-
计量经济学
——
名词解释
计量经济模型（
Econometric
Model
）
：
将因变量与一
组解释变量和未观测到的扰动联系起来的方程，方
程中未知的总体参数决定了各解释变量
在其他条件不变下的效应。
与经济分析不同，
在进行计量经济分
析之前，
要明确变量之间的函数形式。
经验分析（
Empirical Analysis
）
：
在规范的计量分析中，用数据检验理论、估计
关系式或评价政策有效性
的研究。
误设分析（
Misspecification analys
is
）
:
确定遗漏变量、测量误差、联
立性或其他某种模型误设所导致的
可能偏误的过程
线性概率模型（
LPM
）
（
Linear Probability Model, LPM
）
：
响应概率对参数为线性的二值响应模型。
静态模型（
Static Model
）
：
只有当期的解释变量影响因变量的一种时间序
列模型。
非嵌套模型（
Nonnested
M
odels
）
：
没有一个模型可以通过
对参数施加限制条件而被表示成另一个模型
的特例的两个（或更多）模型。
有限分布滞后（
FDL
）
模型（
Finite Distributed Lag (FDL) Model
）
：
允许一个或多个解释变量对因变
量有滞后效应的动态模型。
布罗施
-
戈弗雷检验（
Br
eusch-Godfrey Test
）
：
< br>渐近正确的
AR
（
p
）序列相关检验，以
AR
（
1
）最为流行；
该检验考虑到滞后因变量和其他不是严格外生
的回归元。
布罗施
-
帕甘检验（
Breusch-Pagan Test
）
/
（
BP
Test
）
：
将
OLS
残差的平方对模型中的解释变量做回归的
异方差性检
验。
戴维森—麦金农检验（
Davidson-MacKinnon
Test
）
【
DM
】
：
若一个模型正确，则另一个非
嵌套模型得到
的拟合值在该模型是不显著的。
因此，
这是相对于非嵌套对立假设而对一个模型的检验。
在模型中包含对立模
型的拟合值，并使用对拟合值的
t
检验来实现。
回归误差设定检验（
RESET
）
（
Regression Specification Error Test, R
ESET
）
：
在多元回归模型中，检验
函数形式的一般性方法。
它是对原
OL
S
估计拟合值的平方、
三次方以及可能更高次幂的联合显著性
的
F
检验。
怀特检验（
White
Test
）
：
异方差的一
种检验方法，涉及到做
OLS
残差的平方对
OLS
拟合值和拟合值
的平方的回归。这种检验方法的最一般的形式是，将
OLS <
/p>
残差的平方对解释变量、解释变量的平方和解释变
量之间所有非多
余的交互项进行回归。
邹至庄统计量（
Chow statistic
）
：
检验不同组或不同时期的回归函数上差别的
F
检验。
德宾—沃森（
DW
）统计量（
Durbin-Watson
(DW)
Stati
stic
）
：
在经典线性回归假设下，
用于检验时间序
列回归模型之误差项中的一阶序列相关的统计量。
广义最小二乘（
GLS
）
估计量（
Generalized Least
Squares (GLS)
Estimator
）
：
通过对原始模型的变换，
解释了误差方差的方差已知结构（异方差性）
、误差中的序列相关形式或同时解释二者的估计量。
拉格朗日乘数统计量（
Lagrange
Multiplier
Statistic
< br>）
：
仅在大样本下为确当的检验统计量，它可用于
在不同的模型设定问题中检验遗漏变量、异方差性和序列相关和不同模型的设定问题。
加权最小二乘（
WLS
）估计量（
Weighted Least Squares (WLS) Esti
mator
）
：用来对某种已知形式的
异方差进行调整的估计量。其中，每个残差的平方都用一个等于误差的（估计的）方差的倒数作为权数。
最优线性无偏估计量（
Best Linear
Unbiased Estimator, BLUE
）
：
在所有线性、无偏估计量中，有最小方
差的估计量。
在高斯—马尔科夫假定下，
OLS
< br>估计量是以解释变量样本值为条件的
BLUE
。
横截面数据集（
Cross-Sectional Data
Set
）
：
在给定时点上从总体中抽取
的数据集
word.
面板数据（
Panel
Data
）
：
通过不同时期，对横截面重复观测而得
到的数据集。在平衡的面板中，同样的
单位在每个时期都出现。在不平衡的面板中，有些
单位往往由自然损耗而不会在每个时期都出现。
混合横截面（
Pooled Cross Section
）
：
通常在不同时点收集到的相互独立的横
截面组合而成的一个单独的
数据集。
时间序列数据（
Time Series Data
）
：
搜集到的一个或多个变量的不同时期数据。<
/p>
解释平方和（
SSE
< br>）
（
Explained Sum of Square
s
）
：
多元回归模型中度量拟合值的样
本变异。
总平方和（
SST
）
（
Total Sum of Square
s
）
：
度量因变量相对于它的样本均值
的总样本变异。
残差平方和（
SST
）
（
Residual Sum of
Squares
）
：
多元回归模型中，
所观测的
OLS
残差的平方和，度量
了残差的样本波动。
回归的标准误（
SER
）
（
Standard
Error of the Regression, SER
）
：
多元回归分析中的总体误差的标准
差的估计值。等于残差平
方和与自由度之商的平方根。
异方差性（
Heteroskedasticity
）
：
给定解释变量，误差项的方差不为常数。
同方差性
（
Homoskedasticity
）
：
回归模型中的误差在解释变量条件下具有不变的方差。
<
/p>
普通最小二乘法（
OLS
）
（
Ordinary Least Squares, OLS
）
：
用来估计多元线性回归模型中的参数的一
种方法。最小二乘估计值是通过最小化残差的平方和而得到。
零条件均值假定（
Zero Conditional
Mean Assumption
）
：
多元回归分析中很关键的一个假定。它的含
义是，给定解释变量的任意值，误差的期望值
都等于
0
。
经典变量误差（
Classical Errors-in-
Variables, CEV
）
：
假
定测量误差与观测的解释变量无关，
观测结
果等于实际变量加上
一个独立的或至少不相关的测量误差的测量误差模型。
虚拟变量陷阱（
Dummy Variable Trap
）
：
自变量中包含了过多的虚拟变量造成的
错误；当模型中既有整
体截距又对每一组都设有一个虚拟变量时，该陷阱就产生了。
衰减偏误（
Attenuation B
ias
）
：
总是朝向零的估计量偏误，
因而有衰减偏误的估计量的期望值小于参数的
绝对值。
多重共线性
（
Multicollinear
ity
）
：
指多元回归模型中自变量之
间由于存在精确相关关系或高度相关关系而
使模型估计失真或难以估计准确。当某些相关
性“很大”时，就会发生多重共线性，但对实际的大小尺度并没
有明确的规定。
完全共线性（
Perfect Collin
earity
）
：
在多元回归中，一个
自变量是一个或多个其他自变量的线性函数。
一致性（
Consistency
）
：
一个估计量随着样本容量增大而依概率收敛于正确的总体值。
经典线性模型（
CLM
）假定（
Classical Linear Model (CLM) Assumptions
）
：
对多元回归分析的理想假定
集
，对横截面分析为假定
MLR.1
至
MLR.6
，对时间序列分析为假定
TS.1
至
TS.6
。假定包括对参数为线性、
无完全共线性、零条件均值、同方差、无序列相关（或随机抽样）和误差正态性。
高斯—马尔科夫假定（
Gauss-Markov Ass
umptions
）
：
一组假定（假定
MLR.1
至
MLR.5
或假定
TS.1
至
< br>TS.5
）
，使
OLS
是
BLUE
。假定包括对参数为线性、无完全
共线性、零条件均值、同方差、无序列相关（或随
机抽样）
。<
/p>
弱相关（
Weakly
Dependent
）
：
在
时间序列过程中，表示随机变量在不同时期之间的相互依赖指标（比
如相关性）随着时间
间隔的增大而减小。如对于一个平稳时间序列过程
{
x
t
:t=1,2,…
},
随着时间间隔
h
的无限
增大，随机变
量
x
t
和
x<
/p>
t+h
“
近乎独立
”
。
序列相关
（
Serial Corre
lation
）
/
自相关：
在时间序列或面板数据模型中，
不同时期的误差之间的相关性。
一阶移动平均过程
[MA
（
1
）
]
（
Moving Average Process of Order One [MA
(1)]
）
：
作为一个零均值、
常方差和不相关
随机过程的当期值与一期滞后值的线性函数而生成的时
间序列过程。
一阶自回归过程
[AR
（
1
）
]
（
Autoregressive Process of
Order One [AR(1)]
）
：
一个时间序列模型，其
当前值线性依赖于最近的值加上一个无法预测的扰动。
稳定的
AR
（
1
）过程（
Stable
AR(1)
Process
）
：滞后变量的系数绝对值小于
1
时的
AR
（
1
）过程。序
列中的两个随机变量的相关性，随着它们之间的时间间隔不断增大，以几何级数趋近于<
/p>
0
，则稳定的
AR
（
1
）
过程是弱相关的。
高持续性过程（
Highly
Persistent Process
）
：
< br>时间序列过程，其中遥远的将来的结果与当前的结果高度
相关。
< br>
word.
-
-
-
-
-
-
-
-
-
上一篇：GATK使用方法详解-plob最详尽说明书
下一篇：中日翻译