计量经济学术语.docx

计量经济学术语A 校正R2：多元回归分析中拟合优度的量度，在估计误差的方差时对添加的解释变量用一个自由度来调整。 对立假设：检验虚拟假设时的相对假设。 AR序列相关：时间序列回归模型中的误差遵循AR模型。 渐近置信区间：大样本容量下近似成立的置信区间。 渐近正态性：适当正态化后样本分布收敛到标准正态分布的估计量。 渐近性质：当样本容量无限增长时适用的估计量和检验统计量性质。 渐近标准误：大样本下生效的标准误。 渐近t 统计量：大样本下近似服从标准正态分布的t统计量。 渐近方差：为了获得渐近标准正态分布，我们必须用以除估计量的平方值。 渐近有效：对于服从渐近正态分布的一致性估计量，有最小渐近方差的估计量。 渐近不相关：时间序列过程中，随着两个时点上的随机变量的时间间隔增加，它们之间的相关趋于零。 衰减偏误：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。 自回归条件异方差性：动态异方差性模型，即给定过去信息，误差项的方差线性依赖于过去的误差的平方。 一阶自回归过程AR：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。 辅助回归：用于计算检验统计量例如异方差性和序列相关的检验统计量或其他任何不估计主要感兴趣的模型的回归。 平均值：n个数之和除以n。 B 基组、基准组：在包含虚拟解释变量的多元回归模型中，由截距代表的组。 基期：对于指数数字，例如价格或生产指数，其他所有时期均用来作为衡量标准的时期。 基期值：指定的基期的值，用以构造指数数字；通常基本值为1或100。 最优线性无偏估计量：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是以解释变量样本值为条件的BLUE 。 贝塔系数：见标准化系数。 偏误：估计量的期望参数值与总体参数值之差。 偏误估计量：期望或抽样平均与假设要估计的总体值有差异的估计量。 向零的偏误：描述的是估计量的期望绝对值小于总体参数的绝对值。 二值响应模型：二值因变量的模型。 二值变量：见虚拟变量。 两变量回归模型：见简单线性回归模型。 BLUE：见最优线性无偏估计量。 Breusch-Godfrey 检验：渐近正确的AR序列相关检验，以AR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。 Breusch-Pagan 检验：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。 C 因果效应：一个变量在其余条件不变情况下的变化对另一个变量产生的影响。 其余条件不变：其他所有相关因素均保持固定不变。 经典含误差变量：观测的量度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。 经典线性模型：全套经典线性模型假定下的复线性回归模型。 经典线性模型假定：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、无完全共线性、零条件均值、同方差、无序列相关和误差正态性。 科克伦奥克特估计：估计含AR误差和严格外生解释变量的多元线性回归模型的一种方法；与普莱斯温斯登估计不同，科克伦奥克特估计不使用第一期的方程。 置信区间：用于构造随机区间的规则，以使所有数据集中的某一百分比给出包含总体值的区间。 置信水平：我们想要可能的样本置信区间包含总体值的百分比，95%是最常见的置信水平，90%和99%也用。 不变弹性模型：因变量关于解释变量的弹性为常数的模型；在多元回归中，两者均以对数形式出现。 同期外生回归元：在时间序列或综列数据应用中，与同期误差项不相关但对其他时期则不一定的回归元。 控制组：在项目评估中，不参与该项目的组。 控制变量：见解释变量。 协方差平稳：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。 协变量：见解释变量。 临界值：在假设检验中，用于与检验统计量比较来决定是否拒绝虚拟假设的值。 横截面数据集：在给定时点上从总体中收集的数据集 D 数据频率：收集时间序列数据的区间。年度、季度和月度是最常见的数据频率。 戴维森麦金农检验：用于检验相对于非嵌套对立假设的模型的检验：它可用相争持模型中得出的拟合值的t检验来实现。 自由度：在多元回归模型分析中，观测值的个数减去待估参数的个数。 分母自由度：F检验中无约束模型的自由度。 因变量：在多元回归模型中被解释的变量。 除趋势：从时间序列中除去趋势的做法。 斜率级差：所描述的是模型中某些斜率参数，因组或时期的不同而不同。 向下偏误：估计量的期望值低于参数的总体值。 虚拟变量：取值为0或1的变量。 虚拟变量陷阱：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。 德宾沃森统计量：在经典线性回归假设下，用于检验时间序列回归模型的误差项中的一阶序列相关的统计量。 动态完整模型：设更多的滞后因变量，或设更多的滞后解释变量都无助于解释因变量的均值的时间序列模型。 E 计量经济模型：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余条件不变下的效应。 经济模型：从经济理论或不那么正规的经济原因中得出的关系。 经济显著性：见实际显著性。 弹性：给定一个变量在其余条件不变下增加1%，另一个变量的百分比变化。 经验分析：用正规计量分析中的数据检验理论、估计关系式或确定政策效应的研究。 内生解释变量：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。 内生样本选择：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相联系。 误差项：在简单或多元回归方程中，包含了未观测到的影响因变量的因素的变量。误差项也可能包含被观测的因变量或自变量中的测量误差。 误差方差：多元回归模型中误差项的方差。 事件研究：事件对结果变量的效应的计量分析。 排除一个有关变量：在多元回归分析中，遗漏了一个对因变量有非零偏效应的变量。 排斥性约束：说明某些变量被排斥在模型之外的约束。 外生解释变量：与误差项不相关的解释变量。 外生样本选择：或者依赖外生解释变量，或者与所感兴趣的模型中的误差项不相关的样本选择。 实验数据：通过进行受控制的实验获得的数据。 试验组：见处理组。 解释平方和：多元回归模型中拟合值的总样本变异。 被解释变量：见因变量。 解释变量：在回归分析中，用于解释因变量中的变异的变量。 指数趋势：有固定增长率的趋势。 F F统计量：在多元回归模型中，用于检验关于参数的多重假设的统计量。 可行的GLS估计量：方差或相关参数未知，因而必须先进行估计的GLS程序。 有限分布滞后模型：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。 一阶差分：对相邻时期做差分所构成的对时间序列的转换，即用后一时期减去前一时期。 一阶条件：用于求解OLS估计值的一组线性方程。 拟合值：在各观测中将自变量的值插入OLS回归线时，所得到的因变量的估计值。 函数形式的错误设定：当模型中有被遗漏的解释变量的函数，或者对一个因变量或某些自变量用了错误的函数时产生的问题。 G 高斯马尔科夫假定：一组假定，在这之下OLS是BLUE 。 高斯马尔科夫定理：该定理表明，在五个高斯马尔科夫假定下，OLS估计量是BLUE 。 广义最小二乘 估计量：通过对原始模型的变换，说明了已知结构的误差的方差和误差中的序列相关形式或两者兼有的估计量。 拟合优度度量：概括一组解释变量有多好地解释了因变量或响应变量的统计量。 增长率：时间序列中相对于前一时期的比例变化。可将它近似为对数差分或以百分比形式报导。 H 异方差性：给定解释变量，误差项的方差不为常数。 未知形式的异方差性：以一未知的任意形式依赖于解释变量的异方差性。 异方差稳健F 统计量：对未知形式的异方差性而言稳健的F 统计量。 异方差稳健LM 统计量：对未知形式的异方差性而言稳健的LM 统计量。 异方差稳健标准误：对未知形式的异方差性而言稳健的标准误。 异方差稳健t 统计量：对未知形式的异方差性而言稳健的t 统计量。 高持续性过程：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。 同方差性：回归模型中的误差在解释变量条件下具有不变的方差。 I 即期弹性：在分布滞后模型中，给定自变量增加1%因变量的即时的百分比变化。 即期乘数：见即期倾向。 即期倾向：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。 包含一个无关变量：用OLS估计方程时，回归模型中包含了总体参数为零的解释变量。 指数：关于经济行为总量信息的统计量。 影响重大的观测值：见奇异值。 INTRODUCTORY ECONOMETRICS 一阶自积I：需要做一阶差分来得到I过程的时间序列过程。 零阶自积I：平稳、弱独立时间序列过程，当用于回归分析时，它满足大数定律和中心极限定理。 交互作用：回归模型中为两个解释变量的乘积的自变量。 截距参数：复线性回归模型中，给出当所有自变量都为零时因变量的期望值的参数。 截距的变动：回归模型中的截距，因组或时期的不同而不同。 J 联合假设检验：一个模型中包含不止一个对参数的约束的检验。 联合统计显著性：两个或多个解释变量具有零总体系数的虚拟假设以一个选定的显著性水平被拒绝。 L 滞后分布：在无限或有限分布滞后模型中，把滞后系数表示为滞后长度的函数。 滞后因变量：等于以前时期的因变量的解释变量。 拉格朗日乘数统计量：仅在大样本下为正确的检验统计量，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。 大样本性质：见渐近性质。 水平值水平值模型：因变量与自变量均为标准形式的回归模型。 水平值对数模型：因变量为标准形式、自变量为对数形式的回归模型。 线性概率模型：响应概率对参数为线性的二值响应模型。 线性时间趋势：为时间的线性函数的趋势。 线性无偏估计量：在多元回归分析中，是因变量值的一个线性函数的那些无偏估计量。 对数水平值模型：因变量以对数形式出现，而自变量是水平形式的一种回归模型。 对数对数模型：因变量和解释变量都是以对数形式出现的回归模型。 长期弹性：因变量和自变量都是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：参见长期倾向。 长期倾向：在一个分布滞后模型中，给定自变量的一个永久性的、一个单位的增长，因变量最终的变化量。 M 配对样本：每个观测值都与另一个观测值相匹配的一种样本，如由丈夫和妻子或一对兄妹组成的样本。 测量误差：观测到的变量与多元回归方程中的变量之间的差。 微数缺测性：由Arthur Goldberger 首先提出的一个概念，用以描述容量样本较小时计量经济学估计量的性质。 最小方差无偏估计量：在所有的无偏估计量中方差最小的那个估计量。 数据缺失：当我们没有观测到样本中某些观测所对应的一些变量值时，发生的一类数据问题。 一阶移动平均过程MA：是由某个随机过程的当期值与一期滞后的线性函数所产生的一种时间序列过程。这个随机过程是0均值、固定方差和不相关的。 多重共线性：指多元回归模型中自变量之间的相关性。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。 多重假设检验：涉及到参数的多个约束条件的虚拟假设检验。 多元线性回归模型：对参数是线性的一类模型，其中的因变量是自变量的函数加上一个误差项。 多元回归分析：在多元线性回归模型中进行估计和推断的一类分析。 多重约束：计量经济学模型中对参数的多于一个的约束条件。 乘数测量误差：观测到的变量等于实际的观测不到的变量与一个正的测量误差的乘积时出现的一种测量误差。 N n-R-平方统计量：参见拉格朗日乘数统计量。 名义变量：用名义或当前美元数表示的变量。 非实验数据：不是通过人为控制下的实验得到的数据。 非嵌套模型：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模型。 非平稳过程：联合分布在不同的时期不是恒定不变的一种时间序列过程。 正态性假定：经典线性模型假定之一。它是指以解释变量为条件的误差有正态分布。 虚拟假设：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。 分子自由度：在F检验中，所检验的约束条件的个数。 O 可观测数据：参见非实验数据。 OLS：参见普通最小二乘法。 OLS截距估计值：OLS回归线的截距。 OLS回归线：表示了因变量的预报值与自变量的值之间关系的方程，它的参数是用OLS估计出来的。 OLS斜率估计值：OLS回归线的斜率。 遗漏变量偏误：回归中遗漏了有关变量而产生的OLS估计量的偏误。 单侧对立假设：被表述为参数大于虚拟条件下的假设值的一种对立假设。 单尾检验：与单侧对立假设相对的假设检验。 序数变量：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。 普通最小二乘法：用来估计多元线性回归模型中的参数的一种方法。最小二乘估计值通过最小化残差的平方和得到。 INTRODUCTORY ECONOMETRICS 异常数据：在数据集中，与大量其他数据有明显区别的观测值。这种现象可能是由于误差造成的，也可能是因为它们是由与多数其他数据不同的模型产生而造成的。 整体显著性：对多元回归方程中所有的解释变量所做的一种联合显著性检验。 模型的过度识别：参见含有一个无关变量。 P p值：指能够拒绝虚拟假设的最低显著性水平。等价的，它也指虚拟假设不被拒绝的最大显著性水平。 综列数据：在不同时期，横截面的不断反复得到的数据集。在平衡的综列中，同样的单位在每个时期都出现。在不平衡的综列中，有些单位往往由于衰减现象而不会在每个时期都出现。 偏效应：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。 完全共线性：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。 变量缺失问题的插入解：在OLS回归中，用一个代理变量代替观测不到的缺失变量。 政策分析：用计量经济学模型来评估某项政策的效果的一种实证分析。 混合横截面：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。 总体：作为统计或计量经济分析对象的一个明确定义的组群。 总体模型：一种描述了总体特征的模型，特别是多元线性回归模型。 总体R平方：总体中，由解释变量解释了的那部分因变量的变异。 总体回归函数：参见条件期望。 实际显著性：相对于统计显著性而言的、某个估计值的实际的或经济的重要性，用它的符号和大小来衡量。 普莱斯温斯登估计：一种用来估计有AR误差和严格外生解释变量的多元线性回归模型的方法；不同于科克伦-奥克特方法，它在估计中要用到第一个时期的方程。 前定变量：在联立方程模型中的滞后的内生变量或滞后的外生变量。 被预测变量：参见因变量。 预报：把特定的解释变量的值代入所估计的模型，通常是多元回归模型中，以得到结果的一个估计值。 预测误差：实际结果与所预报的结果之间的差。 预测区间：多元回归模型中，某个因变量的未知结果的一个置信区间。 预测变量：参见解释变量。 项目评估：用计量经济学方法求出某个私人或公共项目的不确定影响的一种评估方法。 代理变量：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。 Q 二次函数：包含一个或多个解释变量的平方的函数，它反映了解释变量对因变量的逐渐变弱或增强的影响。 定性变量：描述一个人、企业及城市等的非定量特征的变量。 拟差分数据：在估计有AR的序列相关的回归模型时，当期数据与前一期数据乘以AR模型的参数后得到的数据之间的差。 R 平方：参见校正的R2。 R2：在多元回归模型中，由自变量解释了的那部分因变量的样本方差之和。 R2形式的F统计量：用受约束和不受约束的模型中得到的由R2-表示的、用于检验排除约束条件的F统计量。 随机抽样：在总体中随机抽取观测值的一种抽样方法。各个单位被抽取的可能性是相同的，而且每次抽样都与其他次相互独立。 随机游走：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误差项。 有漂移的随机游走：每个时期都加进一个常数的随机游走。 实际变量：用基期货币价值表示的变量。 回归子：参见因变量。 回归误差设定检验：在多元回归模型中，检验函数形式的一般性方法。它是一种由最初的OLS估计得出的拟合值的平方、三次方以及可能更高次幂的联合显著性F检验。 过原点回归：截距被设为0的回归分析，它的斜率通过最小化残差的平方和求出。 回归元：参见解释变量。 拒绝区域：使得虚拟假设被拒绝的一组检验统计量的值。 拒绝法则：在假设检验中，决定在什么情况下拒绝虚拟假设并支持对立假设的法则。 残差：实际值与拟合值之间的差。样本中的每次观测都有一个相应的残差，它们被用来计算OLS回归线。 残差分析：在估计多元回归模型后，对某次特定观测的残差的符号和大小所作的研究。 残差平方和：参见残差的平方和。 响应概率：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。 响应变量：参见因变量。 受约束的模型：在假设检验中，施加所有虚拟假设所要求的约束条件后得到的模型。 均方根误：多元回归分析中回归标准误的另一个名称。 S 样本回归函数：参见OLS回归线。 得分统计量：参见拉格朗日乘数统计量。 季节性虚拟变量：一组用来表示季节或月份的虚拟变量。 季节性：月度或季度时间序列具有的均值随着一年中季节的不同而系统性变化的特点。 季节性调整：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。 半弹性：自变量的一个单位的增长导致的因变量的变化的百分比。 序列相关：在时间序列或综列数据模型中，不同时期的误差之间的相关性。 INTRODUCTORY ECONOMETRICS 序列相关稳健标准误：不管模型中的误差是否与序列相关，都生效的估计量的标准误。 序列不相关：在时间序列或综列数据模型中，不同时间的误差两两之间不相关。 短期弹性：因变量和自变量都以对数形式出现的分布滞后模型中的即期倾向。 显著性水平：假设检验中发生第I类错误的概率。 简单线性回归模型：因变量只是一个自变量和一个误差项的线性函数的模型。 斜率参数：多元回归模型中的自变量的系数。 谬误相关：不是因为二者有因果关系，可能是因为它们都受另一个观测不到的因素影响，所导致的两个变量之间的相关性。 谬误回归问题：如果回归分析表明两个或多个无关时间序列具有一定关系，而其原因仅仅因为它们每个都有趋势或都是自积时间序列，或上面两种情况同时出现，这种问题就是谬误回归问题。 稳定的AR过程：滞后变量的系数绝对值小于1时的AR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。 1的标准误：1抽样分布的标准差的估计值。 1的标准差：衡量1抽样分布的分散程度的常用指标。 估计值的标准误：参见回归的标准误。 回归的标准误：多元回归分析中的总体误差的标准差的估计值。等于残差平方和的平方根除以自由度。 标准化系数：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。 静态模型：只有当期的解释变量影响因变量的一种时间序列模型。 平稳过程：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。 统计上不显著：在选定的显著性水平上，无法拒绝总体参数等于0的虚拟假设。 统计上显著：在选定的显著性水平上，相对于特定的对立假设，拒绝总体参数等于0的虚拟假设。 随机过程：标注了时间的一系列随机变量。 严格外生的：时间序列或综列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。更宽松的一种说法是用相关性为0来表述的。 强相依：参见高度持续过程。 残差平方和：多元回归模型中，所观测的OLS残差的平方和。 求和运算符：用表示的一个符号，用来表示对一组数据的求和运算。 T t 比率、t 统计量：用来对计量经济学模型中关于参数的单个假设进行检验的一种统计量。 时间序列数据：搜集到的一个或多个变量在不同时间上的数据。 时间序列过程：参见随机过程。 时间趋势：时间的函数，它是趋势时间序列过程的期望值。 总平方和：因变量相对于它的样本均值的总样本变异。 处理组：在项目评估中，参与这一项目的群体。 趋势过程：期望值是时间的增函数或减函数的时间序列过程。 趋势平稳过程：在除掉了时间趋势后变得平稳的过程。毫无疑问，除掉了趋势的序列是弱相依的。 真实模型：表示因变量与有关自变量及一个干扰项之间关系的真实的总体模型。在这个模型中，0条件均值假定成立。 双侧对立假设：总体参数既可以大于又可以小于虚拟假设提出的值的一种检验方法。 双尾检验：相对于双侧对立检验的检验方法。 U 无偏估计量：期望值等于总体值的估计量。 不相关随机变量：相互之间没有线性关系的随机变量。 设定不足的模型：参见忽略一个有关的变量。 单位根过程：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。 无约束模型：在假设检验中，对参数没有任何限制条件的模型。 向上偏误：估计量的期望值大于总体参数的值。 V 方差：表示随机变量分布的分散程度的一项指标。 预测误差的方差：当以估计的多元回归方程为基础来预报因变量的一个将来值时，产生的误差的方差。 W 弱相依：在时间序列过程中，表示随机变量在不同时期的两个值之间的相互依赖性质的指标，如果这一依赖性随着时间间隔的增大而减小，这个时间序列就是弱相依的。 加权最小二乘估计量：用来校正某种已知形式的异方差的估计量。其中，每个残差的平方都得到一个等于误差的方差的倒数的权重。 怀特检验：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，作OLS残差的平方对解释变量、解释变量的平方和所有非多余的解释变量间的交叉乘积的回归。 Z 0条件均值假定：多元回归分析中很关键的一个假定。它的含义是，给定解释变量的所有值时，误差的期望值都等于0。