計(jì)量經(jīng)濟(jì)學(xué)(重要名詞解釋)

1、-作者xxxx-日期xxxx計(jì)量經(jīng)濟(jì)學(xué)(重要名詞解釋)【精品文檔】計(jì)量經(jīng)濟(jì)學(xué)名詞解釋計(jì)量經(jīng)濟(jì)模型（Econometric Model）：將因變量與一組解釋變量和未觀測到的擾動聯(lián)系起來的方程，方程中未知的總體參數(shù)決定了各解釋變量在其他條件不變下的效應(yīng)。與經(jīng)濟(jì)分析不同，在進(jìn)行計(jì)量經(jīng)濟(jì)分析之前，要明確變量之間的函數(shù)形式。經(jīng)驗(yàn)分析（Empirical Analysis）：在規(guī)范的計(jì)量分析中，用數(shù)據(jù)檢驗(yàn)理論、估計(jì)關(guān)系式或評價(jià)政策有效性的研究。誤設(shè)分析（Misspecification analysis）:確定遺漏變量、測量誤差、聯(lián)立性或其他某種模型誤設(shè)所導(dǎo)致的可能偏誤的過程線性概率模型（LPM）（Lin

2、ear Probability Model, LPM）：響應(yīng)概率對參數(shù)為線性的二值響應(yīng)模型。靜態(tài)模型（Static Model）：只有當(dāng)期的解釋變量影響因變量的一種時間序列模型。非嵌套模型（Nonnested Models）：沒有一個模型可以通過對參數(shù)施加限制條件而被表示成另一個模型的特例的兩個（或更多）模型。有限分布滯后（FDL）模型（Finite Distributed Lag (FDL) Model）：允許一個或多個解釋變量對因變量有滯后效應(yīng)的動態(tài)模型。布羅施-戈弗雷檢驗(yàn)（Breusch-Godfrey Test）：漸近正確的AR（p）序列相關(guān)檢驗(yàn)，以AR（1）最為流行；該檢驗(yàn)考慮到滯后

3、因變量和其他不是嚴(yán)格外生的回歸元。布羅施-帕甘檢驗(yàn)（Breusch-Pagan Test）/（BP Test）：將OLS 殘差的平方對模型中的解釋變量做回歸的異方差性檢驗(yàn)。戴維森麥金農(nóng)檢驗(yàn)（Davidson-MacKinnon Test）【DM】：若一個模型正確，則另一個非嵌套模型得到的擬合值在該模型是不顯著的。因此，這是相對于非嵌套對立假設(shè)而對一個模型的檢驗(yàn)。在模型中包含對立模型的擬合值，并使用對擬合值的t 檢驗(yàn)來實(shí)現(xiàn)?；貧w誤差設(shè)定檢驗(yàn)（RESET）（Regression Specification Error Test, RESET）：在多元回歸模型中，檢驗(yàn)函數(shù)形式的一般性方法。它是對原O

4、LS 估計(jì)擬合值的平方、三次方以及可能更高次冪的聯(lián)合顯著性的F 檢驗(yàn)。懷特檢驗(yàn)（White Test）：異方差的一種檢驗(yàn)方法，涉及到做OLS 殘差的平方對OLS 擬合值和擬合值的平方的回歸。這種檢驗(yàn)方法的最一般的形式是，將OLS 殘差的平方對解釋變量、解釋變量的平方和解釋變量之間所有非多余的交互項(xiàng)進(jìn)行回歸。鄒至莊統(tǒng)計(jì)量（Chow statistic）：檢驗(yàn)不同組或不同時期的回歸函數(shù)上差別的F檢驗(yàn)。德賓沃森（DW）統(tǒng)計(jì)量（Durbin-Watson (DW) Statistic）：在經(jīng)典線性回歸假設(shè)下，用于檢驗(yàn)時間序列回歸模型之誤差項(xiàng)中的一階序列相關(guān)的統(tǒng)計(jì)量。廣義最小二乘（GLS） 估計(jì)量（Ge

5、neralized Least Squares (GLS) Estimator）： 通過對原始模型的變換，解釋了誤差方差的方差已知結(jié)構(gòu)（異方差性）、誤差中的序列相關(guān)形式或同時解釋二者的估計(jì)量。拉格朗日乘數(shù)統(tǒng)計(jì)量（Lagrange Multiplier Statistic）：僅在大樣本下為確當(dāng)?shù)臋z驗(yàn)統(tǒng)計(jì)量，它可用于在不同的模型設(shè)定問題中檢驗(yàn)遺漏變量、異方差性和序列相關(guān)和不同模型的設(shè)定問題。加權(quán)最小二乘（WLS）估計(jì)量（Weighted Least Squares (WLS) Estimator）：用來對某種已知形式的異方差進(jìn)行調(diào)整的估計(jì)量。其中，每個殘差的平方都用一個等于誤差的（估計(jì)的）方差的倒

6、數(shù)作為權(quán)數(shù)。最優(yōu)線性無偏估計(jì)量（Best Linear Unbiased Estimator, BLUE）：在所有線性、無偏估計(jì)量中，有最小方差的估計(jì)量。 在高斯馬爾科夫假定下，OLS估計(jì)量是以解釋變量樣本值為條件的BLUE 。橫截面數(shù)據(jù)集（Cross-Sectional Data Set）：在給定時點(diǎn)上從總體中抽取的數(shù)據(jù)集面板數(shù)據(jù)（Panel Data）：通過不同時期，對橫截面重復(fù)觀測而得到的數(shù)據(jù)集。在平衡的面板中，同樣的單位在每個時期都出現(xiàn)。在不平衡的面板中，有些單位往往由自然損耗而不會在每個時期都出現(xiàn)?；旌蠙M截面（Pooled Cross Section）：通常在不同時點(diǎn)收集到的相互獨(dú)立

7、的橫截面組合而成的一個單獨(dú)的數(shù)據(jù)集。時間序列數(shù)據(jù)（Time Series Data）：搜集到的一個或多個變量的不同時期數(shù)據(jù)。解釋平方和（SSE）（Explained Sum of Squares）：多元回歸模型中度量擬合值的樣本變異?？偲椒胶停⊿ST）（Total Sum of Squares）：度量因變量相對于它的樣本均值的總樣本變異。殘差平方和（SST）（Residual Sum of Squares）：多元回歸模型中，所觀測的OLS 殘差的平方和，度量了殘差的樣本波動。回歸的標(biāo)準(zhǔn)誤（SER）（Standard Error of the Regression, SER）：多元回歸分析中的總

8、體誤差的標(biāo)準(zhǔn)差的估計(jì)值。等于殘差平方和與自由度之商的平方根。異方差性（Heteroskedasticity）：給定解釋變量，誤差項(xiàng)的方差不為常數(shù)。同方差性（Homoskedasticity）：回歸模型中的誤差在解釋變量條件下具有不變的方差。普通最小二乘法（OLS）（Ordinary Least Squares, OLS）：用來估計(jì)多元線性回歸模型中的參數(shù)的一種方法。最小二乘估計(jì)值是通過最小化殘差的平方和而得到。零條件均值假定（Zero Conditional Mean Assumption）：多元回歸分析中很關(guān)鍵的一個假定。它的含義是，給定解釋變量的任意值，誤差的期望值都等于0。經(jīng)典變量誤差（

9、Classical Errors-in-Variables, CEV）：假定測量誤差與觀測的解釋變量無關(guān)，觀測結(jié)果等于實(shí)際變量加上一個獨(dú)立的或至少不相關(guān)的測量誤差的測量誤差模型。虛擬變量陷阱（Dummy Variable Trap）：自變量中包含了過多的虛擬變量造成的錯誤；當(dāng)模型中既有整體截距又對每一組都設(shè)有一個虛擬變量時，該陷阱就產(chǎn)生了。衰減偏誤（Attenuation Bias）：總是朝向零的估計(jì)量偏誤，因而有衰減偏誤的估計(jì)量的期望值小于參數(shù)的絕對值。多重共線性（Multicollinearity）：指多元回歸模型中自變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計(jì)失真或難以估計(jì)準(zhǔn)確

10、。當(dāng)某些相關(guān)性“很大”時，就會發(fā)生多重共線性，但對實(shí)際的大小尺度并沒有明確的規(guī)定。完全共線性（Perfect Collinearity）：在多元回歸中，一個自變量是一個或多個其他自變量的線性函數(shù)。一致性（Consistency）：一個估計(jì)量隨著樣本容量增大而依概率收斂于正確的總體值。經(jīng)典線性模型（CLM）假定（Classical Linear Model (CLM) Assumptions）：對多元回歸分析的理想假定集，對橫截面分析為假定MLR.1 至，對時間序列分析為假定TS.1 至。假定包括對參數(shù)為線性、無完全共線性、零條件均值、同方差、無序列相關(guān)（或隨機(jī)抽樣）和誤差正態(tài)性。高斯馬爾科夫假

11、定（Gauss-Markov Assumptions）：一組假定（假定MLR.1 至MLR.5 或假定TS.1 至），使OLS 是BLUE。假定包括對參數(shù)為線性、無完全共線性、零條件均值、同方差、無序列相關(guān)（或隨機(jī)抽樣）。弱相關(guān)（Weakly Dependent）：在時間序列過程中，表示隨機(jī)變量在不同時期之間的相互依賴指標(biāo)（比如相關(guān)性）隨著時間間隔的增大而減小。如對于一個平穩(wěn)時間序列過程xt:t=1,2,隨著時間間隔h的無限增大，隨機(jī)變量xt和xt+h“近乎獨(dú)立”。序列相關(guān)（Serial Correlation）/自相關(guān)：在時間序列或面板數(shù)據(jù)模型中，不同時期的誤差之間的相關(guān)性。一階移動平均過程

12、MA（1）（Moving Average Process of Order One MA(1)）：作為一個零均值、常方差和不相關(guān)隨機(jī)過程的當(dāng)期值與一期滯后值的線性函數(shù)而生成的時間序列過程。一階自回歸過程AR（1）（Autoregressive Process of Order One AR(1)）：一個時間序列模型，其當(dāng)前值線性依賴于最近的值加上一個無法預(yù)測的擾動。穩(wěn)定的AR（1）過程（Stable AR(1) Process）：滯后變量的系數(shù)絕對值小于1 時的AR（1）過程。序列中的兩個隨機(jī)變量的相關(guān)性，隨著它們之間的時間間隔不斷增大，以幾何級數(shù)趨近于0，則穩(wěn)定的AR（1）過程是弱相關(guān)的。高

13、持續(xù)性過程（Highly Persistent Process）：時間序列過程，其中遙遠(yuǎn)的將來的結(jié)果與當(dāng)前的結(jié)果高度相關(guān)。協(xié)方差平穩(wěn)（Covariance Stationary）：時間序列過程，其均值、方差為常數(shù)，且序列中任意兩個隨機(jī)變量之間的協(xié)方差僅與它們的間隔有關(guān)。平穩(wěn)隨機(jī)過程（Stationary Stochastic Process）：邊際和所有的聯(lián)合分布都不隨時間變化的一種時間序列過程。隨機(jī)游走（Random Walk）：在這樣一種時間序列中，下個時期的值等于本期值加上一個獨(dú)立的（或至少是不相關(guān)的）誤差項(xiàng)。如AR（1）的參數(shù)為1時，因果效應(yīng)（Casual Effect）：一個變量在其

14、他條件不變的情況下對另外一個變量產(chǎn)生的影響其他條件不變（Ceteris Paribus）：其他所有相關(guān)因素均保持固定不變。偏效應(yīng)（Partial Effect）：回歸模型中的其他因素保持不變時，某個解釋變量對因變量的影響。長期彈性（Long-Run Elasticity）：因變量和自變量都以對數(shù)形式出現(xiàn)的分布滯后模型中的長期傾向。即，長期彈性是在給定解釋變量增長了1%時，被解釋變量最終變化的百分比。長期乘數(shù)（Long-Run Multiplier）/長期傾向（Long-Run Propensity）：在一個分布滯后模型中，給定自變量永久性地增加一個單位，因變量最終的變化量。即期乘數(shù)（Impac

15、t Multiplier）/即期傾向（Impact Propensity）：在分布滯后模型中，自變量增加一個單位，因變量的即時的變化。零階單整I（0）（Integrated of Order Zero I(0)）： 一個平穩(wěn)而又弱相關(guān)的時間序列過程，當(dāng)用于回歸分析時，它滿足大數(shù)定律和中心極限定理。一階差分（First Difference）：通過對相鄰時期取差分而對時間序列進(jìn)行的一種轉(zhuǎn)換，即用后一時期減去前一時期。單位根過程（Unit Root Process）：當(dāng)期值等于前一個時期的值加上一個弱相依的干擾項(xiàng)的一種高度持續(xù)的時間序列過程。二值變量（Binary Variable）/虛擬變量（D

16、ummy Variable）/0-1變量（zero-one variable）：取值為0 或1 的變量。代理變量（Proxy Variable）：在多元回歸分析中，一個與觀測不到的解釋變量有關(guān)系但又不相同的可觀測變量。內(nèi)生解釋變量（Endogenous Explanatory Variable）：在多元回歸模型中，由于遺漏變量、測量誤差或聯(lián)立性的原因而與誤差項(xiàng)相關(guān)的解釋變量。外生解釋變量（Exogenous Explanatory Variable）：與誤差項(xiàng)不相關(guān)的解釋變量。嚴(yán)格外生的（Strictly Exogenous）：時間序列或面板數(shù)據(jù)模型中的解釋變量的一個特點(diǎn)，以所有時期的解釋變量

17、為條件的、任何時期的誤差項(xiàng)都是有0 均值。同期同方差（Contemporaneously homoskedastic）：在時間序列或面板數(shù)據(jù)應(yīng)用中，以相同時期的回歸元為條件，誤差方差保持不變。R2（R-Squared）/判定系數(shù)（Coefficient of determination）：在多元回歸模型中，因變量的總體樣本變異中由自變量所解釋的比例。調(diào)整R2（Adjusted R-Squared）：多元回歸分析中擬合優(yōu)度的度量指標(biāo)，在估計(jì)誤差的方差時用自由度的調(diào)整來對額外添加解釋變量進(jìn)行懲罰。自由度（df）（Degrees of Freedom, df）：在多元回歸模型分析中，取值不受限制的變

18、量個數(shù)，等于觀測值的個數(shù)減去待估參數(shù)的個數(shù)。的標(biāo)準(zhǔn)差（Standard Deviation of ）：衡量 抽樣分布之分散程度的常用指標(biāo)。置信區(qū)間（CI）（Confidence Interval, CI）：用于構(gòu)造隨機(jī)區(qū)間的規(guī)則，使得在所有數(shù)據(jù)集中有某個百分比（由置信水平?jīng)Q定）的數(shù)據(jù)集會給出包含總體值的區(qū)間。漸近正態(tài)性（Asymptotic Normality）：適當(dāng)正態(tài)化后樣本分布收斂到標(biāo)準(zhǔn)正態(tài)分布的估計(jì)量。漸近有效（Asymptotically Efficient）：服從漸近正態(tài)分布的一致性估計(jì)量中漸近方差最小的一個的估計(jì)量便是漸近有效的。參數(shù)估計(jì)量的有效性：它是否在所有線性無偏估計(jì)量中具

19、有最小方差。 估計(jì)量的期望方差越大說明用其估計(jì)值代表相應(yīng)真值的有效性越差；否則越好，越有效。不同的估計(jì)量具有不同的方差，方差最小說明最有效貝塔系數(shù)（Beta Coefficients）/標(biāo)準(zhǔn)化系數(shù)（Standardized Coefficients）：一種回歸系數(shù)，它度量了自變量增加一個標(biāo)準(zhǔn)差時，因變量的改變是其標(biāo)準(zhǔn)差的倍數(shù)。函數(shù)形式誤設(shè)（Functional Form Misspecification）：一個模型遺漏了解釋變量的函數(shù)（例如二次項(xiàng)），或者錯誤地使用因變量或某些自變量的函數(shù)時產(chǎn)生的問題。交互作用（Interaction Effect）：在多元回歸中，一個解釋變量的偏效應(yīng)取決于另一

20、個不同解釋變量的值虛擬假設(shè)（Null Hypothesis）：在經(jīng)典假設(shè)檢驗(yàn)中，我們把這個假設(shè)當(dāng)作真的，要求數(shù)據(jù)能夠提供足夠的證據(jù)才能否定它。OLS 回歸線（OLS Regression Line）：將因變量的預(yù)測值與自變量的值相聯(lián)系的方程，其參數(shù)估計(jì)值是通過OLS得到的。擬差分?jǐn)?shù)據(jù)（Quasi-Differenced Data）：在估計(jì)有AR（1）的序列相關(guān)的回歸模型時，當(dāng)期數(shù)據(jù)與前一期數(shù)據(jù)乘以AR（1）模型的參數(shù)后得到的數(shù)據(jù)之間的差。響應(yīng)概率（Response Probability）：在二值響應(yīng)模型中，以解釋變量為條件的因變量取值為1 的概率。統(tǒng)計(jì)上顯著（Statistically Si

21、gnificance）：用一個檢驗(yàn)統(tǒng)計(jì)量的大小度量的一個估計(jì)值的重要性。季節(jié)性調(diào)整（Seasonally Adjusted）：用某種統(tǒng)計(jì)程序，可能是對季節(jié)性虛擬變量做回歸，來消除月度或季度時間序列中的季節(jié)性成分。滯后因變量（Lagged dependent variable）：等于以前時期因變量的解釋變量。過度控制（over controlling）：在一個多元回歸模型中，包含了這樣的解釋變量：在研究一個或多個解釋變量的其他條件不變效應(yīng)時，不應(yīng)該保持他們不變；當(dāng)變量本身就是回歸元中所包含的干預(yù)或政策結(jié)果時，便可能出現(xiàn)這種情況。預(yù)測誤差（prediction error）：實(shí)際結(jié)果與預(yù)測結(jié)果之差

22、。預(yù)測區(qū)間（prediction interval）：多元回歸模型中，因變量的未知結(jié)果的一個置信區(qū)間。殘差分析（residual analysis）：在估計(jì)多元回歸模型之后，研究某次特定觀測之殘差的符號和大小的一類分析。截距的變化（intercept shift）：回歸模型中的截距，因組或時期的不同而不同。序數(shù)變量（ordinal variable）：通過排列順序傳達(dá)信息的一種數(shù)據(jù)，它們的大小本身并不說明任何問題。正確預(yù)測百分?jǐn)?shù)（percent correctly predicted）：在二值響應(yīng)模型中，預(yù)測的0或1與實(shí)際結(jié)果相一致的次數(shù)占總次數(shù)的百分?jǐn)?shù)?？尚械腉LS（FGLS）估計(jì)量（Feasible GLS(F