计量经济学名词解释
- 第二章
- 第三章
- 第四章
- 第五章
- 第六章
- 第七章
- 第八章
- 第九章
- 第十章
第二章
普通最小二乘法（OLS）：通过最小化误差的平方和寻找数据的最佳函数匹配。
广义最小二乘法（GLS）：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。
加权最小二乘法（WLS）：用了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。
解释平方和（SSE）：多元回归模型中度量拟合值的样本变异。
残差平方和（SSR）：是实际值与估计值之差的平方的总和，也就是误差项平方的总和。
总平方和（SST）：因变量相对于其样本均值的总样本变异。
高斯马尔科夫假定（横截面数据）：
MLR1：线性于参数
MLR2：随机抽样
MLR3：不存在完全共线性
MLR4：零条件均值
MLR5：同方差假定。
MLR1—4:无偏性；MLR1—5:得到的估计量是BLUE（最优线性无偏估计量）的
高斯马尔科夫假定（时间序列数据）：
TS.1：线性于参数
TS.2：无完全共线性
TS.3：零条件均值
TS.4：同方差性
TS.5：无序列相关。
- 标准差 = 一次抽样中个体分数间的离散程度，反映了个体分数对样本均值的代表性，用于描述统计
- 标准误 = 多次抽样中样本均值间的离散程度，反映了样本均值对总体均值的代表性，用于推论统计
标准误：样本统计量的标准差，描述对应的样本统计量抽样分布的离散程度及衡量对应样本统计量抽样误差大小的尺度。
总平方和（SST）：度量因变量相对于它的样本均值的总样本变异。
- 总体回归函数（PRF）：E(y|x)= β0+β1x，将总体因变量的条件期望表示为解释变量的某种函数。
- 样本回归函数（SRF）：y=β0+β1x其中β0和β1是根据样本数据估计出来的值，非实际模型，只是用来拟合实际模型。因变量Y的样本观测值的拟合值表示为解释变量的某种函数。
同方差：回归模型中的误差在解释变量条件下具有不变的方差。
- 弹性： y的x弹性：Ey/Ex=(△y/y)/(△x/x)=f’(x)·x/y，当x增加1% 时y的百分比变化量。指一个变量相对于另一个变量发生的一定比例的改变的属性。对数-对数模型
- 半弹性：通常把称为y对x的半弹性，表示当x增加一个单位时y的百分数变化。对数-水平模型
第三章
自由度：在多元回归模型分析中，取值不受限制的变量个数，等于观测值的个数减去待估参数的个数。
干扰项：反应了除自变量和因变量之间的线性关系之外的随机因素对因变量的影响，是不能由自变量和因变量之间的线性关系所解释的变异性。
向上（下）的偏误：估计量的期望值>（<）总体参数的值。内生性的存在会使得内生变量的估计系数出现偏误，内生变量的估计值超过了真实值，出现高估就是向上的偏误，真实值超过了内生变量的估计值，低估就是向下的偏误。
方差膨胀因子（VIF）：在多元回归模型分析中，在高斯马尔科夫假定下，由于解释变量直接存在序列相关从而影响样本方差矩阵的情形。
- 多重共线性：线性回归模型中的解释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。
- 完全共线性：在多元回归分析中，一个自变量是一个或多个其他自变量的函数。
最优线性无偏估计量（BLUE）：在所以线性、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估计量是以解释变量样本值为条件的BLUE。
第四章
经典线性模型（CLM）假定：就横截面回归中的应用而言，假定包括线性于参数、随机抽样、无完全共线性、零条件均值、同方差和误差正态性；就时间序列回归中的应用而言，假定包括线性于参数、无完全共线性、零条件均值、同方差、无序列相关和正态性假定。
置信区间（CI）：用于构造随机区间的规则，使得在所有数据集中有某个百分比的数据集会给出包含总体值的区间。
- 经济显著性：参数估计值的正负号是否和理论预期一致，看是否跟经济学理论相符合。
- 统计显著性：用一个统计检验量（T检验、F检验）的大小度量的一个估计值的重要性。
- 实际显著性：与统计显著性不同，某个估计值的实际或经济显著性，用它的符号和大小来衡量。
第五章
渐进有效的：服从渐近正态分布的一致性估计量中渐近方差最小的一个的估计量便是渐近有效的。该估计方法在中小样本时可能不是最有效的，但随着样本量的增加，慢慢变得有效（没有其他无偏方法可以得到更有效的）。
一致性：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。
拉格朗日乘数（LM）统计量：仅在大样本下为正确的检验统计量，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。
第六章
- 调整R^2：多元回归分析中拟合优度的度量指标，在估计误差的方差时用自由度的调整来对额外添加解释变量进行惩罚。
- 总体R^2（判决系数）：多元回归分析中，因变量的总体样本变异中由自变量所解释的比例。
残差分析：在估计多元回归模型之后，研究某次特定观测之残差的符号和大小的一类分析。
- 无约束模型：
- 受约束模型：
交互效应：在多元回归中，一个解释变量的偏效应取决于另一个不同解释变量的值。
- 嵌套模型：一个模型（约束模型）是另一个模型（无约束模型）的一种特殊形势。
- 非嵌套模型：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。
第七章
邹志庄统计量：检验不同组或不同时期的回归函数上差别的F检验。它可以测试两组不同数据的线性回归系数是否相等。在时间序列分析中，邹检验被普遍地用来检验结构性变化是否存在。
虚拟变量：在建立经济模型时，有一些影响经济变量的因素无法定量描述，构造只取“0”或“1”的人工变量，通常称为虚拟变量。
虚拟变量陷阱：我们一般称由于引入的虚拟变量个数与定性因素个数相同时出现的模型无法估计的问题，称为“虚拟变量陷阱”。
线性概率模型（LMP）：响应概率对参数为线性的二值响应模型。其中，斜率系数度量的是，当x提高一个单位时，成功概率的预期变化。（线性概率模型违背了高斯马尔可夫假定）
序数变量：通过排列顺序传达信息的一种数据，它们的大小本身并不说明任何问题。
响应概率：在二值响应模型中，以解释变量为条件的因变量取值为1的概率。在保证其他条件不变的情况下，模型中：度量了因
变化导致成功概率的变化。
自选择：解释变量不是随机的，而是选择的结果，而这个选择的过程会对我们研究的主效应的估计产生偏差。解决方法用控制变量法：通过对照组和实验组的差异得出实验变量（研究中关注的解释变量）的作用。
第八章
加权最小二乘估计量（WLS）：用来对某种已知形式的异方差进行调整的估计量。其中每个残差平方都用一个等于误差（估计）方差的倒数作为权数。
异方差—稳健的LM统计量：估计带约束模型，并根据约束建立辅助回归，根据辅助回归的可决系数构造统计量进行检验。
怀特异方差检验：涉及将OLS残差的平方对OLS拟合值和拟合值的平方进行回归的一种异方差检验方法。这种检验方法最一般的形式是，将OLS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。
第九章
戴维森-麦金农检验：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。
- 内生解释变量：在多元回归模型中，由于遗漏变量、测量误差或联立性的原因而与误差项相关的解释变量。（由于某种原因
仍与u相关，
- 外生解释变量：与误差项不相关的解释变量。
函数形式误设：一个模型遗漏了解释变量的函数，或者错误的使用因变量或某些自变量的函数时产生的问题。
遗漏变量问题的植入解：在做OLS之前，用以代替观测不到的遗漏变量的代理变量。
回归设定误差检验（RESET）：在多元回归模型中，检验函数形式的一般性方法。它是一种由最初的OLS估计得出的拟合值的平方、三次方以及可能更高次幂的联合显著性F检验。
代理变量：在多元回归模型中，一个与观测不到的解释变量有关系但又不相同的可观测变量。
第十章
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。
因果效应：一个变量在其他条件不变的情况下对另外一个变量产生的影响。
