計量經濟學重要名詞解釋精選

1、計量經濟學一一名詞解釋計量經濟模型(Econometric Model )|:將因變量與一組解釋變量和未觀測到的擾動聯(lián)系起來的方程，方 程中未知的總體參數(shù)決定了各解釋變量在其他條件不變下的效應。與經濟分析不同，在進行計量經濟分析之前，要明確變量之間的函數(shù)形式。經驗分析(Empirical Analysis ):在規(guī)范的計量分析中，用數(shù)據(jù)檢驗理論、估計關系式或評價政策有效性 的研究。誤設分析(Misspecification analysis ):確定遺漏變量、測量誤差、聯(lián)立性或其他某種模型誤設所導致的 可能偏誤的過程線性概率模型(LPM ) ( Linear Probability Model

2、, LPM ):響應概率對參數(shù)為線性的二值響應模型。靜態(tài)模型(Static Model ):只有當期的解釋變量影響因變量的一種時間序列模型。非嵌套模型(Nonnested Models):沒有一個模型可以通過對參數(shù)施加限制條件而被表示成另一個模型 的特例的兩個(或更多)模型。有限分布滯后(FDL )模型(Finite Distributed Lag (FDL) Model ):允許一個或多個解釋變量對因變 量有滯后效應的動態(tài)模型。布羅施-戈弗雷檢驗(Breusch-Godfrey Test ):漸近正確的AR (p)序列相關檢驗，以 AR (1)最為流行; 該檢驗考慮到滯后因變量和其他不是嚴格

3、外生的回歸元。布羅施-帕甘檢驗(Breusch-Pagan Test) / (BP Test):將OLS殘差的平方對模型中的解釋變量做回歸的 異方差性檢驗。戴維森一麥金農檢驗(Davidson-MacKinnon Test)DM :若一個模型正確，則另一個非嵌套模型得到的擬合值在該模型是不顯著的。因此，這是相對于非嵌套對立假設而對一個模型的檢驗。在模型中包含對立模型的擬合值，并使用對擬合值的t檢驗來實現(xiàn)?；貧w誤差設定檢驗(RESET) ( Regression Specification Error Test, RESET )：在多元回歸模型中，檢驗 函數(shù)形式的一般性方法。它是對原OLS估計擬

4、合值的平方、三次方以及可能更高次哥的聯(lián)合顯著性的F檢驗。懷特檢驗(White Test):異方差的一種檢驗方法，涉及到做OLS殘差的平方對 OLS擬合值和擬合值的平方的回歸。這種檢驗方法的最一般的形式是，將 OLS殘差的平方對解釋變量、解釋變量的平方和解釋變 量之間所有非多余的交互項進行回歸。鄒至莊統(tǒng)計量(Chow statistic ):檢驗不同組或不同時期的回歸函數(shù)上差別的F檢驗。德賓一沃森(DW)統(tǒng)計量(Durbin-Watson (DW) Statistic ):在經典線性回歸假設下，用于檢驗時間序 列回歸模型之誤差項中的一階序列相關的統(tǒng)計量。廣義最小二乘(GLS) 估計量(Gener

5、alized Least Squares (GLS) Estimator )： 通過對原始模型的變換， 解釋了誤差方差的方差已知結構(異方差性)、誤差中的序列相關形式或同時解釋二者的估計量。拉格朗日乘數(shù)統(tǒng)計量(Lagrange Multiplier Statistic ):僅在大樣本下為確當?shù)臋z驗統(tǒng)計量，它可用于 在不同的模型設定問題中檢驗遺漏變量、異方差性和序列相關和不同模型的設定問題。加權最小二乘(WLS )估計量(Weighted Least Squares (WLS) Estimator )：用來對某種已知形式的 異方差進行調整的估計量。其中，每個殘差的平方都用一個等于誤差的(估計的)

6、方差的倒數(shù)作為權數(shù)。最優(yōu)線性無偏估計量(Best Linear Unbiased Estimator, BLUE )： 在所有線性、無偏估計量中，有最小方差的估計量。在高斯一馬爾科夫假定下，OLS估計量是以解釋變量1本值為條件的BLUE 。橫截面數(shù)據(jù)集(Cross-Sectional Data Set ):在給定時點上從總體中抽取的數(shù)據(jù)集 word.面板數(shù)據(jù)(Panel Data)：通過不同時期，對橫截面重復觀測而得到的數(shù)據(jù)集。在平衡的面板中，同樣的單位在每個時期都出現(xiàn)。在不平衡的面板中,有些單位往往由自然損耗而不會在每個時期都出現(xiàn)。混合橫截面(Pooled Cross Section):通常

7、在不同時點收集到的相互獨立的橫截面組合而成的一個單獨的數(shù)據(jù)時間序列數(shù)據(jù)(Time Series Data ):搜集到的一個或多個變量的不同時期數(shù)據(jù)。解釋平方和(SSE) ( Explained Sum of Squares ):多元回歸模型中度量擬合值的樣本變異?？偲椒胶?SST) (Total Sum of Square7:度量因變量相對于它的樣本均值的總樣本變異。殘差平方和(SST) (Residual Sum of Squares )|:多元回歸模型中，所觀測的OLS 殘差的平方和，度量了殘差的樣本波動?；貧w的標準誤(SER) (Standard Error of the Regress

8、ion, SER ):多元回歸分析中的總體誤差的標準 差的估計值。等于殘差平方和與自由度之商的平方根。種方法。最小二乘估計值是通過最小化殘差的平方和而得到。零條件均值假定(Zero Conditional Mean Assumption ):多元回歸分析中很關鍵的一個假定。它的含義是，給定解釋變量的任意值，誤差的期望值都等于0。經典變量誤差(Classical Errors-in-Variables, CEV:假定測量誤差與觀測的解釋變量無關，觀測結果等于實際變量加上一個獨立的或至少不相關的測量誤差的測量誤差模型。虛擬變量陷阱(Dummy Variable Trap )|:自變量中包含了過多的

9、虛擬變量造成的錯誤；當模型中既有整 體截距又對每一組都設有一個虛擬變量時，該陷阱就產生了。衰減偏誤(Attenuation Biask:總是朝向零的估計量偏誤，因而有衰減偏誤的估計量的期望值小于參數(shù)的 絕對值。多重共線性(Multicollinearity )| :指多元回歸模型中自變量之間由于存在精確相關關系或高度相關關系而 使模型估計失真或難以估計準確。當某些相關性“很大”時，就會發(fā)生多重共線性，但對實際的大小尺度并沒 有明確的規(guī)定。集，對橫截面分析為假定MLR.1至MLR.6 ,對時間序列分析為假定 TS.1至TS.6。假定包括對參數(shù)為線性、無完全共線性、零條件均值、同方差、無序列相關(

10、或隨機抽樣)和誤差正態(tài)性。高斯一馬爾科夫假定( Gauss-Markov Assumptions ): 一組假定(假定 MLR.1 至MLR.5 或假定TS.1至TS.5),使OLS 是BLUE。假定包括對參數(shù)為線性、無完全共線性、零條件均值、同方差、無序列相關(或隨 機抽樣)。弱相關(Weakly Dependent):在時間序列過程中，表示隨機變量在不同時期之間的相互依賴指標(比 如相關性)隨著時間間隔的增大而減小。如對于一個平穩(wěn)時間序列過程xt:t=1,2, /隨著時間間隔h的無限增大，隨機變量xt和xt+h近乎獨立序列相關(Serial Correlation )/自相關：在時間序列或

11、面板數(shù)據(jù)模型中，不同時期的誤差之間的相關性。一階移動平均過程MA (1) (Moving Average Process of Order One MA(1):作為一個零均值、 常方差和不相關隨機過程的當期值與一期滯后值的線性函數(shù)而生成的時間序列過程。一階自回歸過程AR (1) (Autoregressive Process of Order One AR(1): 一個時間序列模型，其 當前值線性依賴于最近的值加上一個無法預測的擾動。穩(wěn)定的AR (1)過程(Stable AR(1) Process)：滯后變量的系數(shù)絕對值小于 1時的AR (1)過程。序 列中的兩個隨機變量的相關性，隨著它們之間

12、的時間間隔不斷增大，以幾何級數(shù)趨近于0,則穩(wěn)定的AR (1)過程是弱相關的。高持續(xù)性過程(Highly Persistent Process ):時間序列過程，其中遙遠的將來的結果與當前的結果高度相關。word.協(xié)方差平穩(wěn)(Covariance Stationary ):時間序列過程，其均值、方差為常數(shù)，且序列中任意兩個隨機 變量之間的協(xié)方差僅與它們的間隔有關。平穩(wěn)隨機過程(Stationary Stochastic Process):邊際和所有的聯(lián)合分布都不隨時間變化的一種時間序 列過程。隨機游走(Random Walk )：在這樣一種時間序列中，下個時期的值等于本期值加上一個獨立的(或至少

13、是不相關的)誤差項。如 AR (1)的參數(shù)為1時，因果效應(Casual Effect )=一個變量在其他條件不變的情況下對另外一個變量產生的影響其他條件不變(Ceteris Paribus ):其他所有相關因素均保持固定不變。偏效應(Partial Effect )：回歸模型中的其他因素保持不變時，某個解釋變量對因變量的影響。長期彈性(Long-Run曰asticity ):因變量和自變量都以對數(shù)形式出現(xiàn)的分布滯后模型中的長期傾向。即，長期彈性是在給定解釋變量增長了1%時，被解釋變量最終變化的百分比。長期乘數(shù)(Long-Run Multiplier ) /長期傾向(Long-Run Prop

14、ensity ):在一個分布滯后模型中，給定 自變量永久性地增加一個單位，因變量最終的變化量。即期乘數(shù)(Impact Multiplier ) /即期傾向(Impact Propensity ):在分布滯后模型中,自變量增加一個 單位，因變量的即時的變化。零階單整I (0) (Integrated of Order Zero I(0): 一個平穩(wěn)而又弱相關的時間序列過程，當用于 回歸分析時，它滿足大數(shù)定律和中心極限定理。一階差分(First Difference ):通過對相鄰時期取差分而對時間序列進行的一種轉換，即用后一時期減 去前一時期。單位根過程(Unit Root Process):當

15、期值等于前一個時期的值加上一個弱相依的干擾項的一種高度持續(xù) 的時間序列過程。二值變量(Binary Variable ) /虛擬變量(Dummy Variable ) /0-1 變量(zero-one variable ):取值為 0 或 1的變量。代理變量(Proxy Variable ):在多元回歸分析中，一個與觀測不到的解釋變量有關系但又不相同的可觀測變鼠內生解釋變量(Endogenous Explanatory Variable ):在多元回歸模型中，由于遺漏變量、測量誤差或聯(lián) 立性的原因而與誤差項相關的解釋變量。外生解釋變量(Exogenous Explanatory Variabl

16、e ):與誤差項不相關的解釋變量。嚴格外生的(Strictly Exogenous ):時間序列或面板數(shù)據(jù)模型中的解釋變量的一個特點，以所有時期的解釋變量為條件的、任何時期的誤差項都是有0均值。同期同方差(Contemporaneously homoskedastic )：在時間序列或面板數(shù)據(jù)應用中，以相同時期的回歸元 為條件，誤差方差保持不變。R2 (R-Squared ) /判定系數(shù)(Coefficient of determination )： 在多元回歸模型中，因變量的總體樣本變異 中由自變量所解釋的比例。調整R2 (Adjusted R-Squared ):多元回歸分析中擬合優(yōu)度的度

17、量指標，在估計誤差的方差時用自由度的 調整來對額外添加解釋變量進行懲罰。自由度(df) ( Degrees of Freedom, df ):在多元回歸模型分析中，取值不受限制的變量個數(shù)，等于觀測值 的個數(shù)減去待估參數(shù)的個數(shù)。的標準差(Standard Deviation of ):衡量抽樣分布之分散程度的常用指標。置信區(qū)間(CI) (Confidence Interval, CI ):用于構造隨機區(qū)間的規(guī)則，使得在所有數(shù)據(jù)集中有某個百分 比(由置信水平決定)的數(shù)據(jù)集會給出包含總體值的區(qū)間。漸近正態(tài)性(Asymptotic Normality ):適當正態(tài)化后樣本分布收斂到標準正態(tài)分布的估計量

18、。漸近有效(Asymptotically Efficient ):服從漸近正態(tài)分布的一致性估計量中漸近方差最小的一個的估計量 便是漸近有效的。參數(shù)估計量的有效性|:它是否在所有線性無偏估計量中具有最小方差。估計量的期望方差越大說明用其估計值代表相應真值的有效性越差；否則越好，越有效。不同的估計量具有不同的方差， 方差最小說明最有效word.貝塔系數(shù)(Beta Coefficients ) /標準化系數(shù)(Standardized Coefficients )： 一種回歸系數(shù)，它度量了自變 量增加一個標準差時，因變量的改變是其標準差的倍數(shù)。函數(shù)形式誤設(Functional Form Misspe

19、cification ): 一個模型遺漏了解釋變量的函數(shù)(例如二次項) 或者錯誤地使用因變量或某些自變量的函數(shù)時產生的問題。交互作用(Interaction Effect ):在多元回歸中，一個解釋變量的偏效應取決于另一個不同解釋變量的值虛擬假設(Null Hypothesis ):在經典假設檢驗中，我們把這個假設當作真的，要求數(shù)據(jù)能夠提供足夠 的證據(jù)才能否定它。OLS回歸線(OLS Regression Line):將因變量的預測值與自變量的值相聯(lián)系的方程，其參數(shù)估計值 是通過OLS得到的。擬差分數(shù)據(jù)(Quasi-Differenced Data ):在估方t有AR (1)的序列相關的回歸模

20、型時，當期數(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。響應概率(Response Probability ):在二值響應模型中，以解釋變量為條件的因變量取值為1的概率。統(tǒng)計上顯著(Statistically Significance ):用一個檢驗統(tǒng)計量的大小度量的一個估計值的重要性。季節(jié)性調整(Seasonally Adjusted ):用某種統(tǒng)計程序，可能是對季節(jié)性虛擬變量做回歸，來消除月度或 季度時間序列中的季節(jié)性成分。滯后因變量(Lagged dependent variable7口等于以前時期因變量的解釋變量。過度控制(over controlling )：在一

21、個多元回歸模型中，包含了這樣的解釋變量：在研究一個或多個解釋變量的其他條件不變效應時，不應該保持他們不變；當變量本身就是回歸元中所包含的干預或政策結果時，便可能出現(xiàn)這種情況。預測誤差(prediction error )：實際結果與預測結果之差。預測區(qū)間(prediction interval )：多元回歸模型中，因變量的未知結果的一個置信區(qū)間。殘差分析(residual analysis )：在估計多元回歸模型之后，研究某次特定觀測之殘差的符號和大小的一類 分析。截距的變化(intercept shift )：回歸模型中的截距，因組或時期的不同而不同。序數(shù)變量(ordinal variable )：通過排列順序傳達信息的一種數(shù)據(jù)，它們的大小本身并不說明任何問題。正確預測百分數(shù)(percent correctly predicted )：在二值響應模型中，預測的 0或1與實際結果相一致的 次數(shù)占總次數(shù)的百分數(shù)?？尚械腉LS (FGLS)估計量(Feasible GLS(FGLS) estimator )：方差或相關參數(shù)未知，因而必須先進行估計的GLS程序。也可參考廣義最小二乘估計量