计量名词解释

同期内生:内生解释变量与随机干扰项同期相关，
两阶段最小二乘法:2SLS, Two Stage Least Squares:两阶段最小二乘法是一种既适用于恰好识别的结构方程,以适用于过度识别的结构方程的单方程估计方法。

方羞膨胀因壬:是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比，VIF=1/1 -产2。

容忍度的倒数，VIF越大，显示共线性越严重。

经验判断方法表明:当（XVIFVIO,不存在多重共线性;当lOMVIFviOO,存在较强的多重共线性;当VIFAIOO,存在严重多重共线性
完全共线性:如果存在«iXj1+a2X,2 + ... + a r X/r=0,不全为零，即某一解释变量可以用其他解释变量的线性组合表示，则称为解释变量间存在完全共线性。

异方差穂健标准误法：
极大似然估计:也称为最大概似估计或最大似然估计，是求估计的另一种方法，找到参数6的一个估计值，使得当前样本出现的可能性最大。

竝性二是指时间序列的统计规律不会随着时间的推移而发生变化。

加权最小二乘法:是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后釆用普通最小二乘法估计其参数的方法。

也饉途多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。

如果模型的随机干扰项违背了相互独立的基本假设，称为存在序列相关性。

多重共线性:在经典回归模型中总是假设解释变量之间是相互独立的。

如杲某两个或多个解释变量之间出现了相关性，则称为多重共线性。

鯉变量鯉生准:解释变量与随机误差项之间往往存在某种程度的相关性此时就称模型存在内生性问题，与随机误差项相关的解释变量称为内生解释变量。

虚拟变量：根据定性因素的属性类别，构造的只取“（）”或“1”的人工变量，通常称为虚拟变量。

人工构造的作为属性因素代表的变量。

高斯一马尔可夫定理:在给定经典假定下，普通最小二乘（OLS）估计量具有线性性、无偏性和有效性等性质，即OLS估计量是最佳线性无偏估计量。

异方差性：对于不同的解释向量,被解释变量的随机误差项的方差不再是常数, 而互不相同，则认为出现了异方差性。

最缽性无偏mm：拥有线性性、无偏性、有效性的性质的估计量被称为最佳线性无偏估计量。

调鞍的可决系数:将残差平方和与总离差平方和分别除以各自的自由度，以剔除量个数对
拟合优度的影响。

则有戸2 = 三二匚1〉,其中：为
TSS /（27 - 1）
残差平方和的自由度，n-1为总体平方和的自由度。

OLS：已知一组样本观测值,普通最小二乘法要求样本回归函数尽可以好地拟合这组值，即样本回归线上的点与真实观测点Yi•的“总体误差”尽可能地小。

普通最小二乘法给出的判断标准是：被解释变量的估计值与实际观测值二差的平方和最小。

经典假定:1、随机误差项是一个期望值或平均值为（）的随机变量；2、对于解释变量的所有观测值，随机误差项有相同的方差；3、随机误差项彼此不相关；4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间相互独立；5、解释变量之间不存在精确的(完全的)线性关系，即解释变量的样本观测值矩阵是满秩矩阵；6、随机误差项服从
正态分布
广义差分法：
拟合优度(检验):对样本回归直线与样本观测值之间拟合程度(的检验。

) 随机谋差项:"称
为观察值Y围绕它的期望值E(Y X)的离差(deviation),记“,它是一个不可观测的随机变量，称为随机误差项(stochastic
error),通常又不加区别地称为随机干扰项
偏回归系数:总体回归函数：描述在给定解釋变量Xi条件下被解释变量Yi的条件均值。

无偏性:是指参数估计量的均值(期望)等于模型的参数值。

残差:样本的实际观测值与模型估计值之间的差值d
尼威■韦斯特序列相关稳健标准谋法
Granger表述定理
随机游走过程：是指自回归模型中「1的序列生成的非平稳的过程就叫单位根过程
ADF单位根检验
d阶单鞍序列:一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整序列，记为1(d)。

1(0)代表平稳时间序列
谬误回归：如果一回归产生了虚的IT2和DW值，以尺虚的t统计值，类似这种回归称为虚回归或谬误回归。

物塑如果两个或者多个一阶单整变量的线性组合是平稳时间序列，那么这些变量存在协整关系，也就是说这些变量存在长期均衡关系
自回归模型:指模型中的解释变量仅是X的当期值与被解释变量Y的若干期滞后值。

由于被解释变量的滞后期值对被解释变量现期做了回归，故叫做自回归模型
两变itX、Y格兰杰因果关系：格兰杰因果关系:对于时间序列变量M和Y,如果X是Y变化的原因，则X的变化应该发生在Y变化之前，而且X的过去值应该有助于预测Y的未来值，但Y的过去值不应该能预测X的未来值。

工具变■:在模型估计过程中被作为工具使用,以替代模型中与随机误差项相关的解释变量。

选择为工具变量(Z)的变量必须满足以下条件：⑴与所替代的解释变量X高度相关C()V(Z, Sj)工0 ; (2)与随机误差项卩不相关C()V(Z,卩)=(); ⑶与模型中其它解释变量不相关，以避免出现多重共线性。

过度识别约束检验:当一个内生解释变量有多于一个工具变量时，就可以对该组工具变量的外生性进行检验，这就是过度识别约束检验。

检验思路：检验该组工具变量与随机扰动项H不存在同期相关
同期内生:内生解释变量与随机干扰项同期相关，
两阶段最小二乘法:2SLS, Two Stage Least Squares:两阶段最小二乘法是一种既适用于恰好识别的结构方程，以适用于过度识别的结构方程的单方程估计方法。

方羞膨胀因壬:是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比，VIF二1/1 -八2。

容忍度的倒数，V3F越大，显示共线性越严重。

经验判断方法表明:当（XVIFVIO,不存在多重共线性;当1（）VV1FV1（）（）,存在较强的多重共线性;当VIFROO,存在严重多重共线性
完全共线性:如果存在他Xj】++ ・・・+ 3X^=0,不全为零，即某一解释变量可以用其他解释变量的线性组合表示，则称为解释变量间存在完全共线性。

异方差稳健标准谋法：
极大愀估计:也称为最大概似估计或最大似然估计，是求估计的另一种方法，找到参数H 的一个估计值，使得当前样本出现的可能性最大。

匹性二是指时间序列的统计规律不会随着时间的推移而发生变化。

加权最小二乘法:是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数的方法。

序列担羞性£多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。

如果模型的随机干扰项违背了相互独立的基本假设，称为存在序列相关性。

多重共线性:在经典回归模型中总是假设解释变量之间是相互独立的。

如杲某两个或多个解释变量之间出现了相关性，则称为多重共线性。

解释变■的内生性：解释变量与随机误差项之间往往存在某种程度的相关性此时就称模型存在内生性问题，与随机误差项相关的解释变量称为内生解释变量。

虚拟变量:根据定性因素的属性类别，构造的只取“（）”或“1”的人工变量，通常称为虚拟变量。

人工构造的作为属性因素代表的变量。

高斯一马尔可夫定理:在给定经典假定下，普通最小二乘（OLS）估计量具有线性性、无偏性和有效性等性质，即OLS估计量是最佳线性无偏估计量。

异方差性：对于不同的解释向量,被解释变量的随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性。

最佳线性无偏估计畳：拥有线性性、无偏性、有效性的性质的估计量被称为最佳线性无偏估计量。

调養的可决系数:将残差平方和与总离差平方和分别除以各自的自由度，以剔除量个数对拟合优度的影响。

则有戸2 = 1 _ 气（；（；f j D ,其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。

OLS：已知一组样本观测值,普通最小二乘法要求样本回归函数尽可以好地拟合这组值，即样本回归线上的点与真实观测点Yi•的“总体误差”尽可能地小。

普通最小二乘法给出的判断标准是：被解释变量的估计值与实际观测值之差的平方和最小。

经典假定:1、随机误差项是一个期望值或平均值为（）的随机变量；2、对于解释变量的所有观测值，随机误差项有相同的方差；3、随机误差项彼此不相关；4、解释变量是确定性变量，不是随机变量，与随机误差项彼此二间相互独立；5、解释变量之间不存在精确的(完全的)线性关系，即解释变量的样本观测值矩阵是满秩矩阵；6、随机误差项服从正态分布
广义差分法：
拟合优度(检验):对样本回归直线与样本观测值之间拟合程度(的检验。

) 随机误差项:"称为观察值Y围绕它的期望值E(Y X)的离差(deviation),记A=^_£(yiX/),它是一个不可观测的随机变量，称为随机误差项(stochastic error),通常又不加区别地称为随机干扰项
偏回归系数:总体回归函数：描述在给定解释变量Xi条件下被解释变量Yi的条件均值。

无偏性:是指参数估计量的均值(期望)等于模型的参数值。

残差:样本的实际观测值与模型估计值之间的差值ci
尼威•韦斯特序列相关稳健标准谋法
Granger表述定理
随机游走过程：是指自回归模型中「1的序列生成的非平稳的过程就叫单位根过程
ADF单位根检验
d阶单整序列:一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整序列，记为1(d)。

1(0)代表平稳时间序列
谬误回归：如果一回归产生了虚的IT2和DW值，以及虚的t统计值，类似这种回归称为虚回归或谬误回归。

拢虹如果两个或者多个一阶单整变量的线性组合是平稳时间序列，那么这些变量存在协整关系，也就是说这些变量存在长期均衡关系
自回归模型:指模型中的解释变量仅是X的当期值与被解释变量Y的若干期滞后值。

由于被解释变量的滞后期值对被解释变量现期做了回归，故叫做自回归模型
两变畳X、Y格兰杰因果关系：格兰杰因果关系:对于时间序列变量M和Y,如杲X是Y变化的原因，则X的变化应该发生在Y变化之前，而且X的过去值应该有助于预测Y的未来值，但Y的过去值不应该能预测X的未来值。

工具变■：在模型估计过程中被作为工具使用,以替代模型中与随机误差项相关的解释变量。

选择为工具变量(Z)的变量必须满足以下条件：⑴与所替代的解释变量X高度相关C()V(Z, Xj)工0 ; (2)与随机误差项卩不相关C()V(Z, R)=0 ; ⑶与模型中其它解释变量不相关，以避免出现多重共线性。

过度识别约束检验:当一个内生解释变量有多于一个工具变量时，就可以对该组工具变量的外生性进行检验，这就是过度识别约束检验。

检验思路：检验该组工具变量与随机扰动项卩不存在同期相关。