
15.2.1 三阶段最小平方（3SLS）估计量
15.2.2 抽样特性
15.2.3 估计量比较
15.2.4 有限和完全信息极大似然法
15.3 各种估计量的渐近特性及有限样本特性
15.4 一个例子
15.5 经济计量模型的结果用于预测和决策目的
15.6 小结
15.7 练习
2.5.2 二项分布
15.7.1 代数练习
15.7.2 个人数值练习
15.7.3 小组练习
15.8 参考文献
第五篇 时间序列和分布滞后模型
第十六章 时间序列分析和预测
16.1 引言
16.2 时间序列的数学模型及其特征
16.2.1 随机过程
16.2.2 自协方差函数和自相关函数
2.5.3 多项分布
16.2.3 平稳随机过程
16.2.4 滞后算子
§16.3 自回归过程
16.3.1 自回归过程的估计
16.3.2 偏自相关
16.4 移动平均过程
16.4.1 移动平均的阶的确定
16.4.2 移动平均的参数估计
16.5 ARIMA模型
16.6 博克斯—詹金斯方法
2.5.4 伽玛分布
16.6.1 识别
16.6.2 估计
16.6.3 诊断校验
16.7 预测
16.8 ARIMA模型的局限性及其与经济计量模型的关系
16.9 进一步阅读指南
16.10 练习
16.11 参考文献
第十七章 分布滞后
17.1 引言
2.5.5 正态分布
17.2 无约束有限分布滞后
17.2.1 滞后长度已知时的估计
17.2.2 滞后长度的确定
17.3 有限多项式滞后
17.3.1 滞后长度和多项式次数数已知时的估计
17.3.2 多项式次数的确定
17.3.3 与使用多项式滞后有关的问题
17.4 无限分布滞后
17.4.1 两个动态经济模型
17.4.1a 自适应期望
2.5.6 二元正态分布
17.4.1b 局部调整
17.4.2 几何滞后模型的估计
17.4.2a 最小平方估计
17.4.2b 工具变量估计法
17.4.2c 极大似然估计
17.4.3 其它无限分布滞后模型
17.5 小结和评论
17.6 练习
17.7 参考文献
第十八章 多重时间序列
2.5.7 多元正态分布
18.1 背景
18.2 向量自回归过程
18.2.1 定义
18.2.2 平稳性
18.3 VAR过程的估计与设定
18.3.1 已知阶数p的VAR过程的估计
18.3.2 VAR阶的选择
18.4 向量自回归过程的预测
18.5 格兰杰因果关系
18.6 新生计算和预测误差方差的分解
2.5.8 与正态有关的分布 ：〓，t，F
18.7 向量自回归模型的扩展
18.8 小结和评论
18.9 练习
18.10 参考文献
第六篇 其它经济计量学主题
第十九章 定性和受限应变量模型
19.1 引言
19.2 二元决择模型
19.2.1 重复观测值可得时Probit和Logit模型的估计
19.2.1a Probit模型
译序
2.5.9 多元正态随机变量二次型的分布
19.2.1b Logit模型
19.2.1c 一个解释性注释
19.2.2 重复观测值不可得时Probit和Logit模型的估计
19.3 受限应变量模型
19.3.1 Tobit（删截）回归模型最小平方估计量的性质
19.3.2 Tobit模型的极大似然估计
19.3.3 一个例子
19.4 小结和进一步阅读指南
19.5 练习
19.6 参考文献
2.6 小结和进一步阅读指南
第二十章 先验信息、有偏估计和统计模型选择
20.1 统计决策理论
20.1.1 基本概念
20.1.2 决策规则的选择
20.1.3 测度空间
20.2 结合样本信息和非样本信息的估计量
20.2.1 精确非样本信息
20.2.1a 平方误差损失下的性能
20.2.1b 一个例子
20.2.2 随机非样本信息
2.7 练习
20.2.2a 估计量
20.2.2b 一个例子
20.2.2c 随机线性假设
20.2.3 线性不等式约束
20.2.3a 不等式约束估计量
20.2.3b 抽样特性
20.2.3c 假设检验
20.2.3d 不等式约束的贝叶斯分析
20.2.4 小结
20.3 预检估计量与斯坦规则（SteinRule）估计量
2.8 参考文献
20.3.1 预检估计量
20.3.1a 抽样性能
20.3.2 斯坦规则
20.3.2a 詹姆斯和斯坦规则
20.3.2b 几点评注
20.4 模型设定
20.4.1 错误设计矩阵的统计后果
20.4.2 均方误差准则
20.4.3 几种备择变量选择规则
20.4.3a 〓和〓准则
第三章 统计推断：估计与假设检验
20.4.3b 〓条件均方误差预测准则
20.4.3c 无条件均方误差准则
20.4.3d 赤池（Akaike）信息准则（AIC）
20.4.3e 施瓦茨（Schwarz）准则（SC）
20.4.3f 一个蒙特卡罗抽样研究
20.4.3g 评注
20.4.4 假设检验与模型识别
20.5 练习
20.5.1 §20.2的练习
20.5.1a §20.2.1的个人练习
3.1 引言
20.5.1b §20.2.1的联合或班级练习
20.5.1c §20.2.2的个人练习
20.5.1d §20.2.2的联合或班级练习
20.5.1e §20.2.3的个人练习
20.5.1f §20.2.3的联合或班级练习
20.5.2 §20.3的练习
20.5.3 §20.4的练习
20.5.3a 个人练习
20.6 参考文献
第二十一章 多元共线性
3.2 寻求点估计量的方法
21.1 引言
21.2 多元共线性的统计后果
21.2.1 精确或完全多元共线性
21.2.2 接近精确多元共线性与辅助回归
21.2.3 主分量模型中的接近精确多元共线性
21.3 多元共线性的存在性、严重性以及形式的检测
21.3.1 检测多元共线性的方法
21.3.2 一个例子——克莱因—戈德伯格消费函数
21.4 多元共线性问题的解决
21.4.1 追加样本信息
3.2.1 矩法
21.4.2 严格线性约束
21.4.3 岭回归
21.5 小结
21.6 练习
21.7 参考文献
第二十二章 稳健估计
22.1 非正态扰动的后果
22.1.1 有限方差
22.1.2 无限方差
22.2 回归诊断
3.2.2 极大似然法
22.2.1 正态误差的检验
22.2.2 探测有影响的观测值
22.2.2a 杠杆率
22.2.2b “学生化”残差
22.2.2c DFBETAS
22.2.2d DFFITS
22.3 多元t误差下的估计
22.4 用回归分位数时的估计
22.4.1 〓估计
22.4.2 回归分位数的线性函数
3.2.3 最小平方估计法
22.4.3 调整最小平方法
22.5 一个例子
22.6 小结和进一步阅读指南
22.7 练习
22.8 参考文献
第七篇 跋
附录A 有关正态分布理论的线性代数与矩阵法
A.1 矩阵和向量的定义
A.2 矩阵加法和减法
A.3 矩阵乘法
中文版序
3.2.4 贝叶斯估计法
A.4 方阵的迹
A.5 方阵的行列式
A.6 矩阵的秩和线性相关
A.7 逆矩阵和广义逆
A.8 联立线性方程组的解
A.9 方阵的特征根和特征向量
A.10 正交矩阵
A.11 对称矩阵的对角化
A.12 幂等矩阵
A.13 二次型
3.3 点估计量的性质
A.14 有定矩阵
A.15 矩阵的克罗内克（Kronecker）积
A.16 矩阵的向量化
A.17 向量和矩阵的微分
A.18 正态向量和多元正态分布
A.19 正态向量的线性、二次和其它非线性函数
A.20 和算子与积算子
A.21 参考文献
附录B 统计表
表1 标准正态分布下的面积
3.3.1 估计量的小样本特性：单参数情形
表2 t分布的百分点
表3 〓分布的百分点
表4 F分布的百分点
表5 德宾—沃森检验的临界值：5%显著性水平
表6 德宾—沃森上界的均值和方差
附录C 英汉人名对照
附录D 英汉对照主题索引
3.3.1a 估计量的性能：偏倚与精度
3.3.1b 偏倚与精度
3.3.1c 有效性
3.3.2 估计量的小样本特性：多参数情形
3.3.2a 估计量的性能：偏倚与精度
3.3.2b 偏倚与精度
3.3.2c 有效性
第二版序
3.3.3 估计量特性：大样本结果
3.3.3a 一致性
3.3.3b 依分布收敛
3.3.3c 渐近有效性
3.4 区间估计
3.5 假设检验
3.5.1 统计检验的要素
3.5.2 检验的功效
3.5.3 似然比检验
3.5.4 渐近检验
第一版序
3.6 置信区间和假设检验之间的关系
3.7 小结和进一步阅读指南
3.8 练习
3.9 参考文献
第四章 贝叶斯推断
4.1 引言
4.2 正态分布均值的贝叶斯推断（已知方差）
4.2.1 来自于信息先验的后验分布
4.2.2 无信息先验的推断问题
4.2.3 区间估计
第一章 绪论
4.2.4 假设检验
4.2.4a 使用HPD区间的假设检验
4.2.4b 后验优势与假设检验
4.2.5 预测
4.3 点估计
4.3.1 二次损失函数的贝叶斯点估计量
4.3.2 线性损失函数的贝叶斯点估计量
4.3.3 决策理论在抽样理论结构中的应用
4.4 正态分布的均值和标准差的贝叶斯推断
4.4.1 均值和标准差的信息先验