計(jì)量經(jīng)濟(jì)學(xué)術(shù)語(yǔ)

1、A校正R2(AdjustedR-Squared)：多元回歸分析中擬合優(yōu)度的量度，在估計(jì)誤差的方差時(shí)對(duì)添加的解釋變量用一個(gè)自由度來(lái)調(diào)整。對(duì)立假設(shè)(AlternativeHypothesis)：檢驗(yàn)虛擬假設(shè)時(shí)的相對(duì)假設(shè)。AR(1)序列相關(guān)(AR(1)SerialCorrelation)：時(shí)間序列回歸模型中的誤差遵循AR(1)模型。漸近置信區(qū)間(AsymptoticConfidenceInterval)：大樣本容量下近似成立的置信區(qū)間。漸近正態(tài)性(AsymptoticNormality)：適當(dāng)正態(tài)化后樣本分布收斂到標(biāo)準(zhǔn)正態(tài)分布的估計(jì)量。漸近性質(zhì)(AsymptoticProperties)：當(dāng)樣本容量

2、無(wú)限增長(zhǎng)時(shí)適用的估計(jì)量和檢驗(yàn)統(tǒng)計(jì)量性質(zhì)。漸近標(biāo)準(zhǔn)誤(AsymptoticStandardError)：大樣本下生效的標(biāo)準(zhǔn)誤。漸近t統(tǒng)計(jì)量(AsymptotictStatistic)：大樣本下近似服從標(biāo)準(zhǔn)正態(tài)分布的t統(tǒng)計(jì)量。漸近方差(AsymptoticVariance)：為了獲得漸近標(biāo)準(zhǔn)正態(tài)分布，我們必須用以除估計(jì)量的平方值。漸近有效(AsymptoticallyEfficient)：對(duì)于服從漸近正態(tài)分布的一致性估計(jì)量，有最小漸近方差的估計(jì)量。漸近不相關(guān)(AsymptoticallyUncorrelated)：時(shí)間序列過(guò)程中，隨著兩個(gè)時(shí)點(diǎn)上的隨機(jī)變量的時(shí)間間隔增加，它們之間的相關(guān)趨于零。衰減偏

3、誤(AttenuationBias)：總是朝向零的估計(jì)量偏誤，因而有衰減偏誤的估計(jì)量的期望值小于參數(shù)的絕對(duì)值。自回歸條件異方差性(AutoregressiveConditionalHeteroskedasticity,ARCH)：動(dòng)態(tài)異方差性模型，即給定過(guò)去信息，誤差項(xiàng)的方差線性依賴于過(guò)去的誤差的平方。一階自回歸過(guò)程AR(1)(AutoregressiveProcessofOrderOneAR(1)：一個(gè)時(shí)間序列模型，其當(dāng)前值線性依賴于最近的值加上一個(gè)無(wú)法預(yù)測(cè)的擾動(dòng)。輔助回歸(AuxiliaryRegression)：用于計(jì)算檢驗(yàn)統(tǒng)計(jì)量例如異方差性和序列相關(guān)的檢驗(yàn)統(tǒng)計(jì)量或其他任何不估計(jì)主要感興

4、趣的模型的回歸。平均值(Average)：n個(gè)數(shù)之和除以n。B基組、基準(zhǔn)組(BaseGroup)：在包含虛擬解釋變量的多元回歸模型中，由截距代表的組?；?BasePeriod)：對(duì)于指數(shù)數(shù)字，例如價(jià)格或生產(chǎn)指數(shù)，其他所有時(shí)期均用來(lái)作為衡量標(biāo)準(zhǔn)的時(shí)期?；谥?BaseValue)：指定的基期的值，用以構(gòu)造指數(shù)數(shù)字；通?；局禐?或100。最優(yōu)線性無(wú)偏估計(jì)量(BestLinearUnbiasedEstimator,BLUE)：在所有線性、無(wú)偏估計(jì)量中，有最小方差的估計(jì)量。在高斯馬爾科夫假定下，OLS是以解釋變量樣本值為條件的BLUE。貝塔系數(shù)(BetaCoef?cients)：見(jiàn)標(biāo)準(zhǔn)化系數(shù)。偏誤

5、(Bias)：估計(jì)量的期望參數(shù)值與總體參數(shù)值之差。偏誤估計(jì)量(BiasedEstimator)：期望或抽樣平均與假設(shè)要估計(jì)的總體值有差異的估計(jì)量。向零的偏誤(BiasedTowardsZero)：描述的是估計(jì)量的期望絕對(duì)值小于總體參數(shù)的絕對(duì)值。二值響應(yīng)模型(BinaryResponseModel)：二值因變量的模型。二值變量(BinaryVariable)：見(jiàn)虛擬變量。兩變量回歸模型(BivariateRegressionModel)：見(jiàn)簡(jiǎn)單線性回歸模型。BLUE(BLUE)：見(jiàn)最優(yōu)線性無(wú)偏估計(jì)量。Breusch-Godfrey檢驗(yàn)(Breusch-GodfreyTest):漸近正確的AR(p

6、)序列相關(guān)檢驗(yàn)，以AR(1)最為流行;該檢驗(yàn)考慮到滯后因變量和其他不是嚴(yán)格外生的回歸元。Breusch-Pagan檢驗(yàn)(Breusch-PaganTest)：將OLS殘差的平方對(duì)模型中的解釋變量做回歸的異方差性檢驗(yàn)。C因果效應(yīng)(CausalEffect)：一個(gè)變量在其余條件不變情況下的變化對(duì)另一個(gè)變量產(chǎn)生的影響。其余條件不變(CeterisParibus)：其他所有相關(guān)因素均保持固定不變。經(jīng)典含誤差變量(ClassicalErrors-in-Variables,CEV)：觀測(cè)的量度等于實(shí)際變量加上一個(gè)獨(dú)立的或至少不相關(guān)的測(cè)量誤差的測(cè)量誤差模型。經(jīng)典線性模型(ClassicalLinearMod

7、el)：全套經(jīng)典線性模型假定下的復(fù)線性回歸模型。經(jīng)典線性模型(CLM)假定(ClassicalLinearModel(CLM)Assumptions)：對(duì)多元回歸分析的理想假定集，對(duì)橫截面分析為假定MLR.1至MLR.6，對(duì)時(shí)間序列分析為假定TS.1至TS.6。假定包括對(duì)參數(shù)為線性、無(wú)完全共線性、零條件均值、同方差、無(wú)序列相關(guān)和誤差正態(tài)性?？瓶藗愐粖W克特(CO)估計(jì)(Cochrane-Orcutt(CO)Estimation):估計(jì)含AR(1)誤差和嚴(yán)格外生解釋變量的多元線性回歸模型的一種方法；與普萊斯溫斯登估計(jì)不同，科克倫奧克特估計(jì)不使用第一期的方程。置信區(qū)間(CI)(Con?denceIn

8、terval,CI)：用于構(gòu)造隨機(jī)區(qū)間的規(guī)則，以使所有數(shù)據(jù)集中的某一百分比(由置信水平?jīng)Q定)給出包含總體值的區(qū)間。置信水平(Con?denceLevel)：我們想要可能的樣本置信區(qū)間包含總體值的百分比，95%是最常見(jiàn)的置信水平，90%和99%也用。不變彈性模型(ConstantElasticityModel)：因變量關(guān)于解釋變量的彈性為常數(shù)的模型；在多元回歸中，兩者均以對(duì)數(shù)形式出現(xiàn)。同期外生回歸元(ContemporaneouslyExogenous)：在時(shí)間序列或綜列數(shù)據(jù)應(yīng)用中，與同期誤差項(xiàng)不相關(guān)但對(duì)其他時(shí)期則不一定的回歸元?？刂平M(ControlGroup)：在項(xiàng)目評(píng)估中，不參與該項(xiàng)目的組

9、?？刂谱兞?ControlVariable)：見(jiàn)解釋變量。協(xié)方差平穩(wěn)(CovarianceStationary)：時(shí)間序列過(guò)程，其均值、方差為常數(shù)，且序列中任意兩個(gè)隨機(jī)變量之間的協(xié)方差僅與它們的間隔有關(guān)。協(xié)變量(Covariate)：見(jiàn)解釋變量。臨界值(CriticalValue)：在假設(shè)檢驗(yàn)中，用于與檢驗(yàn)統(tǒng)計(jì)量比較來(lái)決定是否拒絕虛擬假設(shè)的值。橫截面數(shù)據(jù)集(Cross-SectionalDataSet)：在給定時(shí)點(diǎn)上從總體中收集的數(shù)據(jù)集D數(shù)據(jù)頻率(DataFrequency)：收集時(shí)間序列數(shù)據(jù)的區(qū)間。年度、季度和月度是最常見(jiàn)的數(shù)據(jù)頻率。戴維森麥金農(nóng)檢驗(yàn)(Davidson-MacKinnonTe

10、st)：用于檢驗(yàn)相對(duì)于非嵌套對(duì)立假設(shè)的模型的檢驗(yàn)：它可用相爭(zhēng)持模型中得出的擬合值的t檢驗(yàn)來(lái)實(shí)現(xiàn)。自由度(df)(DegreesofFreedom,df)：在多元回歸模型分析中，觀測(cè)值的個(gè)數(shù)減去待估參數(shù)的個(gè)數(shù)。分母自由度(DenominatorDegreesofFreedom)：F檢驗(yàn)中無(wú)約束模型的自由度。因變量(DependentVariable)：在多元回歸模型(和其他各種模型)中被解釋的變量。除趨勢(shì)(Detrending)：從時(shí)間序列中除去趨勢(shì)的做法。斜率級(jí)差(DifferenceinSlopes)：所描述的是模型中某些斜率參數(shù)，因組或時(shí)期的不同而不同。向下偏誤(DownwardBias)

11、：估計(jì)量的期望值低于參數(shù)的總體值。虛擬變量(DummyVariable)：取值為0或1的變量。虛擬變量陷阱(DummyVariableRegression)：自變量中包含了過(guò)多的虛擬變量造成的錯(cuò)誤；當(dāng)模型中既有整體截距又對(duì)每一組都設(shè)有一個(gè)虛擬變量時(shí)，該陷阱就產(chǎn)生了。德賓沃森(DW)統(tǒng)計(jì)量(Durbin-Watson(DW)Statistic)：在經(jīng)典線性回歸假設(shè)下，用于檢驗(yàn)時(shí)間序列回歸模型的誤差項(xiàng)中的一階序列相關(guān)的統(tǒng)計(jì)量。動(dòng)態(tài)完整模型(DynamicallyCompleteModel)：設(shè)更多的滯后因變量，或設(shè)更多的滯后解釋變量都無(wú)助于解釋因變量的均值的時(shí)間序列模型。E計(jì)量經(jīng)濟(jì)模型(Econo

12、metricModel)：將因變量與一組解釋變量和未觀測(cè)到的擾動(dòng)聯(lián)系起來(lái)的方程，方程中未知的總體參數(shù)決定了各解釋變量在其余條件不變下的效應(yīng)。經(jīng)濟(jì)模型(EconomicModel)：從經(jīng)濟(jì)理論或不那么正規(guī)的經(jīng)濟(jì)原因中得出的關(guān)系。經(jīng)濟(jì)顯著性(EconomicSigni?cance)：見(jiàn)實(shí)際顯著性。彈性(Elasticity)：給定一個(gè)變量在其余條件不變下增加1%，另一個(gè)變量的百分比變化。經(jīng)驗(yàn)分析(EmpiricalAnalysis)：用正規(guī)計(jì)量分析中的數(shù)據(jù)檢驗(yàn)理論、估計(jì)關(guān)系式或確定政策效應(yīng)的研究。內(nèi)生解釋變量(EndogenousExplanatoryVariable)：在多元回歸模型中，由于遺漏

13、變量、測(cè)量誤差或聯(lián)立性的原因而與誤差項(xiàng)相關(guān)的解釋變量。內(nèi)生樣本選擇(EndogenousSampleSelection)：非隨機(jī)樣本選擇，其選擇直接地或通過(guò)方程中的誤差項(xiàng)與因變量相聯(lián)系。誤差項(xiàng)(ErrorTerm)：在簡(jiǎn)單或多元回歸方程中，包含了未觀測(cè)到的影響因變量的因素的變量。誤差項(xiàng)也可能包含被觀測(cè)的因變量或自變量中的測(cè)量誤差。誤差方差(ErrorVariance)：多元回歸模型中誤差項(xiàng)的方差。事件研究(EventStudy)：事件(例如政府規(guī)制或經(jīng)濟(jì)政策的變化)對(duì)結(jié)果變量的效應(yīng)的計(jì)量分析。排除一個(gè)有關(guān)變量(ExcludingaRelevantVariable)：在多元回歸分析中，遺漏了一個(gè)

14、對(duì)因變量有非零偏效應(yīng)的變量。排斥性約束(ExclusionRestrictions)：說(shuō)明某些變量被排斥在模型之外(或具有零總體參數(shù))的約束。外生解釋變量(ExogenousExplanatoryVariable)：與誤差項(xiàng)不相關(guān)的解釋變量。外生樣本選擇(ExogenousSampleSelection)：或者依賴外生解釋變量，或者與所感興趣的模型中的誤差項(xiàng)不相關(guān)的樣本選擇。實(shí)驗(yàn)數(shù)據(jù)(ExperimentalData)：通過(guò)進(jìn)行受控制的實(shí)驗(yàn)獲得的數(shù)據(jù)。試驗(yàn)組(ExperimentalGroup)：見(jiàn)處理組。解釋平方和(SSE)(ExplainedSumofSquares,SSE)：多元回歸模型

15、中擬合值的總樣本變異。被解釋變量(ExplainedVariable)：見(jiàn)因變量。解釋變量(ExplanatoryVariable)：在回歸分析中，用于解釋因變量中的變異的變量。指數(shù)趨勢(shì)(ExponentialTrend)：有固定增長(zhǎng)率的趨勢(shì)。FF統(tǒng)計(jì)量(FStatistic)：在多元回歸模型中，用于檢驗(yàn)關(guān)于參數(shù)的多重假設(shè)的統(tǒng)計(jì)量?？尚械腉LS(FGLS)估計(jì)量(FeasibleGLS(FGLS)Estimator)：方差或相關(guān)參數(shù)未知，因而必須先進(jìn)行估計(jì)的GLS程序。(又見(jiàn)廣義最小二乘估計(jì)量。)有限分布滯后(FDL)模型(FiniteDistributedLag(FDL)Model)：允許一

16、個(gè)或多個(gè)解釋變量對(duì)因變量有滯后效應(yīng)的動(dòng)態(tài)模型。一階差分(FirstDifference)：對(duì)相鄰時(shí)期做差分所構(gòu)成的對(duì)時(shí)間序列的轉(zhuǎn)換，即用后一時(shí)期減去前一時(shí)期。一階條件(FirstOrderConditions)：用于求解OLS估計(jì)值的一組線性方程。擬合值(FittedValues)：在各觀測(cè)中將自變量的值插入OLS回歸線時(shí)，所得到的因變量的估計(jì)值。函數(shù)形式的錯(cuò)誤設(shè)定(alFormMisspeci?cation)：當(dāng)模型中有被遺漏的解釋變量的函數(shù)(例如二次項(xiàng))，或者對(duì)一個(gè)因變量或某些自變量用了錯(cuò)誤的函數(shù)時(shí)產(chǎn)生的問(wèn)題。G高斯馬爾科夫假定(Gauss-MarkovAssumptions)：一組假定(

17、假定MLR.1至MLR.5或假定TS.1至TS.5)，在這之下OLS是BLUE。高斯馬爾科夫定理(Gauss-MarkovTheorem)：該定理表明，在五個(gè)高斯馬爾科夫假定下(對(duì)于橫截面或時(shí)間序列模型)，OLS估計(jì)量是BLUE(在解釋變量樣本值的條件下)。廣義最小二乘(GLS)估計(jì)量(GeneralizedLeastSquares(GLS)Estimator)：通過(guò)對(duì)原始模型的變換，說(shuō)明了已知結(jié)構(gòu)的誤差的方差(異方差性)和誤差中的序列相關(guān)形式或兩者兼有的估計(jì)量。擬合優(yōu)度度量(Goodness-of-FitMeasure)：概括一組解釋變量有多好地解釋了因變量或響應(yīng)變量的統(tǒng)計(jì)量。增長(zhǎng)率(Gro

18、wthRate)：時(shí)間序列中相對(duì)于前一時(shí)期的比例變化?？蓪⑺茷閷?duì)數(shù)差分或以百分比形式報(bào)導(dǎo)。H異方差性(Heteroskedasticity)：給定解釋變量，誤差項(xiàng)的方差不為常數(shù)。未知形式的異方差性(HeteroskedasticityofUnknownForm)：以一未知的任意形式依賴于解釋變量的異方差性。異方差穩(wěn)健F統(tǒng)計(jì)量(Heteroskedasticity-RobustFStatistic)：對(duì)未知形式的異方差性而言(漸近)穩(wěn)健的F統(tǒng)計(jì)量。異方差穩(wěn)健LM統(tǒng)計(jì)量(Heteroskedasticity-RobustLMStatistic)：對(duì)未知形式的異方差性而言(漸近)穩(wěn)健的LM統(tǒng)計(jì)量

19、。異方差穩(wěn)健標(biāo)準(zhǔn)誤(Heteroskedasticity-RobustStandardError)：對(duì)未知形式的異方差性而言(漸近)穩(wěn)健的標(biāo)準(zhǔn)誤。異方差穩(wěn)健t統(tǒng)計(jì)量(Heteroskedasticity-RobusttStatistic)：對(duì)未知形式的異方差性而言(漸近)穩(wěn)健的t統(tǒng)計(jì)量。高持續(xù)性過(guò)程(HighlyPersistentProcess)：時(shí)間序列過(guò)程，其中遙遠(yuǎn)的將來(lái)的結(jié)果與當(dāng)前的結(jié)果高度相關(guān)。同方差性(Homoskedasticity)：回歸模型中的誤差在解釋變量條件下具有不變的方差。I即期彈性(ImpactElasticity)：在分布滯后模型中，給定自變量增加1%因變量的即時(shí)的

20、百分比變化。即期乘數(shù)(ImpactMultiplier)：見(jiàn)即期傾向。即期傾向(ImpactPropensity)：在分布滯后模型中，自變量增加一個(gè)單位因變量的即時(shí)的變化。包含一個(gè)無(wú)關(guān)變量(InclusionofanIrrelevantVariable)：用OLS估計(jì)方程時(shí)，回歸模型中包含了總體參數(shù)為零的解釋變量。指數(shù)(IndexNumber)：關(guān)于經(jīng)濟(jì)行為(例如生產(chǎn)或價(jià)格)總量信息的統(tǒng)計(jì)量。影響重大的觀測(cè)值(In?uentialObservations)：見(jiàn)奇異值。INTRODUCTORYECONOMETRICS一階自積I(1)(IntegratedofOrderOneI(1)：需要做一階差

21、分來(lái)得到I(0)過(guò)程的時(shí)間序列過(guò)程。零階自積I(0)(IntegratedofOrderZeroI(0)：平穩(wěn)、弱獨(dú)立時(shí)間序列過(guò)程，當(dāng)用于回歸分析時(shí)，它滿足大數(shù)定律和中心極限定理。交互作用(InteractionEffect)：回歸模型中為兩個(gè)解釋變量的乘積的自變量。截距參數(shù)(InterceptParameter)：復(fù)線性回歸模型中，給出當(dāng)所有自變量都為零時(shí)因變量的期望值的參數(shù)。截距的變動(dòng)(InterceptShift)：回歸模型中的截距，因組或時(shí)期的不同而不同。J聯(lián)合假設(shè)檢驗(yàn)(JointHypothesisTest)：一個(gè)模型中包含不止一個(gè)對(duì)參數(shù)的約束的檢驗(yàn)。聯(lián)合統(tǒng)計(jì)顯著性(JointlyS

22、tatisticallySigni?cant)：兩個(gè)或多個(gè)解釋變量具有零總體系數(shù)的虛擬假設(shè)以一個(gè)選定的顯著性水平被拒絕。L滯后分布(LagDistribution)：在無(wú)限或有限分布滯后模型中，把滯后系數(shù)表示為滯后長(zhǎng)度的函數(shù)。滯后因變量(LaggedDependentVariable)：等于以前時(shí)期的因變量的解釋變量。拉格朗日乘數(shù)統(tǒng)計(jì)量(LagrangeMultiplierStatistic)：僅在大樣本下為正確的檢驗(yàn)統(tǒng)計(jì)量，它可用于在不同的模型設(shè)定問(wèn)題中檢驗(yàn)遺漏變量、異方差性和序列相關(guān)。大樣本性質(zhì)(LargeSampleProperties)：見(jiàn)漸近性質(zhì)。水平值水平值模型(Level-Lev

23、elModel)：因變量與自變量均為標(biāo)準(zhǔn)(或原始)形式的回歸模型。水平值對(duì)數(shù)模型(Level-LogModel)：因變量為標(biāo)準(zhǔn)形式、自變量(至少是其中一部分)為對(duì)數(shù)形式的回歸模型。線性概率模型(LPM)(LinearProbabilityModel,LPM)：響應(yīng)概率對(duì)參數(shù)為線性的二值響應(yīng)模型。線性時(shí)間趨勢(shì)(LinearTimeTrend)：為時(shí)間的線性函數(shù)的趨勢(shì)。線性無(wú)偏估計(jì)量(LinearUnbiasedEstimator)：在多元回歸分析中，是因變量值的一個(gè)線性函數(shù)的那些無(wú)偏估計(jì)量。對(duì)數(shù)水平值模型(Log-LevelModel)：因變量以對(duì)數(shù)形式出現(xiàn)，而自變量是水平(或原始)形式的一種回

24、歸模型。對(duì)數(shù)對(duì)數(shù)模型(Log-LogModel)：因變量和(至少一部分)解釋變量都是以對(duì)數(shù)形式出現(xiàn)的回歸模型。長(zhǎng)期彈性(Long-RunElasticity)：因變量和自變量都是對(duì)數(shù)形式出現(xiàn)的分布滯后模型中的長(zhǎng)期傾向。即，長(zhǎng)期彈性是在給定解釋變量增長(zhǎng)了1%時(shí)，被解釋變量最終變化的百分比。長(zhǎng)期乘數(shù)(Long-RunMultiplier)：參見(jiàn)長(zhǎng)期傾向。長(zhǎng)期傾向(Long-RunPropensity)：在一個(gè)分布滯后模型中，給定自變量的一個(gè)永久性的、一個(gè)單位的增長(zhǎng)，因變量最終的變化量。M配對(duì)樣本(MatchedPairsSample)：每個(gè)觀測(cè)值都與另一個(gè)觀測(cè)值相匹配的一種樣本，如由丈夫和妻子或一

25、對(duì)兄妹組成的樣本。測(cè)量誤差(MeasurementError)：觀測(cè)到的變量與多元回歸方程中的變量之間的差。微數(shù)缺測(cè)性(Micronumerosity)：由ArthurGoldberger首先提出的一個(gè)概念，用以描述容量樣本較小時(shí)計(jì)量經(jīng)濟(jì)學(xué)估計(jì)量的性質(zhì)。最小方差無(wú)偏估計(jì)量(MinimumVarianceUnbiasedEstimator)：在所有的無(wú)偏估計(jì)量中方差最小的那個(gè)估計(jì)量。數(shù)據(jù)缺失(MissingData)：當(dāng)我們沒(méi)有觀測(cè)到樣本中某些觀測(cè)(個(gè)人、城市、時(shí)期等)所對(duì)應(yīng)的一些變量值時(shí)，發(fā)生的一類數(shù)據(jù)問(wèn)題。一階移動(dòng)平均過(guò)程MA(1)(MovingAverageProcessofOrderOn

26、eMA(1)：是由某個(gè)隨機(jī)過(guò)程的當(dāng)期值與一期滯后的線性函數(shù)所產(chǎn)生的一種時(shí)間序列過(guò)程。這個(gè)隨機(jī)過(guò)程是0均值、固定方差和不相關(guān)的。多重共線性(Multicollinearity)：指多元回歸模型中自變量之間的相關(guān)性。當(dāng)某些相關(guān)性“很大”時(shí)，就會(huì)發(fā)生多重共線性，但對(duì)實(shí)際的大小尺度并沒(méi)有明確的規(guī)定。多重假設(shè)檢驗(yàn)(Multicollinearity)：涉及到參數(shù)的多個(gè)約束條件的虛擬假設(shè)檢驗(yàn)。多元線性回歸(MLR)模型(MultipleLinearRegression(MLR)Model)：對(duì)參數(shù)是線性的一類模型，其中的因變量是自變量的函數(shù)加上一個(gè)誤差項(xiàng)。多元回歸分析(MultipleRegression

27、Analysis)：在多元線性回歸模型中進(jìn)行估計(jì)和推斷的一類分析。多重約束(MultipleRestrictions)：計(jì)量經(jīng)濟(jì)學(xué)模型中對(duì)參數(shù)的多于一個(gè)的約束條件。乘數(shù)測(cè)量誤差(MultiplicativeMeasurementError)：觀測(cè)到的變量等于實(shí)際的觀測(cè)不到的變量與一個(gè)正的測(cè)量誤差的乘積時(shí)出現(xiàn)的一種測(cè)量誤差。Nn-R-平方統(tǒng)計(jì)量(n-R-SquaredStatistic):參見(jiàn)拉格朗日乘數(shù)統(tǒng)計(jì)量。名義變量(NominalVariable)：用名義或當(dāng)前美元數(shù)表示的變量。非實(shí)驗(yàn)數(shù)據(jù)(NonexperimentalData)：不是通過(guò)人為控制下的實(shí)驗(yàn)得到的數(shù)據(jù)。非嵌套模型(Nonne

28、stedModels)：沒(méi)有一個(gè)模型可以通過(guò)對(duì)參數(shù)施加限制條件而被表示成另一個(gè)模型的特例的兩個(gè)(或更多)模型。非平穩(wěn)過(guò)程(NonstationaryProcess)：聯(lián)合分布在不同的時(shí)期不是恒定不變的一種時(shí)間序列過(guò)程。正態(tài)性假定(NormalityAssumption)：經(jīng)典線性模型假定之一。它是指以解釋變量為條件的誤差(或因變量)有正態(tài)分布。虛擬假設(shè)(NullHypothesis)：在經(jīng)典假設(shè)檢驗(yàn)中，我們把這個(gè)假設(shè)當(dāng)作真的，要求數(shù)據(jù)能夠提供足夠的證據(jù)才能否定它。分子自由度(NumeratorDegreesofFreedom)：在F檢驗(yàn)中，所檢驗(yàn)的約束條件的個(gè)數(shù)。O可觀測(cè)數(shù)據(jù)(Observat

29、ionalData)：參見(jiàn)非實(shí)驗(yàn)數(shù)據(jù)。OLS(OLS)：參見(jiàn)普通最小二乘法。OLS截距估計(jì)值(OLSInterceptEstimate)：OLS回歸線的截距。OLS回歸線(OLSRegressionLine)：表示了因變量的預(yù)報(bào)值與自變量的值之間關(guān)系的方程，它的參數(shù)是用OLS估計(jì)出來(lái)的。OLS斜率估計(jì)值(OLSSlopeEstimate)：OLS回歸線的斜率。遺漏變量偏誤(OmittedVariableBias)：回歸中遺漏了有關(guān)變量而產(chǎn)生的OLS估計(jì)量的偏誤。單側(cè)對(duì)立假設(shè)(One-SidedAlternative)：被表述為參數(shù)大于(或小于)虛擬條件下的假設(shè)值的一種對(duì)立假設(shè)。單尾檢驗(yàn)(One

30、-TailedTest)：與單側(cè)對(duì)立假設(shè)相對(duì)的假設(shè)檢驗(yàn)。序數(shù)變量(OrdinalVariable)：通過(guò)排列順序傳達(dá)信息的一種數(shù)據(jù)，它們的大小本身并不說(shuō)明任何問(wèn)題。普通最小二乘法(OLS)(OrdinaryLeastSquares,OLS)：用來(lái)估計(jì)多元線性回歸模型中的參數(shù)的一種方法。最小二乘估計(jì)值通過(guò)最小化殘差的平方和得到。INTRODUCTORYECONOMETRICS異常數(shù)據(jù)(Outliers)：在數(shù)據(jù)集中，與大量其他數(shù)據(jù)有明顯區(qū)別的觀測(cè)值。這種現(xiàn)象可能是由于誤差造成的，也可能是因?yàn)樗鼈兪怯膳c多數(shù)其他數(shù)據(jù)不同的模型產(chǎn)生而造成的。整體顯著性(OverallSigni?canceofaReg

31、ression)：對(duì)多元回歸方程中所有的解釋變量所做的一種聯(lián)合顯著性檢驗(yàn)。模型的過(guò)度識(shí)別(OverspecifyingaModel)：參見(jiàn)含有一個(gè)無(wú)關(guān)變量。Pp值(p-value)：指能夠拒絕虛擬假設(shè)的最低顯著性水平。等價(jià)的，它也指虛擬假設(shè)不被拒絕的最大顯著性水平。綜列數(shù)據(jù)(PanelData)：在不同時(shí)期，橫截面的不斷反復(fù)得到的數(shù)據(jù)集。在平衡的綜列中，同樣的單位在每個(gè)時(shí)期都出現(xiàn)。在不平衡的綜列中，有些單位往往由于衰減現(xiàn)象而不會(huì)在每個(gè)時(shí)期都出現(xiàn)。偏效應(yīng)(PartialEffect)：回歸模型中的其他因素保持不變時(shí)，某個(gè)解釋變量對(duì)因變量的影響。完全共線性(PerfectCollinearity)

32、：在多元回歸中，一個(gè)自變量是一個(gè)或多個(gè)其他自變量的線性函數(shù)。變量缺失問(wèn)題的插入解(Plug-InSolutiontotheOmittedVariablesProblem)：在OLS回歸中，用一個(gè)代理變量代替觀測(cè)不到的缺失變量。政策分析(PolicyAnalysis)：用計(jì)量經(jīng)濟(jì)學(xué)模型來(lái)評(píng)估某項(xiàng)政策的效果的一種實(shí)證分析。混合橫截面(PooledCrossSection)：通常在不同時(shí)點(diǎn)收集到的相互獨(dú)立的橫截面組合而成的一個(gè)單獨(dú)的數(shù)據(jù)集?？傮w(Population)：作為統(tǒng)計(jì)或計(jì)量經(jīng)濟(jì)分析對(duì)象的一個(gè)明確定義的組群(人、公司、城市等)。總體模型(PopulationModel)：一種描述了總體特征的

33、模型，特別是多元線性回歸模型?？傮wR平方(PopulationR-Squared)：總體中，由解釋變量解釋了的那部分因變量的變異?？傮w回歸函數(shù)(PopulationRegression)：參見(jiàn)條件期望。實(shí)際顯著性(PracticalSigni?cance)：相對(duì)于統(tǒng)計(jì)顯著性而言的、某個(gè)估計(jì)值的實(shí)際的或經(jīng)濟(jì)的重要性，用它的符號(hào)和大小來(lái)衡量。普萊斯溫斯登(PW)估計(jì)(Prais-Winsten(PW)Estimation)：一種用來(lái)估計(jì)有AR(1)誤差和嚴(yán)格外生解釋變量的多元線性回歸模型的方法；不同于科克倫-奧克特方法，它在估計(jì)中要用到第一個(gè)時(shí)期的方程。前定變量(PredeterminedVari

34、able)：在聯(lián)立方程模型中的滯后的內(nèi)生變量或滯后的外生變量。被預(yù)測(cè)變量(PredictedVariable)：參見(jiàn)因變量。預(yù)報(bào)(Prediction)：把特定的解釋變量的值代入所估計(jì)的模型，通常是多元回歸模型中，以得到結(jié)果的一個(gè)估計(jì)值。預(yù)測(cè)誤差(PredictionError)：實(shí)際結(jié)果與所預(yù)報(bào)的結(jié)果之間的差。預(yù)測(cè)區(qū)間(PredictionInterval)：多元回歸模型中，某個(gè)因變量的未知結(jié)果的一個(gè)置信區(qū)間。預(yù)測(cè)變量(PredictorVariable)：參見(jiàn)解釋變量。項(xiàng)目評(píng)估(ProgramEvaluation)：用計(jì)量經(jīng)濟(jì)學(xué)方法求出某個(gè)私人或公共項(xiàng)目的不確定影響的一種評(píng)估方法。代理變量

35、(ProxyVariable)：多元回歸分析中，一個(gè)與觀測(cè)不到的解釋變量有關(guān)系但又不相同的可觀測(cè)變量。Q二次函數(shù)(Quadratics)：包含一個(gè)或多個(gè)解釋變量的平方的函數(shù)，它反映了解釋變量對(duì)因變量的逐漸變?nèi)趸蛟鰪?qiáng)的影響。定性變量(QualitativeVariable)：描述一個(gè)人、企業(yè)及城市等的非定量特征的變量。擬差分?jǐn)?shù)據(jù)(Quasi-DifferencedData)：在估計(jì)有AR(1)的序列相關(guān)的回歸模型時(shí)，當(dāng)期數(shù)據(jù)與前一期數(shù)據(jù)乘以AR(1)模型的參數(shù)后得到的數(shù)據(jù)之間的差。R平方(R-BarSquared)：參見(jiàn)校正的R2。R2(R-Squared)：在多元回歸模型中，由自變量解釋了的那

36、部分因變量的樣本方差之和。R2形式的F統(tǒng)計(jì)量(R-SquaredFormoftheFStatistic)：用受約束和不受約束的模型中得到的由R2-表示的、用于檢驗(yàn)排除約束條件的F統(tǒng)計(jì)量。隨機(jī)抽樣(RandomSampling)：在總體中隨機(jī)抽取觀測(cè)值的一種抽樣方法。各個(gè)單位被抽取的可能性是相同的，而且每次抽樣都與其他次相互獨(dú)立。隨機(jī)游走(RandomWalk)：在這樣一種時(shí)間序列中，下個(gè)時(shí)期的值等于本期值加上一個(gè)獨(dú)立的(或至少是不相關(guān)的)誤差項(xiàng)。有漂移的隨機(jī)游走(RandomWalkwithDrift)：每個(gè)時(shí)期都加進(jìn)一個(gè)常數(shù)(或漂移)的隨機(jī)游走。實(shí)際變量(RealVariable)：用基期貨

37、幣價(jià)值表示的變量。回歸子(Regressand)：參見(jiàn)因變量。回歸誤差設(shè)定檢驗(yàn)(RESET)(RegressionSpeci?cationErrorTest,RESET)：在多元回歸模型中，檢驗(yàn)函數(shù)形式的一般性方法。它是一種由最初的OLS估計(jì)得出的擬合值的平方、三次方以及可能更高次冪的聯(lián)合顯著性F檢驗(yàn)。過(guò)原點(diǎn)回歸(RegressionThroughtheOrigin)：截距被設(shè)為0的回歸分析，它的斜率通過(guò)最小化殘差的平方和求出?；貧w元(Regressor)：參見(jiàn)解釋變量。拒絕區(qū)域(RejectionRegion)：使得虛擬假設(shè)被拒絕的一組檢驗(yàn)統(tǒng)計(jì)量的值。拒絕法則(RejectionRule)：

38、在假設(shè)檢驗(yàn)中，決定在什么情況下拒絕虛擬假設(shè)并支持對(duì)立假設(shè)的法則。殘差(Residual)：實(shí)際值與擬合(或預(yù)報(bào))值之間的差。樣本中的每次觀測(cè)都有一個(gè)相應(yīng)的殘差，它們被用來(lái)計(jì)算OLS回歸線。殘差分析(ResidualAnalysis)：在估計(jì)多元回歸模型后，對(duì)某次特定觀測(cè)的殘差的符號(hào)和大小所作的研究。殘差平方和(ResidualSumofSquares)：參見(jiàn)殘差的平方和。響應(yīng)概率(ResponseProbability)：在二值響應(yīng)模型中，以解釋變量為條件的因變量取值為1的概率。響應(yīng)變量(ResponseVariable)：參見(jiàn)因變量。受約束的模型(RestrictedModel)：在假設(shè)檢驗(yàn)

39、中，施加所有虛擬假設(shè)所要求的約束條件后得到的模型。均方根誤(RMSE)(RootMeanSquaredError,RMSE)：多元回歸分析中回歸標(biāo)準(zhǔn)誤的另一個(gè)名稱(僅當(dāng)期望值等于實(shí)測(cè)值譯者)。S樣本回歸函數(shù)(SampleRegression)：參見(jiàn)OLS回歸線。得分統(tǒng)計(jì)量(ScoreStatistic)：參見(jiàn)拉格朗日乘數(shù)統(tǒng)計(jì)量。季節(jié)性虛擬變量(SeasonalDummyVariables)：一組用來(lái)表示季節(jié)或月份的虛擬變量。季節(jié)性(Seasonality)：月度或季度時(shí)間序列具有的均值隨著一年中季節(jié)的不同而系統(tǒng)性變化的特點(diǎn)。季節(jié)性調(diào)整(SeasonallyAdjusted)：用某種統(tǒng)計(jì)程序，可

40、能是對(duì)季節(jié)性虛擬變量做回歸，來(lái)消除月度或季度時(shí)間序列中的季節(jié)性成分。半彈性(Semi-Elasticity)：自變量的一個(gè)單位的增長(zhǎng)導(dǎo)致的因變量的變化的百分比。序列相關(guān)(SerialCorrelation)：在時(shí)間序列或綜列數(shù)據(jù)模型中，不同時(shí)期的誤差之間的相關(guān)性。INTRODUCTORYECONOMETRICS序列相關(guān)穩(wěn)健標(biāo)準(zhǔn)誤(SerialCorrelation-RobustStandardError)：不管模型中的誤差是否與序列相關(guān)，都(漸近)生效的估計(jì)量的標(biāo)準(zhǔn)誤。序列不相關(guān)(SeriallyUncorrelated)：在時(shí)間序列或綜列數(shù)據(jù)模型中，不同時(shí)間的誤差兩兩之間不相關(guān)。短期彈性(S

41、hort-RunElasticity)：因變量和自變量都以對(duì)數(shù)形式出現(xiàn)的分布滯后模型中的即期傾向。顯著性水平(Signi?canceLevel)：假設(shè)檢驗(yàn)中發(fā)生第I類錯(cuò)誤的概率。簡(jiǎn)單線性回歸模型(SimpleLinearRegressionModel)：因變量只是一個(gè)自變量和一個(gè)誤差項(xiàng)的線性函數(shù)的模型。斜率參數(shù)(SlopeParameter)：多元回歸模型中的自變量的系數(shù)。謬誤相關(guān)(SpuriousCorrelation)：不是因?yàn)槎哂幸蚬P(guān)系，可能是因?yàn)樗鼈兌际芰硪粋€(gè)觀測(cè)不到的因素影響，所導(dǎo)致的兩個(gè)變量之間的相關(guān)性。謬誤回歸問(wèn)題(SpuriousRegressionProblem)：如果回

42、歸分析表明兩個(gè)或多個(gè)無(wú)關(guān)時(shí)間序列具有一定關(guān)系，而其原因僅僅因?yàn)樗鼈兠總€(gè)都有趨勢(shì)或都是自積時(shí)間序列(如隨機(jī)游走)，或上面兩種情況同時(shí)出現(xiàn)，這種問(wèn)題就是謬誤回歸問(wèn)題。穩(wěn)定的AR(1)過(guò)程(StableAR(1)Process)：滯后變量的系數(shù)絕對(duì)值小于1時(shí)的AR(1)過(guò)程。序列中的兩個(gè)隨機(jī)變量的相關(guān)性，隨著它們之間的時(shí)間間隔不斷增大，以幾何級(jí)數(shù)趨近于0。31的標(biāo)準(zhǔn)誤(StandardErrorof31)：31抽樣分布的標(biāo)準(zhǔn)差的估計(jì)值。31的標(biāo)準(zhǔn)差(StandardDeviationof31)：衡量31抽樣分布的分散程度的常用指標(biāo)。估計(jì)值的標(biāo)準(zhǔn)誤(StandardErroroftheEstimate

43、)：參見(jiàn)回歸的標(biāo)準(zhǔn)誤。回歸的標(biāo)準(zhǔn)誤(SER)(StandardErroroftheRegression,SER)：多元回歸分析中的總體誤差的標(biāo)準(zhǔn)差的估計(jì)值。等于殘差平方和的平方根除以自由度。標(biāo)準(zhǔn)化系數(shù)(StandardizedCoef?cients)：一種回歸系數(shù)，它度量了自變量增加一個(gè)標(biāo)準(zhǔn)差時(shí)，因變量的改變是其標(biāo)準(zhǔn)差的倍數(shù)。靜態(tài)模型(StaticModel)：只有當(dāng)期的解釋變量影響因變量的一種時(shí)間序列模型。平穩(wěn)過(guò)程(StationaryProcess)：邊際和所有的聯(lián)合分布都不隨時(shí)間變化的一種時(shí)間序列過(guò)程。統(tǒng)計(jì)上不顯著(StatisticallyInsigni?cant)：在選定的顯著性水平上，無(wú)法拒絕總體參數(shù)等于0的虛擬假設(shè)。統(tǒng)計(jì)上顯著(StatisticallySignificant)：在選定的顯著性水平上，相對(duì)于特定的對(duì)立假設(shè)，拒絕總體參數(shù)等于0的虛擬假設(shè)。隨機(jī)過(guò)程(StochasticProcess)：標(biāo)注了時(shí)間的一系列隨機(jī)變量。嚴(yán)格外生的(StrictExogeneity)：時(shí)間序列或綜列數(shù)據(jù)模型中的解釋變量的一個(gè)特點(diǎn)，以所有時(shí)期的解釋變量為條件的、任何時(shí)期的誤差項(xiàng)都是有0均值。更寬松的一種說(shuō)法是用相關(guān)性為0來(lái)表述的。強(qiáng)相依(StronglyDependent)：參見(jiàn)高度持續(xù)過(guò)程。殘差平方和(SumofSq