第Ⅰ篇 引论与背景 3
第1章 引论 3
1.1 因果关系与其余条件不变分析 3
1.2 随机设置与渐近分析 5
1.2.1 数据结构 5
1.2.2 渐近分析 7
1.3 一些事例 7
1.4 为什么不固定解释变量 9
第2章 经济计量学中条件期望与相关概念 11
2.1 条件期望在经济计量学中的作用 11
2.2 条件期望的特征 12
2.2.1 定义与事例 12
2.2.2 部分效应、弹性与半弹性 13
2.2.3 条件期望模型的误差形式 15
2.2.4 条件期望的若干性质 16
2.2.5 平均部分效应 19
2.3 线性投影 21
习题 23
附录2A 25
2.A.1 条件期望的性质 25
2.A.2 条件方差的性质 26
2.A.3 线性投影的性质 27
第3章 基本渐近理论 30
3.1 确定性序列收敛 30
3.2 依概率收敛与依概率有界 31
3.3 依分布收敛 33
3.4 随机样本的极限定理 34
3.5 估计量与检验统计量的极限特性 35
3.5.1 估计量的渐近性质 35
3.5.2 检验统计量的渐近性质 37
习题 40
第Ⅱ篇 线性模型 43
第4章 单方程线性模型与OLS估计 43
4.1 单方程线性模型概述 43
4.2 OLS的渐近性质 45
4.2.1 一致性 46
4.2.2 利用OLS的渐近推断 48
4.2.3 异方差性的稳健推断 49
4.2.4 拉格朗日乘子（得分）检验 51
4.3 省略变量问题的OLS求解 54
4.3.1 忽略省略变量的OLS 54
4.3.2 代理变量——OLS解 55
4.3.3 含有不可观测情况的交互作用模型 59
4.4 测量误差下的OLS性质 61
4.4.1 因变量的测量误差 62
4.4.2 解释变量的测量误差 63
习题 66
第5章 单方程线性模型的工具变量估计 71
5.1 工具变量与两阶段最小二乘法 71
5.1.1 工具变量估计的动机 71
5.1.2 多重工具：两阶段最小二乘法 77
5.2 2SLS的一般处理 79
5.2.1 一致性 79
5.2.2 2SLS的渐近正态性 81
5.2.3 2SLS的渐近有效性 82
5.2.4 含有2SLS的假设检验 83
5.2.5 2SLS的异方差性稳健推断 85
5.2.6 含有2SLS的潜在陷阱 86
5.3 省略变量与测量误差问题的IV解 90
5.3.1 误差项中的省略因素 90
5.3.2 利用不可观测标示变量求解 90
习题 92
第6章 附加的单方程专题 98
6.1 含有生成回归元与工具的估计 98
6.1.1 含有生成回归元的OLS 98
6.1.2 含有生成工具的2SLS 100
6.1.3 生成工具与回归元 100
6.2 一些设定检验 101
6.2.1 内生性检验 101
6.2.2 过度识别约束检验 105
6.2.3 函数形式检验 106
6.2.4 异方差性检验 107
6.3 其他抽样方案下的单方程方法 110
6.3.1 跨时间混合模截面 110
6.3.2 地区分层样本 113
6.3.3 空间相依性 114
6.3.4 整群样本 115
习题 115
附录6A 118
第7章 利用OLS与GLS估计方程组 122
7.1 引言 122
7.2 一些事例 123
7.3 多变量线性方程组的系统OLS估计 125
7.3.1 预备知识 125
7.3.2 系统OLS的渐近性质 126
7.3.3 多重假设检验 131
7.4 广义最小二乘法的一致性与渐近正态性 131
7.4.1 一致性 131
7.4.2 渐近正态性 133
7.5 可行的GLS 134
7.5.1 渐近性质 134
7.5.2 标准假设下FGLS的渐近方差 137
7.6 利用FGLS检验 139
7.7 看似不相关回归的再研究 140
7.7.1 SUR方程组在OLS与FGLS之间的比较 140
7.7.2 含有交叉方程约束的方程组 143
7.7.3 SUR方程组中的奇异方差矩阵 144
7.8 线性面板数据模型的再研究 146
7.8.1 混合OLS的假设 146
7.8.2 动态完备性 148
7.8.3 时间序列持久性评注 150
7.8.4 稳健渐近方差矩阵 151
7.8.5 检验混合OLS的序列相关与异方差 151
7.8.6 严格外生性下可行的GLS估计 153
习题 154
第8章 利用工具变量的系统估计 157
8.1 引言与事例 157
8.2 一般线性方程组 159
8.3 广义矩估计方法 162
8.3.1 一般加权矩阵 162
8.3.2 系统2SLS估计量 164
8.3.3 最优加权矩阵 165
8.3.4 三阶段最小二乘法估计量 167
8.3.5 GMM3SLS与传统3SLS的比较 169
8.4 选择估计量的背景考虑 170
8.5 利用GMM的检验 171
8.5.1 检验古典假设 171
8.5.2 检验过度识别约束 172
8.6 更有效估计与最优工具 173
习题 176
第9章 联立方程模型 179
9.1 联立方程模型的范围 179
9.2 线性方程组的识别 181
9.2.1 排除性约束与简化式 181
9.2.2 一般线性约束与结构方程 184
9.2.3 不可识别、恰好识别以及过度识别方程 189
9.3 识别后估计 189
9.3.1 稳健性与有效性的权衡 189
9.3.2 什么时候2SLS与3SLS是等价的 191
9.3.3 估计简化式参数 192
9.4 附加的线性SEM若干专题 193
9.4.1 利用交叉方程约束达到识别 193
9.4.2 利用协方差约束达到识别 194
9.4.3 线性方程组中识别与有效性之间的细微差异 196
9.5 关于内生变量为非线性的SEM 197
9.5.1 识别 197
9.5.2 估计 201
9.6 不同方程的不同工具 203
习题 204
第10章 基本线性不可观测效应的面板数据模型 210
10.1 动机：省略变量问题 210
10.2 不可观测效应与解释变量的假设 213
10.2.1 随机效应或者固定效应 214
10.2.2 解释变量的严格外生性假设 215
10.2.3 不可观测效应面板数据模型的事例 216
10.3 通过混合OLS估计不可观测效应模型 218
10.4 随机效应方法 219
10.4.1 基本随机效应假设下的估计与推断 219
10.4.2 稳健方差矩阵估计量 223
10.4.3 一般FGLS分析 224
10.4.4 检验不可观测效应的存在 224
10.5 固定效应方法 226
10.5.1 固定效应估计量的一致性 226
10.5.2 含有固定效应的渐近推断 229
10.5.3 虚拟变量回归 232
10.5.4 序列相关与稳健方差矩阵估计量 233
10.5.5 固定效应GLS 235
10.5.6 利用固定效应对政策分析估计 237
10.6 一阶差分方法 237
10.6.1 推断 237
10.6.2 稳健方差矩阵 240
10.6.3 序列相关检验 240
10.6.4 利用一阶差分的政策分析 241
10.7 估计量的比较 242
10.7.1 固定效应与一阶差分 242
10.7.2 随机效应估计量与固定效应估计量之间的关系 243
10.7.3 比较RE估计量与FE估计量的豪斯曼检验 245
习题 248
第11章 线性不可观测效应模型的若干专题 253
11.1 不含严格外生性假设的不可观测效应模型 253
11.1.1 在序列矩约束下的模型 253
11.1.2 含有严格的且序列外生解释变量的模型 259
11.1.3 解释变量与特质误差之间同时期相关的模型 261
11.1.4 不带严格外生解释变量的模型概述 266
11.2 含有特定个体斜率的模型 267
11.2.1 随机趋势模型 267
11.2.2 含有特定个体斜率的一般模型 269
11.3 线性不可观测效应模型的GMM方法 273
11.3.1 3SLS与标准面板数据估计量之间的等价性 273
11.3.2 不可观测效应模型的张伯伦方法 274
11.4 豪斯曼与泰勒形式模型 276
11.5 面板数据方法应用到配对与整群样本上 279
习题 281
第Ⅲ篇 非线性估计的一般方法第12章 M估计 289
12.1 引言 289
12.2 识别、一致收敛性与一致性 293
12.3 渐近正态性 296
12.4 两步M估计量 299
12.4.1 一致性 300
12.4.2 渐近正态性 301
12.5 估计渐近方差 302
12.5.1 不带多余参数的估计 302
12.5.2 调整两步估计 306
12.6 假设检验 307
12.6.1 沃尔德检验 307
12.6.2 得分（或拉格朗日乘子）检验 308
12.6.3 基于目标函数变化的检验 313
12.6.4 备选假设下的统计量行为 315
12.7 最优化方法 316
12.7.1 牛顿-拉夫森模型 316
12.7.2 伯恩特-霍尔-霍尔-豪斯曼算法 318
12.7.3 广义高斯-牛顿方法 319
12.7.4 出自于目标函数的集中参数 319
12.8 模拟与再抽样方法 320
12.8.1 蒙特卡罗模拟 320
12.8.2 自助法 321
习题 323
第13章 最大似然法 327
13.1 引言 327
13.2 预备知识与事例 328
13.3 条件MLE的一般框架 330
13.4 条件MLE的一致性 333
13.5 渐近正态性与渐近方差估计 333
13.5.1 渐近正态性 334
13.5.2 估计渐近方差 336
13.6 假设检验 338
13.7 设定检验 339
13.8 面板数据与整群样本的偏似然方法 341
13.8.1 面板数据设置 342
13.8.2 渐近推断 345
13.8.3 动态完备模型的推断 346
13.8.4 整群抽样下的推断 348
13.9 带有不可观测效应的面板数据模型 348
13.9.1 含有严格外生解释变量的模型 349
13.9.2 含有滞后因变量的模型 350
13.10 两步骤MLE 351
习题 352
附录13A 355
第14章 广义矩方法与最小距离估计 358
14.1 GMM的渐近性质 358
14.2 在正交性条件下的估计 362
14.3 非线性方程组 364
14.4 面板数据应用 369
14.5 有效估计 371
14.5.1 一般有效性框架 371
14.5.2 MLE的有效性 373
14.5.3 在条件矩约束下对工具的有效选取 374
14.6 经典最小距离估计 376
习题 380
附录14A 382
第Ⅳ篇 非线性模型与相关专题第15章 离散响应模型 385
15.1 引言 385
15.2 二值响应的线性概率模型 386
15.3 二值响应的指标模型：Probit与Logit 388
15.4 二值响应指标模型的最大似然估计 391
15.5 二值响应指标模型检验 392
15.5.1 多重排除性约束检验 392
15.5.2 关于β的非线性假设检验 393
15.5.3 对更一般备选假设的检验 394
15.6 Probit与Logit的报告结果 395
15.7 二值响应模型的设定问题 399
15.7.1 可忽略的异质性 400
15.7.2 连续内生解释变量 401
15.7.3 二值内生解释变量 405
15.7.4 潜变量模型的异方差性与非正态性 407
15.7.5 在较弱假设下的估计 408
15.8 面板数据与整群样本的二值响应模型 410
15.8.1 混合的Probit与Logit 410
15.8.2 严格内生性下不可观测效应的Probit模型 411
15.8.3 严格外生性下不可观测效应的Logit模型 417
15.8.4 动态不可观测效应模型 419
15.8.5 半参数方法 421
15.8.6 整群样本 421
15.9 多项式响应模型 422
15.9.1 多项式Logit 422
15.9.2 概率选择模型 425
15.10 有序响应模型 429
15.10.1 有序Logit与有序Probit 429
15.10.2 有序Probit应用到区间编码数据上 432
习题 433
第16章 角点解结果与截取回归模型 439
16.1 引言与动机 439
16.2 期望值的导数 442
16.3 OLS的非一致性 445
16.4 含有截取Tobit的估计与推断 446
16.5 报告结果 448
16.6 Tobit模型的设定问题 450
16.6.1 可忽略的异质性 450
16.6.2 内生解释变量 451
16.6.3 潜变量模型的异方差性与非正态性 453
16.6.4 在条件中位数约束下的估计 455
16.7 角点解结果的截取Tobit可选择情况 456
16.8 应用到面板数据与整群样本上的截取回归 458
16.8.1 混合Tobit模型 458
16.8.2 严格外生性下的不可观测效应Tobit模型 459
16.8.3 动态不可观测效应的Tobit模型 462
习题 463
第17章 样本选择、损耗与分层抽样 468
17.1 引言 468
17.2 什么时候样本选择可以被忽略 469
17.2.1 线性模型：OLS与2SLS 469
17.2.2 非线性模型 473
17.3 在响应变量基础之上的选择：截尾回归 474
17.4 Probit选择方程 476
17.4.1 外生解释变量 476
17.4.2 内生解释变量 481
17.4.3 含有样本选择的二值响应模型 484
17.5 Tobit选择方程 485
17.5.1 外生解释变量 485
17.5.2 内生解释变量 487
17.6 估计含有样本选择的结构Tobit方程组 488
17.7 线性面板数据模型中的样本选择与损耗 490
17.7.1 含有非平衡面板数据的固定效应估计 491
17.7.2 对样本选择偏倚的检验与修正 493
17.7.3 损耗 497
17.8 分层抽样 501
17.8.1 标准分层抽样与可变概率抽样 501
17.8.2 用加权估计量解释分层 503
17.8.3 基于外生变量的分层 506
习题 507
第18章 估计平均处理效应 511
18.1 引言 511
18.2 反事实设置与自选择问题 512
18.3 假定处理不可知性的方法 515
18.3.1 回归方法 516
18.3.2 基于倾向得分的方法 521
18.4 工具变量法 526
18.4.1 利用IV估计ATE 527
18.4.2 通过IV对局部平均处理进行估计 537
18.5 进一步问题 539
18.5.1 对二值响应与角点解响应的特殊考虑 539
18.5.2 面板数据 540
18.5.3 非二值处理 541
18.5.4 多重处理 544
习题 544
第19章 计数数据与相关模型 547
19.1 为什么需要计数数据模型 547
19.2 含有横截面数据的泊松回归模型 548
19.2.1 泊松回归假设 548
19.2.2 泊松QMLE的一致性 550
19.2.3 泊松QMLE的渐近正态性 551
19.2.4 假设检验 554
19.2.5 设定检验 555
19.3 其他计数回归模型 557
19.3.1 负二项式回归模型 557
19.3.2 二项式回归模型 559
19.4 线性指数族的其他QMLE 560
19.4.1 指数回归模型 561
19.4.2 分数Logit回归 561
19.5 含有指数回归函数的内生性与样本选择 562
19.5.1 内生性 563
19.5.2 样本选择 565
19.6 面板数据方法 567
19.6.1 混合QMLE 567
19.6.2 对含有不可观测效应的条件期望模型进行设定 569
19.6.3 随机效应方法 570
19.6.4 固定效应泊松估计 572
19.6.5 放松严格外生性假设 574
习题 575
第20章 持续期限分析 581
20.1 引言 581
20.2 风险函数 582
20.2.1 不带协变量的风险函数 582
20.2.2 以时常值协变量为条件的风险函数 585
20.2.3 以时变协变量为条件的风险函数 586
20.3 含有时常值协变量的单一时段数据分析 588
20.3.1 流动抽样 589
20.3.2 含有截取流动数据的最大似然估计 590
20.3.3 存量抽样 594
20.3.4 不可观测的异质性 597
20.4 分组持续期限数据分析 599
20.4.1 时常值协变量 600
20.4.2 时变协变量 603
20.4.3 不可观测的异质性 605
20.5 进一步问题 606
20.5.1 比例风险模型的考克斯偏似然方法 606
20.5.2 多重时段数据 606
20.5.3 竞争风险模型 607
习题 607
参考文献 611
索引 624
译后记 644