计量经济学(重要名词解释)

——名词解释

将因变量与一组解释变量和未观测到的扰动联系起来的方程，方程中未知的总体参数决定了各解释变量在其他条件不变下的效应。与经济分析不同，在进行计量经济分析之前，要明确变量之间的函数形式。

经验分析（Empirical Analysis）：在规范的计量分析中，用数据检验理论、估计关系式或评价政策有效性的研究。

确定遗漏变量、测量误差、联立性或其他某种模型误设所导致的可能偏误的过程

线性概率模型（LPM）（Linear Probability Model, LPM）：响应概率对参数为线性的二值响应模型。

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。

有限分布滞后（FDL）模型（Finite Distributed Lag (FDL) Model）：允许一个或多个解释变量对因变量有滞后效应的动态模型。

布罗施-戈弗雷检验（Breusch-Godfrey Test）：渐近正确的AR（p）序列相关检验，以AR（1）最为流行；该检验考虑到滞后因变量和其他不是严格外生的回归元。

布罗施-帕甘检验（Breusch-Pagan Test）/（BP Test）：将OLS 残差的平方对模型中的解释变量做回归的异方差性检验。

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。因此，这是相对于非嵌套对立假设而对一个模型的检验。在模型中包含对立模型的拟合值，并使用对拟合值的t 检验来实现。

回归误差设定检验（RESET）（Regression Specification Error Test, RESET）：在多元回归模型中，检验函数形式的一般性方法。它是对原OLS 估计拟合值的平方、三次方以及可能更高次幂的联合显著性的F 检验。

怀特检验（White Test）：异方差的一种检验方法，涉及到做OLS 残差的平方对OLS 拟合值和拟合值的平方的回归。这种检验方法的最一般的形式是，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。

邹至庄统计量（Chow statistic）：检验不同组或不同时期的回归函数上差别的F检验。

德宾—沃森（DW）统计量（Durbin-Watson (DW) Statistic）：在经典线性回归假设下，用于检验时间序列回归模型之误差项中的一阶序列相关的统计量。

广义最小二乘（GLS）估计量（Generalized Least Squares (GLS) Estimator）：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。

拉格朗日乘数统计量（Lagrange Multiplier Statistic）：仅在大样本下为确当的检验统计量，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和不同模型的设定问题。

加权最小二乘（WLS）估计量（Weighted Least Squares (WLS) Estimator）：用来对某种已知形式的异方差进行调整的估计量。其中，每个残差的平方都用一个等于误差的（估计的）方差的倒数作为权数。

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 。

在给定时点上从总体中抽取的数据集

通过不同时期，对横截面重复观测而得到的数据集。在平衡的面板中，同样的单位在每个时期都出现。在不平衡的面板中，有些单位往往由自然损耗而不会在每个时期都出现。

通常在不同时点收集到的相互独立的横截面组合而成的一个单独的数据集。

多元回归模型中度量拟合值的样本变异。

多元回归模型中，所观测的OLS 残差的平方和，度量了残差的样本波动。

多元回归分析中的总体误差的标准差的估计值。等于残差平方和与自由度之商的平方根。

用来估计多元线性回归模型中的参数的一种方法。最小二乘估计值是通过最小化残差的平方和而得到。

零条件均值假定（Zero Conditional Mean Assumption）：多元回归分析中很关键的一个假定。它的含义是，给定解释变量的任意值，误差的期望值都等于0。

假定测量误差与观测的解释变量无关，观测结果等于实际变量加上一个独立的或至少不相关的测量误差的测量误差模型。

自变量中包含了过多的虚拟变量造成的错误；当模型中既有整体截距又对每一组都设有一个虚拟变量时，该陷阱就产生了。

总是朝向零的估计量偏误，因而有衰减偏误的估计量的期望值小于参数的绝对值。

指多元回归模型中自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。当某些相关性“很大”时，就会发生多重共线性，但对实际的大小尺度并没有明确的规定。

对多元回归分析的理想假定集，对横截面分析为假定MLR.1 至MLR.6，对时间序列分析为假定TS.1 至TS.6。假定包括对参数为线性、

MLR.5 或假定TS.1 至TS.5），使OLS 是BLUE。假定包括对参数为线性、无完全共线性、零条件均值、同方差、无序列相关（或随机抽样）。

弱相关（Weakly Dependent）：在时间序列过程中，表示随机变量在不同时期之间的相互依赖指标（比如相关性）随着时间间隔的增大而减小。如对于一个平稳时间序列过程{x t:t=1,2,…},随着时间间隔h的无限增大，随机变量x t和x t+h“近乎独立”。

序列相关（Serial Correlation）/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。

一阶移动平均过程[MA（1）]（Moving Average Process of Order One [MA(1)]）：作为一个零均值、常方差和不相关随机过程的当期值与一期滞后值的线性函数而生成的时间序列过程。

一阶自回归过程[AR（1）]（Autoregressive Process of Order One [AR(1)]）：一个时间序列模型，其当前值线性依赖于最近的值加上一个无法预测的扰动。

稳定的AR（1）过程（Stable AR(1) Process）：滞后变量的系数绝对值小于1 时的AR（1）过程。序列中的两个随机变量的相关性，随着它们之间的时间间隔不断增大，以几何级数趋近于0，则稳定的AR（1）过程是弱相关的。

高持续性过程（Highly Persistent Process）：时间序列过程，其中遥远的将来的结果与当前的结果高度相关。