1经典最小二乘估计理论 1
1.1线性回归模型 1
1.2最小二乘理论 4
1.3正态分布假设的模型1 10
1.4带线性约束的模型1 17
1.5检验线性假设 22
1.6预测 32
2回归分析的最新发展 37
2.1选择回归变量 37
2.2岭回归和Stein估计量 45
2.3稳健性回归 57
3大样本理论 66
3.1随机变量和分布函数 66
3.2不同收敛方式 69
3.3大数定律和中心极限定理 73
3.4 limE、 AE和plim的关系 76
3.5最小二乘估计量的相合性和渐近正态性 78
4极值估计量的渐近性质 85
4.1一般结论 85
4.2极大似然估计量 92
4.3非线性最小二乘估计量 103
4.4迭代方法 111
4.5渐近检验及相关问题 114
4.6最小绝对偏差估计量 120
5时间序列分析 129
5.1简介 129
5.2自回归模型 131
5.3残差为移动平均的自回归模型 138
5.4自回归模型的最小二乘估计量和极大似然估计量的渐近性质 140
5.5预测 144
5.6分布滞后模型 145
6广义最小二乘理论 148
6.1已知协方差矩阵 148
6.2协方差矩阵未知 152
6.3系列相关 152
6.4似不相关回归模型 161
6.5异方差性 162
6.6误差成分模型 170
6.7随机系数模型 179
7线性联立方程模型 187
7.1模型和识别 187
7.2完全信息极大似然估计量 190
7.3有限信息模型 192
7.4三阶段最小二乘估计量 198
7.5前沿性论题 199
8非线性联立方程模型 202
8.1单方程估计 202
8.2方程组估计 211
8.3假设检验、预测和计算 216
9定性反应模型 221
9.1简介 221
9.2单维二分变量模型 222
9.3多分模型 237
9.4多元模型 256
9.5基于选择的抽样 262
9.6任意分布法 279
9.7面板数据QR模型 286
10Tobit模型 295
10.1简介 295
10.2标准Tobit模型（第一类Tobit模型） 296
10.3实证事例 298
10.4标准假设的估计量的性质 299
10.5非标准假设的Tobit极大似然估计量的性质 310
10.6广义Tobit模型 314
10.7第二类Tobit模型：P（y1＜0）·P（y1＞0,y2） 316
10.8第三类Tobit模型：P（y1＜0）·P（y1,y2） 320
10.9第四类Tobit模型 325
10.10第五类Tobit模型：P（y1＜0,y3）·P（y1＞0,y2） 328
11马尔科夫链和持续期限模型 339
11.1马尔科夫链模型 339
11.2持续期限模型 357
附录1矩阵分析的常用定理 378
附录2分布理论 382
参考文献 384