计量经济分析方法与建模 EViews应用及实例 第3版PDF电子书下载

第Ⅰ部分 数据分析基础 3

第1章 概率与统计基础 3

1.1 随机变量 3

1.1.1 概率分布 3

1.1.2 随机变量的数字特征 5

1.1.3 随机变量的联合分布 6

1.2 从总体到样本 8

1.2.1 基本统计量 8

1.2.2 估计量性质 10

1.3 一些重要的概率分布 11

1.3.1 正态分布 11

1.3.2 x2分布 13

1.3.3 t分布 14

1.3.4 F分布 15

1.4 统计推断 17

1.4.1 参数估计 17

1.4.2 假设检验 18

1.5 EViews软件的相关操作 21

1.5.1 单序列的统计量、检验和分布 21

1.5.2 多序列的显示和统计量 22

第2章 经济时间序列的处理、季节调整与分解 25

2.1 经济时间序列的处理和频率转换方法 25

2.1.1 经济指标几种数据类型的概念 26

2.1.2 频率转换 28

2.2 季节调整 32

2.2.1 移动平均公式 33

2.2.2 Census X-13-ARIMA-SEATS季节调整方法 35

2.2.3 TRAMO/SEATS方法 45

2.3 趋势分解 47

2.3.1 Hodrick-Prescott滤波方法 47

2.3.2 频谱滤波（BP滤波）方法 50

2.4 EViews软件的相关操作 56

2.4.1 频率转换 56

2.4.2 X-13-ARIMA-SEATS季节调整 58

2.4.3 TRAMO/SEATS季节调整 63

2.4.4 Hodrick-Prescott滤波 64

2.4.5 BP滤波 64

第Ⅱ部分 基本的单方程分析 69

第3章 基本回归模型 69

3.1 古典线性回归模型 69

3.1.1 一元线性回归模型 69

3.1.2 最小二乘法 70

3.1.3 多元线性回归模型 72

3.1.4 系数估计量的性质 73

3.1.5 线性回归模型的检验 73

3.1.6 AIC准则和Schwarz准则 76

3.2 回归方程的函数形式 77

3.2.1 双对数线性模型 77

3.2.2 半对数模型 78

3.2.3 双曲函数模型 79

3.2.4 多项式回归模型 80

3.2.5 Box-Cox转换 80

3.3 包含虚拟变量的回归模型 81

3.3.1 回归中的虚拟变量 81

3.3.2 季节调整的虚拟变量方法 83

3.4 模型设定和假设检验 84

3.4.1 系数检验 85

3.4.2 残差检验 88

3.4.3 模型稳定性检验 89

3.5 方程模拟与预测 91

3.5.1 预测误差与方差 91

3.5.2 预测评价 92

3.6 EViews软件的相关操作 94

3.6.1 设定回归方程形式和估计方程 94

3.6.2 方程输出结果 96

3.6.3 与回归方程有关的操作 97

3.6.4 模型设定和假设检验 98

3.6.5 预测 100

第4章 其他回归方法 101

4.1 异方差 101

4.1.1 异方差检验 103

4.1.2 加权最小二乘估计 106

4.1.3 存在异方差时参数估计量的一致协方差 109

4.2 二阶段最小二乘法 110

4.3 非线性最小二乘法 111

4.4 广义矩方法 114

4.4.1 矩法估计量 115

4.4.2 广义矩估计 115

4.5 多项式分布滞后模型 117

4.6 逐步最小二乘回归 119

4.7 分位数回归 121

4.7.1 分位数回归的基本思想和系数估计 122

4.7.2 系数协方差的估计 123

4.7.3 模型评价和检验 127

4.8 非参数回归模型 130

4.8.1 密度函数的非参数估计 130

4.8.2 一元非参数计量经济模型 133

4.9 稳健最小二乘法（robust） 135

4.9.1 M估计 136

4.9.2 S估计 139

4.9.3 MM估计 141

4.9.4 系数协方差的计算方法 141

4.10 有限信息极大似然估计和K类估计 142

4.10.1 有限信息极大似然估计（LIML） 142

4.10.2 K类估计 143

4.11 EViews软件的相关操作 144

4.11.1 异方差检验 144

4.11.2 加权最小二乘法估计 145

4.11.3 White异方差一致协方差和Newey-West异方差自相关一致协方差 145

4.11.4 二阶段最小二乘法（TSLS）估计 146

4.11.5 非线性最小二乘估计 146

4.11.6 GMM估计 147

4.11.7 估计包含PDLs的模型 148

4.11.8 逐步回归估计 148

4.11.9 分位数回归 149

4.11.10 非参数估计 150

4.11.11 Robust最小二乘估计 152

4.11.12 在EViews中进行LIMI和K类估计 152

4.12 附录 广义最小二乘估计 152

第5章 时间序列模型 154

5.1 序列相关及其检验 154

5.1.1 序列相关及其产生的后果 154

5.1.2 序列相关的检验方法 155

5.1.3 扰动项存在序列相关的线性回归方程的修正与估计 160

5.2 平稳时间序列建模 163

5.2.1 平稳时间序列的概念 163

5.2.2 ARMA模型 163

5.2.3 ARMA模型的平稳性 164

5.2.4 ARMA模型的识别 166

5.3 非平稳时间序列建模 170

5.3.1 非平稳序列和单整 171

5.3.2 非平稳序列的单位根检验 172

5.3.3 突变点单位根检验（breakpoint unit root test） 180

5.3.4 ARIMA模型 184

5.3.5 ARFIMA模型 187

5.3.6 自回归分布滞后模型 188

5.4 协整和误差修正模型 190

5.4.1 协整关系 191

5.4.2 基于残差的协整检验 191

5.4.3 误差修正模型（ECM） 194

5.5 EViews软件的相关操作 196

5.5.1 检验序列相关性 196

5.5.2 修正序列相关 197

5.5.3 ARMA（p,q）模型的估计 198

5.5.4 单位根检验 199

5.5.5 非平稳时间序列估计 201

5.5.6 基于残差的EG协整检验（EG和PO协整检验方法） 202

第Ⅲ部分 扩展的单方程分析 207

第6章 条件异方差模型 207

6.1 自回归条件异方差模型 207

6.1.1 ARCH模型 207

6.1.2 ARCH的检验 209

6.1.3 GARCH模型 212

6.1.4 IGARCH模型 214

6.1.5 约束及回推 215

6.1.6 GARCH模型的残差分布假设 215

6.1.7 GARCH-M模型 217

6.2 非对称的ARCH模型 218

6.2.1 TARCH模型 219

6.2.2 EGARCH模型 220

6.2.3 PARCH模型 220

6.2.4 非对称的信息冲击曲线 221

6.3 成分ARCH模型 223

6.4 EViews软件的相关操作 224

6.4.1 ARCH检验 224

6.4.2 ARCH模型的建立 225

6.4.3 ARCH模型的视图和过程 227

6.4.4 ARCH模型的输出 228

6.4.5 绘制估计的信息冲击曲线 229

第7章 离散因变量和受限因变量模型 230

7.1 二元选择模型 230

7.1.1 线性概率模型及二元选择模型的形式 231

7.1.2 二元选择模型的估计问题 232

7.1.3 二元选择模型的变量假设检验问题 237

7.2 排序选择模型 237

7.3 受限因变量模型 240

7.3.1 审查、选择性样本和截断数据 240

7.3.2 受限因变量数据为什么不能用普通最小二乘估计 242

7.3.3 审查回归模型 242

7.3.4 截断回归模型 245

7.4 Heckman样本选择模型 246

7.5 计数模型 249

7.5.1 泊松模型的形式与参数估计 250

7.5.2 负二项式模型的形式与参数估计 250

7.5.3 准—极大似然估计 250

7.6 广义线性模型 253

7.6.1 广义线性模型的形式 254

7.6.2 广义线性模型的参数估计 256

7.7 EViews软件的相关操作 261

7.7.1 二元选择模型 261

7.7.2 排序选择模型 263

7.7.3 审查回归模型 264

7.7.4 截断回归模型 266

7.7.5 Heckman选择模型 266

7.7.6 计数模型 267

7.7.7 广义线性模型 268

第8章 对数极大似然估计 271

8.1 对数极大似然估计的基本原理 271

8.1.1 极大似然估计的基本原理 271

8.1.2 极大似然估计量的计算方法 273

8.1.3 优化算法 274

8.2 对数极大似然的估计实例 276

8.2.1 一元线性回归模型的极大似然函数 276

8.2.2 AR（1）模型的极大似然函数 277

8.2.3 GARCH（q,p）模型的极大似然函数 279

8.2.4 具有异方差的一元线性回归模型的极大似然函数 281

8.3 EViews软件的相关操作 283

8.3.1 似然对象的建立 283

8.3.2 似然对象的估计、视图和过程 286

8.3.3 问题解答 288

第9章 具有结构变化特征的回归模型 290

9.1 间断点回归模型 291

9.1.1 多个间断点的检验 291

9.1.2 包含多个间断点时的方程估计 294

9.2 门限回归模型 294

9.2.1 门限回归（TR）模型 295

9.2.2 自激励门限自回归（SETAR）模型 299

9.3 转换回归模型 300

9.3.1 转换回归的基本模型 300

9.3.2 马尔可夫区制转换模型 302

9.3.3 动态转换模型 308

9.4 EViews软件的相关操作 312

9.4.1 间断点检验和间断点模型估计 312

9.4.2 门限模型的估计 316

9.4.3 转换方程对象的建立与估计 320

第Ⅳ部分 多方程分析 329

第10章 向量自回归和向量误差修正模型 329

10.1 向量自回归理论 329

10.1.1 VAR模型的一般表示 329

10.1.2 结构VAR模型（SVAR） 331

10.2 结构VAR（SVAR）模型的识别条件 334

10.2.1 SVAR模型的识别条件 335

10.2.2 SVAR模型的约束形式 335

10.3 VAR模型的检验 339

10.3.1 Granger因果检验 339

10.3.2 滞后阶数p的确定 342

10.4 脉冲响应函数 343

10.4.1 脉冲响应函数的基本思想 343

10.4.2 VAR模型的脉冲响应函数 344

10.4.3 广义脉冲响应函数 346

10.4.4 SVAR模型的脉冲响应函数 349

10.5 方差分解 351

10.6 Johansen协整检验 354

10.6.1 特征根迹检验（trace检验） 355

10.6.2 最大特征值检验 356

10.6.3 协整方程的形式 356

10.7 向量误差修正模型 358

10.8 贝叶斯VAR模型 362

10.8.1 贝叶斯VAR模型的基本思想 362

10.8.2 先验分布 364

10.9 EViews软件的相关操作 369

10.9.1 VAR模型的建立和估计 369

10.9.2 VAR模型的视图 371

10.9.3 VAR模型的过程 373

10.9.4 脉冲响应函数的计算 377

10.9.5 方差分解的实现 378

10.9.6 协整检验 379

10.9.7 VEC模型的建立和估计 380

10.9.8 BVAR模型的估计 382

第11章 基本的Panel Data模型 386

11.1 Panel Data模型的基本原理 386

11.1.1 Panel Data模型概述 386

11.1.2 Panel Data模型分类 387

11.2 模型形式设定检验 388

11.3 变截距模型 390

11.3.1 固定影响变截距模型 391

11.3.2 随机影响变截距模型 399

11.3.3 Hausman检验 403

11.4 变系数模型 405

11.4.1 固定影响变系数模型 406

11.4.2 随机影响变系数模型 409

11.5 Panel Data模型系数协方差的估计方法 410

11.6 EViews软件的相关操作 412

11.6.1 含有Pool对象的工作文件 412

11.6.2 Pool对象中数据处理 414

11.6.3 Pool对象的模型估计 418

第12章 扩展的Panel Data模型 423

12.1 面板数据的单位根检验 423

12.1.1 相同根情形下的单位根检验 424

12.1.2 不同根情形下的单位根检验 426

12.2 面板数据的协整检验 429

12.2.1 Pedroni检验 430

12.2.2 Kao检验 432

12.2.3 Fisher面板协整检验 433

12.3 面板数据广义矩（GMM）方法 434

12.3.1 面板数据GMM方法的基本原理 435

12.3.2 面板数据GMM的估计方法 435

12.4 动态面板数据回归模型 437

12.4.1 动态面板数据回归模型简介 437

12.4.2 动态面板数据模型的估计 439

12.5 EViews软件的相关操作 444

12.5.1 构建面板工作文件 444

12.5.2 面板数据的基本分析 445

12.5.3 面板数据模型的建立与估计 448

第13章 状态空间模型和卡尔曼滤波 452

13.1 状态空间模型的定义 452

13.2 卡尔曼滤波 454

13.2.1 Kalman滤波的一般形式 455

13.2.2 Kalman滤波的解释和性质 456

13.2.3 修正的Kalman滤波递推公式 457

13.2.4 非时变模型及Kalman滤波的收敛性 458

13.2.5 Kalman滤波的初始条件 458

13.3 状态空间模型超参数的估计 459

13.3.1 似然函数形式的预测误差分解 459

13.3.2 超参数的估计方法 460

13.4 状态空间模型的应用 461

13.4.1 可变参数模型的状态空间表示 461

13.4.2 季节调整的状态空间形式 465

13.4.3 ARMAX模型的状态空间形式 469

13.5 EViews软件的相关操作 471

13.5.1 定义状态空间模型 471

13.5.2 估计状态空间模型 477

13.5.3 状态空间模型的视窗和过程 477

第14章 联立方程模型的估计与模拟 483

14.1 联立方程系统概述 483

14.1.1 联立方程系统的基本概念 484

14.1.2 联立方程系统的识别 487

14.1.3 一个小型中国宏观经济联立方程模型 489

14.2 联立方程系统的估计方法 491

14.2.1 单方程估计方法 493

14.2.2 系统估计方法 499

14.2.3 多变量ARCH方法 506

14.3 联立方程模型的模拟 512

14.3.1 联立方程模型概述 512

14.3.2 模型模拟的分类 513

14.3.3 模型的评估 516

14.3.4 情景分析 517

14.4 EViews软件的相关操作 520

14.4.1 联立方程系统的基本操作 521

14.4.2 联立方程模型的模拟与预测 527

14.4.3 联立方程模型的求解 536

14.4.4 联立方程模型的数据操作 541

第15章 主成分分析和因子分析 543

15.1 主成分分析 543

15.1.1 主成分分析的基本思想 543

15.1.2 总体主成分求解及其性质 544

15.1.3 样本的主成分 546

15.2 因子分析 549

15.2.1 基本的因子分析模型 550

15.2.2 正交因子模型的性质 551

15.2.3 因子载荷的估计方法 551

15.2.4 因子数目的确定方法及检验 554

15.2.5 因子旋转 560

15.2.6 因子得分 563

15.3 EViews软件的相关操作 568

15.3.1 主成分分析的实现 568

15.3.2 因子分析的实现 570

15.3.3 因子旋转的操作 573

15.3.4 计算因子得分 574

15.3.5 因子视图 575

15.3.6 因子过程 577

附录A EViews中的常用函数 578

A1．公式中的运算符号及其含义 578

A2．时间序列函数及其含义 579

A3．序列描述性统计量的＠函数及其含义 579

A4．三角函数 580

A5．统计函数 580

A6．回归统计量的＠函数及其含义 581

参考文献 582