计量经济学(重要名词解释)

计量经济学名词解释计量经济模型（Econometric Model）：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。误设分析（Misspecification analysis）: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。静态模型（Static Model）：只有当期的解释变量影响因变量的一种时间序列模型。非嵌套模型（Nonnested Models）：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。戴维森麦金农检验（Davidson-MacKinnon Test）【DM】：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。最优线性无偏估计量（Best Linear Unbiased Estimator, BLUE）：在所有线性、无偏估计量中，有最小方差的估计量。 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 。横截面数据集（Cross-Sectional Data Set）：在给定时点上从总体中抽取的数据集面板数据（Panel Data）：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。混合横截面（Pooled Cross Section）：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。时间序列数据（Time Series Data）：搜集到的一个或多个变量的不同时期数据。解释平方和（SSE）（Explained Sum of Squares）：多元回归模型中度量拟合值的样本变异。总平方和（SST）（Total Sum of Squares）：度量因变量相对于它的样本均值的总样本变异。残差平方和（SST）（Residual Sum of Squares）：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。回归的标准误（SER）（Standard Error of the Regression, SER）：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。异方差性（Heteroskedasticity）：给定解释变量，误差项的方差不为常数。同方差性（Homoskedasticity）：回归模型中的误差在解释变量条件下具有不变的方差。普通最小二乘法（OLS）（Ordinary Least Squares, OLS）：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。经典变量误差（Classical Errors-in-Variables, CEV）：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。虚拟变量陷阱（Dummy Variable Trap）：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。衰减偏误（Attenuation Bias）：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。多重共线性（Multicollinearity）：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。完全共线性（Perfect Collinearity）：在多元回归中，一个自变量是一个或多个其他自变量的线性函数。一致性（Consistency）：一个估计量随着样本容量增大而依概率收敛于正确的总体值。经典线性模型（CLM）假定（Classical Linear Model (CLM) Assumptions）：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、无完全共线性、零条件均值、同方差、无序列相关（或随机抽样）和误差正态性。高斯马尔科夫假定（Gauss-Markov Assumptions）：一组假定（假定MLR.1 至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xt:t=1,2,随着时间间隔h的无限增大，随机变量xt和xt+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。协方差平稳（Covariance Stationary）：时间序列过程，其均值、方差为常数，且序列中任意两个随机变量之间的协方差仅与它们的间隔有关。平稳随机过程（Stationary Stochastic Process）：边际和所有的联合分布都不随时间变化的一种时间序列过程。随机游走（Random Walk）：在这样一种时间序列中，下个时期的值等于本期值加上一个独立的（或至少是不相关的）误差项。如AR（1）的参数为1时，因果效应（Casual Effect）：一个变量在其他条件不变的情况下对另外一个变量产生的影响其他条件不变（Ceteris Paribus）：其他所有相关因素均保持固定不变。偏效应（Partial Effect）：回归模型中的其他因素保持不变时，某个解释变量对因变量的影响。长期弹性（Long-Run Elasticity）：因变量和自变量都以对数形式出现的分布滞后模型中的长期倾向。即，长期弹性是在给定解释变量增长了1%时，被解释变量最终变化的百分比。长期乘数（Long-Run Multiplier）/长期倾向（Long-Run Propensity）：在一个分布滞后模型中，给定自变量永久性地增加一个单位，因变量最终的变化量。即期乘数（Impact Multiplier）/即期倾向（Impact Propensity）：在分布滞后模型中，自变量增加一个单位，因变量的即时的变化。零阶单整I（0）（Integrated of Order Zero I(0)）： 一个平稳而又弱相关的时间序列过程，当用于回归分析时，它满足大数定律和中心极限定理。一阶差分（First Difference）：通过对相邻时期取差分而对时间序列进行的一种转换，即用后一时期减去前一时期。单位根过程（Unit Root Process）：当期值等于前一个时期的值加上一个弱相依的干扰项的一种高度持续的时间序列过程。二值变量（Binary Variable）/虚拟变量（Dummy Variable）/0-1变量（zero-one variable）：取值为0 或1 的变量。代理变量（Proxy Variable）：在多元回归分析中，一个与观测不到的解释变量有关系但又不相同的可观测变量。内生解释变量（Endogenous Explanatory Variable）：在多元回归模型中，由于遗漏变量、测量误差或联立性的原因而与误差项相关的解释变量。外生解释变量（Exogenous Explanatory Variable）：与误差项不相关的解释变量。严格外生的（Strictly Exogenous）：时间序列或面板数据模型中的解释变量的一个特点，以所有时期的解释变量为条件的、任何时期的误差项都是有0 均值。同期同方差（Contemporaneously homoskedastic）：在时间序列或面板数据应用中，以相同时期的回归元为条件，误差方差保持不变。R2（R-Squared）/判定系数（Coefficient of determination）：在多元回归模型中，因变量的总体样本变异中由自变量所解释的比例。调整R2（Adjusted R-Squared）：多元回归分析中拟合优度的度量指标，在估计误差的方差时用自由度的调整来对额外添加解释变量进行惩罚。自由度（df）（Degrees of Freedom, df）：在多元回归模型分析中，取值不受限制的变量个数，等于观测值的个数减去待估参数的个数。的标准差（Standard Deviation of ）：衡量 抽样分布之分散程度的常用指标。置信区间（CI）（Confidence Interval, CI）：用于构造随机区间的规则，使得在所有数据集中有某个百分比（由置信水平决定）的数据集会给出包含总体值的区间。渐近正态性（Asymptotic Normality）：适当正态化后样本分布收敛到标准正态分布的估计量。渐近有效（Asymptotically Efficient）：服从渐近正态分布的一致性估计量中渐近方差最小的一个的估计量便是渐近有效的。参数估计量的有效性：它是否在所有线性无偏估计量中具有最小方差。 估计量的期望方差越大说明用其估计值代表相应真值的有效性越差；否则越好，越有效。不同的估计量具有不同的方差，方差最小说明最有效贝塔系数（Beta Coefficients）/标准化系数（Standardized Coefficients）：一种回归系数，它度量了自变量增加一个标准差时，因变量的改变是其标准差的倍数。函数形式误设（Functional Form Misspecification）：一个模型遗漏了解释变量的函数（例如二次项），或者错误地使用因变量或某些自变量的函数时产生的问题。交互作用（Interaction Effect）：在多元回归中，一个解释变量的偏效应取决于另一个不同解释变量的值虚拟假设（Null Hypothesis）：在经典假设检验中，我们把这个假设当作真的，要求数据能够提供足够的证据才能否定它。OLS 回归线（OLS Regression Line）：将因变量的预测值与自变量的值相联系的方程，其参数估计值是通过OLS得到的。拟差分数据（Quasi-Differenced Data）：在估计有AR（1）的序列相关的回归模型时，当期数据与前一期数据乘以AR（1）模型的参数后得到的数据之间的差。响应概率（Response Probability）：在二值响应模型中，以解释变量为条件的因变量取值为1 的概率。统计上显著（Statistically Significance）：用一个检验统计量的大小度量的一个估计值的重要性。季节性调整（Seasonally Adjusted）：用某种统计程序，可能是对季节性虚拟变量做回归，来消除月度或季度时间序列中的季节性成分。滞后因变量（Lagged dependent variable）：等于以前时期因变量的解释变量。过度控制（over controlling）：在一个多元回归模型中，包含了这样的解释变量：在研究一个或多个解释变量的其他条件不变效应时，不应该保持他们不变；当变量本身就是回归元中所包含的干预或政策结果时，便可能出现这种情况。预测误差（prediction error）：实际结果与预测结果之差。预测区间（prediction interval）：多元回归模型中，因变量的未知结果的一个置信区间。残差分析（residual analysis）：在估计多元回归模型之后，研究某次特定观测之残差的符号和大小的一类分析。截距的变化（intercept shift）：回归模型中的截距，因组或时期的不同而不同。序数变量（ordinal variable）：通过排列顺序传达信息的一种数据，它们的大小本身并不说明任何问题。正确预测百分数（percent correctly predicted）：在二值响应模型中，预测的0或1与实际结果相一致的次数占总次数的百分数。可行的GLS（FGLS）估计量（Feasible GLS(FGLS) estimator）：方差或相关参数未知，因而必须先进行估计的GLS程序。也可参考广义最小二乘估计量。未知形式的异方差（Heteroskedasticity of unknown form）：以一未知的任意形式依赖于解释变量的异方差性。平均边际效应（average marginal effect）平均偏效应（average partial effect）：对于不是常数的偏效应，在特定总体中将偏效应加以平均。内生样本选择（endogenous sample selection）：非随机样本选择，其选择直接地或通过方程中的误差项与因变量联系。影响重大的观测（influential observations）离群点（outliers）：在数据集中，与大量其他数据有明显区别的观测：或因为某种错误，或因为生成它们的模型与生成其他大多数数据的模型不同。最小绝对离差（Least absolute deviation）：基于最小化残差绝对值之和而估计多元回归模型参数的方法。测量误差（measurement error）：所观测变量与多元回归方程中的变量之差。一般指报告值与实际值之差。遗漏变量问题的植入解（plug in solution to the omitted variables problem）：在OLS回归中，用以代替观测不到的遗漏变量的代理变量。随机系数（斜率）模型（random coefficient （slope） model）：在多远回归中，允许斜率估计值受不同个体独有的未观测变量影响。分层取样（stradified sampling）：一种非随机抽样模式，其中总体首先被分成不重叠、无遗漏的几层，然后在每层抽取随机样本。