|
建模是计量的灵魂，所以就从建模开始。 一、 建模步骤：A，理论模型的设计: a，选择变量b，确定变量关系c，拟定参数范围 B，样本数据的收集: a，数据的类型b，数据的质量 C，样本参数的估计: a，模型的识别b，估价方法选择 D，模型的检验 a，经济意义的检验1正相关 2反相关等等 b，统计检验：1检验样本回归函数和样本的拟合优度，R的平方即其修正检验 2样本回归函数和总体回归函数的接近程度:单个解释变量显著性即t检验，函数显著性即F检验，接近程度的区间检验 c，模型预测检验1解释变量条件条件均值与个值的预测 2预测置信空间变化 d，参数的线性约束检验：1参数线性约束的检验 2模型增加或减少变量的检验 3参数的稳定性检验：邹氏参数稳定性检验，邹氏预测检验----------主要方法是以F检验受约束前后模型的差异 e，参数的非线性约束检验：1最大似然比检验 2沃尔德检验 3拉格朗日乘数检验---------主要方法使用 X平方分布检验统计量分布特征 f，计量经济学检验 1，异方差性问题：特征：无偏，一致但标准差偏误。检测方法：图示法，Park与Gleiser检验法，Goldfeld-Quandt检验法，White检验法-------用WLS修正异方差 2，序列相关性问题：特征：无偏，一致，但检验不可靠，预测无效。检测方法：图示法，回归检验法，Durbin-Waston检验法，Lagrange乘子检验法-------用GLS或广义差分法修正序列相关性 3，多重共线性问题：特征：无偏，一致但标准差过大，t减小，正负号混乱。检测方法：先检验多重共线性是否存在，再检验多重共线性的范围-------------用逐步回归法，差分法或使用额外信息，增大样本容量可以修正。 4，随机解释变量问题：随机解释变量与随机干扰项独立----------对OLS没有坏影响。随机变量与随机干扰项同期相关：有偏但一致-----扩大样本容量可以克服。随机变量与随机干扰项同期相关：有偏且非一致--------工具变量法可以克服
二、 参数估计量性质的分析：a小样本和大样本性质 b无偏性 c有效性 d一致性 e Gauss-Markov定理
三、 A虚拟解释变量问题 a，加法方式：定性因素对截距的影响 b，乘法方式：定性因素对斜率项产生的影响 c，加法与乘法结合方式：定性应诉对截距和斜率项同时产生影响
B滞后变量问题 a，分布滞后模型：经验加权法，Almon多项式法，Koyck方法---来减少滞后项的数目 b，自回归模型：工具变量法，OLS法
C模型设定偏误问题 a，解释变量选取偏误1漏选相关变量：OLS在小样本下有偏，大样本下不一致 2多选无关变量：OLS估计量无偏且一致，但无效 b，模型函数形式选取偏误：OLS有偏非一致且无效 c，1用t检验和f检验检验无关变量 2用RESET检验是否遗漏相关变量或模型函数选取错误 四、 联立方程计量经济学模型的单方程估计 a，工具变量法IV b，ILS-----ab适用于恰好识别 c，2SLS---适用于恰好识别和过度识别
五、 二元离散选择模型 a，Probit离散选择模型：将随机干扰项的概率分布设定为标准正态分布----用最大似然估计法或GLS b，Logit离散选择模型：将随机干扰项的概率分布设定为logistic分布得到---用最大似然估计法或GLS
六、 随机时间序列模型： a，纯自回归AR模型----用Yule-Walker方程或OLS估计 b，纯移动平均MA模型 c，自回归移动平均ARMA模型----bc可以用矩估计法，对非平稳的时间序列检验协整性可用Engle-Granger两步法或直接估计法。
注：此文只是小弟开学读书笔记的总结 只能当个工程表，让大家知道所学阶段和所用罢了 另：据小弟开学后了解的教材方面 最初入门书首推古扎拉蒂的《计量经济学基础》，上下两本，想很快对计量经济学有全方位认识的弟兄可以看这本书的精写版《经济计量学精要》，机械工业出版社，世纪馆书店就有第二版卖，好几十块---想要免费电子版的姐妹们可以联系我==。 伍德里奇的《计量经济学导论》真是讨论风格的啊，适合于中级使用，高级的书最经典的莫过于格林的《计量经济学分析》 ，还有《Econometrics Introduction》，中国人写的书还是李子奈的《计量经济学》比较清楚，难度中级偏高级。 研究的方面，微观注意面板数据，宏观注意时间序列，面板数据推荐伍德里奇的《横截面与面板数据的经济计量分析》，68元，人大出版社，时间序列推荐汉米尔顿的《时间序列分析》，传说中的经典教材。在此小弟加一句，尽量对照着英文看中文，因为翻译的很难==。 Stata方面，咱们人大图书馆三层英文借阅室有本《Using Stata》开头的书，据说，所有的stata的书都是以它为模本，在以F222开头的书架好像。 就这么多了，大家一起努力，共同进步！！！ |
|
|
