計量經濟學 知識點及關鍵詞解釋 第1-9章 緒論-計量經濟學綜合實驗

計量經濟學知識點

第一章緒論

一、知識點列表

序號知識點頁碼教材章節(jié)

1計量經濟學的定義P11.1.1

2經典計量經濟學P2-P31.1.2

3現代計量經濟學P3-P81.1.2

4建立計量經濟學模型的主要步驟P81.1.3

5計最經濟學應用研究中的數據結構類型P91.1.4

6Stata軟件的基本操作P10-P181.3

二、關鍵詞

1、計量經濟學的定義

關鍵詞：計量經濟學

計量經濟學是誕生于20世紀30年代的經濟學的一個分支學科，是以揭示經濟活動

中客觀存在的數量關系為內容的分支學科；是經濟理論、統(tǒng)計學和數學的結合。計量經濟學

作為一種實證經濟研究方法，其核心問題就是如何實現經濟理論、數學和統(tǒng)計學的科學的結

合。

2、經典計量經濟學

關鍵詞：經典計量經濟學

經典計量經濟學是在20世紀30年代創(chuàng)立、40-50年代發(fā)展、60年代擴張。它倡導

“經濟理論、數學、統(tǒng)計學結合”的本質，具有堅實的概率論基礎，注重“利用現有的數據

資料以提取關于經濟如何運行的信息”，以及它遵循“關于經濟活動的觀察（即行為分析）

一關于經濟理論的抽象（即理論假說）一建立總體回歸模型一獲取樣本觀測數據一估計模型

一檢驗模型一應用模型”的研究步驟

3、現代計量經濟學

關鍵詞：現代計量經濟學

現代經濟計量經濟學是在經典計量經濟學長足發(fā)展上展開,其目的是如何在模型研究中

充分利用“現有的數據資料”，使其所揭示和描述的“經濟如何運行的信息”與現實的經濟

運行實際更加吻合。目前.現代計量經濟學正在快速發(fā)展，其主要研究分支有：時間月列計

量經濟學(TimeSeriesEconometrics)、微觀計量經濟學(Microeconometrics)、非參數計

量經濟學(NonparametricEconometrics)面板數據計量經濟學(PanelDataEconometrics)

(包括空間計量經濟學(SpatialEconometrics))o

4、計量經濟學應用研究中的數據結構類型

關鍵詞：橫截面數據

橫截面數據是對給定的某個時間點的個人、家庭、企業(yè)、城市、國家或者一系列其他單

位采集的樣本所構成的數據集。它的重要特征是數據假定是從總體中通過隨機抽樣而得到。

經典計量模型理論以該類數據為基礎。

關鍵詞：時間序列數據

時間序列數據是在不同時間點卜收集到的數據,反映了某一事物、現象等隨時間的變化

狀態(tài)或程度。并且時間序列獨有的特征是觀測值按時間先后排序使得其傳遞了潛在的重.要信

息。

關鍵詞：面板數據

面板數據是由數據集中每個橫截面單位的一個時間序列組成，面板數據前后年份的樣本

是相同的，具有可比性。面板數據對同一單位的多次觀測，使研究者能控制觀測單位的某些

觀測不到的特征。

第二章一元線性回歸模型

一、知識點列表

序號知識點頁碼教材章節(jié)

1回歸分析基本概念P12.1.1

2回歸模型的設定P1-P22.1.2

3一元線性回歸模型中對模型的假設P32.2.1

4一元線性回歸模型中對解釋變量的假設P32.2.1

5一元線性回歸模型中對隨機干擾項的假P3

2.2.1

設

6普通最小二乘法P3-P52.3.1

7最小二乘估計量的統(tǒng)計性質P5-P62.3.2

8一元線性回歸模型中的假設檢驗P62.4.1

9一元線性回歸模型中的回歸系數的顯著

P72.4.2

性檢驗

10一元線性回歸模型的Stata軟件操作P8-P172.5

二、關鍵詞

1、回歸分析基本概念

關鍵詞：回歸分析

在計量經濟學中，回歸分析方法是研究某一變量關于另一（些）變量間數量依賴關系的

一種方法，即通過后者觀測值或預設值來估計或預測前者的（總體）均值。問歸的主要作用

是用來描述自變量與因變量之間的數量關系，還能夠基于自變量的取值變化對因變量佗取值

變化講行預測，也能夠用來揭示自變量與因變量■之間的因果關系

關鍵詞：解釋變量、被解釋變量

影響被解稱變量的因素或因子記為解釋變量，結果變量被稱為被解釋變量。

2、回歸模型的設定

關鍵詞：隨機誤差項（隨機干擾項）

不包含在模型中的解釋變量和其他一些隨機因素對被解釋變量的總影響稱為隨機誤差

項。產生隨機誤差項的原因主要有：（1）變量選擇上的猊差；（2）模型設定上的誤差；（3）

樣本數據誤差；（4）其他原因造成的誤差。

關鍵詞：殘差項（residual）

通過樣本數據對回歸模型中參數估計后，得到樣本回歸模型。通過樣本回歸模型計算得

到的樣本估計值與樣本實際值之差，稱為殘差項。也可以認為殘差項是隨機誤差項的估計值。

3、一元線性回歸模型中對隨機干擾項的假設

關鍵詞：線性回歸模型經典假設

線性回歸模型經典假設有5個，分別為：（1）回歸模型的正確設立；（2）解釋變量是確

定性變量，并能夠從樣本中重復抽樣取得；（3）解釋變量的抽取隨著樣本容量的無限增加,

其樣本方差趨于非零有限常數；(4)給定被解釋變量，隨機誤差項具有零均值，同方差和無

序列相關性。(5)隨機誤差項服從零均值、同方差的正態(tài)分布。前四個假設也稱為高斯馬爾

科夫假設。

4、最小二乘估計量的統(tǒng)計性質

關鍵詞：普通最小二乘法(OrdinaryLeastSquares,OLS)

普通最小二乘法是通過構造合適的樣本回歸函數，從而使得樣本回歸線上的點與真實

的樣本觀測值點的“總體誤差”最小，即：被解釋變量的估計值與實際觀測值之差的平方和

最小。

n9n「

(匕一(y.-p(}-曝了

i=l/=!/=1

關鍵詞：無偏性

由于未知參數的估計量是一個隨機變量，對于不同的樣本有不同的估計量。這些估計量

對于參數的真實取值，一般都會有偏差，要求不出現偏差幾乎是不可能的。但是，如果在多

次試驗中所取得的估計量的平均值與參數的真實值相吻合，稱為估計量的無偏性。即滿足:

￡(%)=凡

關鍵詞：有效性

在運用OLS法進行回歸系數估計的時候，其系數估計的方差在線性無偏估計類中方差

達到最小。

關鍵詞：一致性

回歸系數的最小二乘估計依概率收斂到實際參數值

5、一元線性回歸模型中的假設檢驗

關鍵詞：顯著性檢驗

顯著性檢驗是一種利用樣本結果來證實一個虛擬假設真?zhèn)蔚臋z驗程序。它的基本思想是

先對總體參數提出一個假設，然后利用樣本信息來判斷這一假設是否成立。它通過數據來確

認原假設的合理性，一般總是將期望結果的反面作為原假設，即原假設確定了一個與我們期

望不符的參數值。其原理是概率性質的反證法，小概率事件原理，即小概率事件在1次試驗

中幾乎是不可能發(fā)生。

第三章多元線性回歸模型

一、知識點列表

序號知識點頁碼教材章節(jié)

1多元線性回歸模型設定的必要性P13.1

2多元線性回歸模型的代數和矩陣表示形P1-P3

3.1

式

3多元線性回歸模型的參數估計和系數解P2-P3

3.2

釋

4多元線性回歸模型的基本假設P3-P53.3

5多元線性回歸模型的遺漏變量偏誤性P53.4.2

6多元線性回歸模型的擬合優(yōu)度檢驗P5-P63.4.3

7多元線性回歸模型變量系數的顯著性檢

P73.5.1

驗（t統(tǒng)計量）

8多元線性1口1歸模型參數線性組合的檢驗

P9-P123.5.2-3.5.3

（F統(tǒng)計量）

9多元線性回歸模型整體顯著性檢驗（F統(tǒng)

P133.5.4

計量）

二、關鍵詞

1、多元線性回歸模型的代數和矩陣表示形式

關鍵詞：多元線性總體回歸模型

多元線性總體回歸模型是指被解釋變量了與多個解釋變量不,馬，…,Z之間具有線性

關系，是解群變量的多元線性函數。可以表達為：

￡二4)+A內i+A/i+L尸d#4(i=l,2,3,L,〃)

多元線性回歸模型相對于一元線性回歸模型來說，其解釋變量較多，因而計算公式比較

復雜。必要時需要借助計算機來進行。

2、多元線性回歸模型的基本假設

關鍵詞：線性于參數

總體I可歸模型是關于參數是線性的，因此稱其為線性于參數。

關鍵詞：完全共線性

在樣本中，沒有一個自變量是常數,白變量方間也不存在嚴格(完全)的線性關系“如

果方程中有一個自變量是其他自變量的線性組合，那么我們說這個模型遇到了完全共線性問

題。

關鍵詞：零條件數學期望

給定解釋變量的任何值，誤差的期望值為零，即：磯〃|西,々1,王)二0。

關鍵詞：內生解釋變量和外生解釋變量

如果解釋變量滿足零條件數學期望，則稱該自編為內生解釋變量；反之，則為外生解釋

變量。

關鍵詞：同方差

對于解釋變量的所有觀測值，隨機誤差項有相同的方差，

即：Var(u.)=￡(?/)=<^2,(z=1,2,3,L,n)

關鍵詞：無序列相關性

隨機誤差項兩兩不相關。即Cov(Ui，u)=E(%,%)=0,(/*jJJ=1,2,3,L,〃)

關鍵詞：最優(yōu)線性無偏估計量

滿足以下假設條件的OLS估計量稱為最優(yōu)線性無偏右計量：（1）線性與參數；（2）X固

定；（3）X有變異；（4）不存在完全共線性；（5）零條步數學期望；（6）同方差；（7）無序

列相關性。

關鍵詞：經典正態(tài)線性回歸模型

如果回歸模型的OLS估計量為最優(yōu)線性無偏估計量，并且隨機誤差項〃服從均值為零,

方差為5的正態(tài)分布，則稱該線性回歸模型為經典正態(tài)線性回歸模型。

3、多元線性回歸模型的遺漏變量偏差性

關鍵詞：遺漏變量偏差

遺漏變量導致的OLS估計量的偏差被稱為遺漏變量偏差。遺漏變量必須滿足以下兩個

條件：（1）是被解釋變量的一個決定因素；（2）與其他解釋變量相關。

4、多元線性回歸模型的擬合優(yōu)度檢驗

關鍵詞：擬合度

擬合優(yōu)度是指樣本In歸直線對觀測數據擬合的優(yōu)劣程度。我們所希望的就是圍繞回歸

直線的剩余盡可能的小。樣本觀測值距離回歸線越近，擬合優(yōu)度越好，解釋變量對被解釋變

量的解釋能力也就越強。

關鍵詞：總離差平方和（TotalSumofSquares）

總離差和反映了模型中樣本觀測值總體離差的大小。記為：

關鍵詞：殘差平方和（ResidualSumofSquares）

殘差平方和反映樣本觀測值與估計值偏離的大小，也可以看作是模型中解釋變量未解釋

的那部分離差的大小.記為：

Z￥=Z（Z-9）2=ESS

關鍵詞：回歸平方和（ExplainedSumofSquares）

回歸平方和反映模型中解釋變量所解釋的那部分離差的大小。記為：

TSS=RSS+ESS

關鍵詞：*(R-squared)

R?有時稱為判定系數，可以用來解釋波動于總波動之比，因此被解釋成為y的樣本波

動中被x解釋的部分。記為：

SSESSR

Ro2—........=1t--------

SSTSST

5、多元線性回歸模型變量系數的顯著性檢驗（t統(tǒng)計量）

關鍵詞：自由度

自由度指的是計算某一統(tǒng)計量時，取值不受限制的變量個數。通常左。其中n

為樣本數量，k為被限制的條件數或變量個數，或計算某一統(tǒng)計量時用到其它獨立統(tǒng)計量的

個數。

關鍵詞：標準誤

標準誤是在給定樣本大小下（里面有多少個觀測值），樣本的某個統(tǒng)計量的抽樣分布的

標準差。

第四章回歸分析專題

一、知識點列表

序號知識點頁碼教材章節(jié)

1對數-對數模型P14.4.1

2對數-線性模型P14.1.2

3線性-對數模型P24.1.3

4倒數模型P24.2.1

5多項式回歸模型P24.2.2

6無截距模型P24.2.3

7虛擬變量回歸P34.4

8各種模型的Stata應用P4-P104.5

9分位數回歸的提出背景P114.6.1

10分位數回歸原理、估計方法及擴展P12-P134.6.2

11分位數回歸的假設檢驗（擬合優(yōu)度檢驗、

約束回歸檢驗、斜率相等檢驗和斜率對稱P15-P164.6.3

性檢驗）

12貝葉斯估計的相關基本概念P18-P194.7.1

13線性單方程計量經濟學模型的貝葉斯估

P19-P234.7.2

計

二、關鍵詞

1、對數-對數模型

關鍵詞：對數-對數模型

對數-時數模型旨在將非線性形式變量轉換為簡單變量。

記為：Iny=PxInx,+Inx24-InA+Inu

4度最了y對*的彈性，即y的單位變動引起再單位變動的百分比，因此我們也稱對

數-對數模型為常彈性模型

2、對數-線性模型

關鍵詞：對數-線性模型

研究者時常對某一經濟變量的增長率感興趣，而對數-線性模型可以符合他們的使用需

求。記為：lny=a+/x+〃。被

解釋變量是對數形式，解釋變量是水平值，該模型也稱為半對數模型。在此模型中，p

表示的火?單位變動引起y相對量的平均增量，即），變動100/7%。正因對數一線性模型具備

度量變量增長率的特性，故此模型亦稱增長率模型。

3、倒數模型

關鍵詞：倒數模型

通常把如下形式的模型稱為倒數模型：匕=6+四,+4。倒數模型的一個顯著特征

Xi

是，隨著X的無限增大，,趨于零，y將逐漸接近4的漸進值或極值。所以，當變量X無

X

限增大時，倒數回歸模型將逐漸趨于漸近值或極值。

4.多項式回歸模型

關鍵詞：多項式回歸模型

研究一個因變量與一個或多個自變量間多項式的回歸分析方法，稱為多項式回歸。如果

自變量只有一個時，稱為一元多項式回歸；如果自變量有多個時，稱為多元多項式回歸?？?/p>

記為：

K=a+/3\Xi+d++內。

多項式回歸的最大優(yōu)點就是可以迪過增加X的高次項對實測點進行逼近，直至滿意為

止。因此可以將多項式回歸當做處理非線性問題的一種方法。

5、虛擬變量回歸

關鍵詞：虛擬變量

虛擬變量(DummyVariables)又稱虛設變量、名義變量或啞變量，用以反映質的屬性

的?個人工變量，是量化了的自變量，通常取值為0或1。引入啞變量可使線形回歸模型變

得更復雜，但對問題描述更簡明，一個方程能達到兩個方程的作用，而且接近現實。

6、分位數回歸

關鍵詞：分位數回歸

分位數回歸是估計一組回歸變量X與被解釋變量Y的分位數之間線性關系的建模方法。

7、貝葉斯估計

關鍵詞：先驗分布

先驗分布，是概率分布的一種。與“后驗分布”相疝。先驗分布與試驗結果無關，或與

隨機抽樣無關，反映在進行統(tǒng)計試驗之前根據其他有關參數口的知識而得到的分布

第五章放寬基本假定的模型

一、知識點列表

序號知識點頁碼教材章節(jié)

1多重共線性概念P15.1

2多重共線性產生的原因P15.1.2

3多重共線性的后果P1-P35.1.3

4多重共線性的檢驗（判斷多重共線性是否P3

5.1.4

存在、確定多重共線性的范圍）

5克服多重共線性的方法（排除引起共線性P3-P11

5.1.5

的變量、嶺回歸法）

6異方差性概念、類型和來源P115.2.1

7異方差性的檢驗（圖示法、布羅施一帕甘、

P12-P145.2.2

G-Q法、懷特法）

8異方差性的修正（加權最小二乘法、異方

P14-P155.2.3

差穩(wěn)健標準誤法）

9序列相關性的定義及后果P225.3.1

10序列相關的檢驗方法（圖示法、回歸檢驗

法、D.W.檢驗法、拉格朗日乘數檢驗法、P22-P255.3.1

自相關圖法、Q統(tǒng)計量檢驗）

11序列相關性的修正（廣義最小二乘法、廣

義差分法、序列相關穩(wěn)健標準誤法、序列P27-P315.3.2

相關穩(wěn)健估計方法）

二、關鍵詞

1、多重共線性概念

關鍵詞：多重共線性

對于回歸模型：y二夕0+夕2七2+L內，如果某兩個或多個解釋變量之

間出現了相關性，則稱為存在多重共線性。而多重共線性又可分為完全共線性和近似共線性

（交互相關）。

2、異方差性概念、類型和來源

關鍵詞：異方差性

對于回歸模型：X=4+LBgk+〃,，如果出現

Var（ui|X",Xi2,Xz3,???,Xik）=岑，，=1,2,3,…,〃

即對于不同的樣本點，隨機干擾項的方差不再是常數，而是互不相同，則認為出現了異

方差性。可以認為被解群變量的波動幅度隨解釋變量不同而變化時，產生了異方差。并且異

方差可以分為以下三類：CD單調遞增型（隨機干擾的方程隨被解釋變量的增大而增大）；

（2）單調遞減型（隨機干擾的方程隨被解釋變量的增大而減少）；（3）復雜型（隨機干擾的

方程隨被解釋變量的增大而減少）。

3、異方差性的檢驗

關鍵詞：布羅施一帕甘檢驗（B-P檢驗）

布羅施一帕甘檢驗（B-P檢驗）是通過將OLS殘差的平方對模型中解釋變量做回歸的一

種檢查異方差的方法。。

關鍵詞：G-Q（Goldfeld-Quandt）檢驗

G-Q檢驗是先按某一解釋變量對樣本排序，再對排序后的樣本一分為二，對兩個子樣本

分別進行普通最小二乘回歸，然后利用兩個子樣本的殘差平方和之比構造F統(tǒng)計量進行檢

驗異方差的方法。

關鍵詞：懷特（White）檢驗

懷特（While）檢驗是將OLS殘差的平方對OLS擬合值和擬合值的平方進行回歸佗一種

異方差檢驗方法。其最一般的形式是將OLS殘差的平方對解釋變量、解釋變量的平方和和解

釋變量之間所有多余的交互項進行回歸。

3、異方差性的修正

關鍵詞：加權最小二乘法

加權最小二乘法是對原模型加權，使之變成一個新的不存在異方差性的模型，然后采用

普通最小二乘法估計其參數。其中，每個殘差平方都用一個等于誤差（估計）方差的倒數作

為權數。

關鍵詞：異方差-穩(wěn)健標準誤法

異方差-穩(wěn)健標準誤法是對未知形式的異方差保持（漸近）穩(wěn)健的誤差。通過先采用普

通最小二乘估計量，再對估計量的方差進行修正，從而消除異方差性的后果。

4、序列相關性的定義及后果

關鍵詞：序列相關性

在時間序列或面板數據模型中，不同時期的誤差之間存在相關性，從而稱為序列的相關

性。

4、序列相關的檢驗方法

關鍵詞：D.W.檢驗法

在經典線性回歸假設下，用于檢驗時間序列【可歸模型之誤差項中的一階序列相關的檢驗

方法。

關鍵詞：忖格朗日乘數（LM）檢驗

拉格朗日乘數檢驗法是僅在大樣本下用于檢驗遺漏變量、異方差性、序列相關和不同模

型設定問題的檢驗方法。

關鍵詞：自相關系數

自相關系數是用來刻畫時間序列X,與其滯后項的相關性程度。若一個時間序列Xf>其

滯后k階的白相關系數為：

之（%一元）（%-元）

“二15^--------------

—一）2

r=l

關鍵詞：偏自相關系數

偏自相關系數刻畫的是X,與滯后k階的X1之間的條件相關性。X,與X,—的估計偏

自相關系數外,*的計算公式為：

f]k=\

k-l

而T---------k>T

1—ZeiM-j

J=I

其中，乙是滯后k階的自相關系數。

5、序列相關性的修正

關鍵詞：廣義最小二乘法

廣義最小二乘法是通過對原始模型的轉換，解釋了誤差方差的已知結構（異方差性）、

誤差中的序列相關形式或同時解釋二者的方法。

關鍵詞：廣義差分法

廣義差分法是一類克服序列相關性的有效方法，是符原模型變換為滿足普通最小二乘法

的差分模型，在進行普通最小二乘估計。

關鍵詞：序列相關穩(wěn)健估計法

序列相關穩(wěn)健估計法是通過采用最小二乘法估計原模型，滯后再對參數估計曷的方程或

標準差進行修正，從而克服序列相關性。

關鍵詞：序列相關穩(wěn)健估計方法

序列相關的穩(wěn)健性估計方法又稱之為Newey-West方法，該方法與廣義最小二乘法相似,

只改變標準誤的估計值，而不改變回歸系數的估計值。為了不忽略高階自相關，樣本容量的

變化對估計值的影響，Nowoy-West方法先計算樣本的1〃或者1/3次幕，然后檢驗殘差的

自相關性。

第六章工具變量回歸

一、知識點列表

序號知識點頁碼教材章節(jié)

1內生性問題產生原因及分類P16.1

2工具變量選取P26.2.1

3工具變量應用P36.2.2

4兩階段最小二乘法P4-P5G.3

5解釋變量的內生性檢驗P56.4.1

6過渡識別約束檢驗P56.4.2

二、關鍵詞

1、內生性問題產生原因及分類

關鍵詞：內生性問題

內生性問題是模型中的一個或多個解釋變量與隨機擾動項相關的問題。變量的內生性問

題是不可避免的，其產生的原因主要有（1）遺漏變量；（2）測量誤差；（3）雙向交互影響。

2、工具變量選取

關鍵詞：工具變量

工具變量是在含有內生解釋變量的方程中，不出現在方程中、與方程中的誤差無關且與

內生解釋變量（偏）相關的變量。

3、兩階段最小二乘法

關鍵詞：兩階段最小二乘法

兩階段最小二乘法是在做內生解釋變量對所有外生變量的回歸時,將得到的擬合值作為

內生解釋變量的工具變量，由此進行模型參數估計。

4、解釋變量的內生性檢驗

關鍵詞：豪斯曼（Hausman）檢驗

豪斯曼檢驗是如果X是內生變量，通過尋找一外生變量Z作為工具變量，通過對比工具

變量法和普通最小二乘法的估計結果是否存在差異，從而對解釋變量的內生性檢驗。

5、過渡識別約束檢驗

關鍵詞：過渡識別約束檢驗

過度識別約束檢驗是假設有一個內生回歸變量，兩個工具變量且沒有包含的外生變量。

則可以計算兩個不同的兩階段最小二乘法估計量：其中一個利用第一個工具變量，另一個利

用第二個工具變量。由于抽樣變異性，這兩個估計量不會相同，但如果兩個工具變量都是網

上，則這兩個估計量往往比較接近。如果有這兩個工具變量得到的估計非常不同，則可以得

出其中一個或兩個工具變量都有內生性問題的結論。

第七章時間序列分析

一、知識點列表

序號知識點頁碼教材章節(jié)

1時間序列數據的性質P17.1

2時間序列模型分類P1-P27.2.

3時間序列的平穩(wěn)性的定義及判別P2-P37.3.1

4時間序列的平穩(wěn)性檢驗（DF檢驗、ADF檢P3-P5

7.3.2

驗）

5協(xié)整的定義P57.4.1

6時間序列協(xié)整檢驗P57.4.2

7誤差修正模型P67.4.3

二、關鍵詞

1、時間序列數據的性質

關鍵詞：時間序列

時間序列（或稱動態(tài)數列）是指將同一統(tǒng)計指標的數值按其發(fā)生的時間先后順序排列而

成的數列。時間序列的數據具有以下特征：（1）時間序列是按照時間順序排列的；（2）時間

序列數據的隨機性來自于自己，變量的結果實現無法準確預料。

關鍵詞：隨機過程

隨機過程，是依賴于參數的一組隨機變最的全體，參數通常是時間。隨機變最是隨機現

象的數顯表現，其取值隨著偶然因素的影響而改變。

2、時間序列模型分類

關鍵詞：時間序列的靜態(tài)模型

時間序列的靜態(tài)模型是指，在構建時間序列模型中，考察的是解釋變量與被解釋變量同

期起關系，及在探討即期影響。

關鍵詞：時間序列的有限分布滯后模型

時間序列的有限分布滯后模型是指在構建時間序列模型中，考慮了解釋變量對被解釋變

量的影響存在一定的時滯3

3、時間序列的平穩(wěn)性的定義及判別

關鍵詞：時間序列的平穩(wěn)性

時間序列的平穩(wěn)性是指如果從這個序列中任取一個隨機變量集，并把這個序列向前移動

任意時期，其聯(lián)合概率分布是否保持不變。時間序列的平穩(wěn)性又可以分為嚴平穩(wěn)和寬平柞兩

種類型。

關鍵詞：白噪聲序列

白噪聲序列是滿足隨機時間序列零均值和同方差的獨立分布序列。

關鍵詞：單位根檢驗

單位根檢驗是指檢驗序列中是否存在單位根，因為存在單位根就是非平穩(wěn)時間序列了。

單位根就是指單位根過程，可以證明，序列中存在單位根過程就不平穩(wěn)，會使回歸分析中存

在偽回歸。常見的單位根檢驗方法有ADF檢驗和DF檢驗。

4、協(xié)整的定義

關鍵詞：協(xié)整

兩個或多個非平穩(wěn)的時間序列的線性組合可能是平穩(wěn)的，如果這樣的線性組合存在，那

么稱這個非平穩(wěn)的時間序列是協(xié)整(cointegration)的。需要注意的是作為對非平穩(wěn)變量

之間關系的描述，協(xié)整向量不是唯一的；同時，協(xié)整變量必須具有相同的單整階數；并且,

協(xié)整變量之間具有的共同的趨勢成分在數量上成比例。

5、時間序列協(xié)整檢驗

關鍵詞：恩格爾-格蘭杰檢驗法

恩格爾-格蘭杰檢驗法是用來檢驗時間序列協(xié)整關系的，主要是通過對回歸方程的殘差

進行單位根檢驗，從而判斷時間序列是否具有協(xié)整關系。

6、誤差修正模型

關鍵詞：誤差修正模型

協(xié)整關系描述了?種變量之間長期均衡的關系，而實際經濟生活中，變量在短期內往往

會偏離長期均衡從而使得模型精確度下降。誤差修正模型(errorcorrectionmodel,ECM)

的提出是為了增強模型的準確度，描述的是短期內的非均衡關系，方法是通過利用協(xié)整回歸

得到的誤差項，建立短期動態(tài)模型來緩解長期協(xié)整回歸模型的缺點。

第八章面板數據模型

一、知識點列表