　　本书第3版得到国家社会科学基金重大项目“新常态下我国宏观经济监测和预测研究”（15ZDA011）、国家自然科学基金项目“中国经济周期波动的转折点识别、阶段转换及预警研究”（71573105）的资助。
　　近年来随着大数据的发展，在经济领域涌现出各类数据库，包含了国内外大量的宏观数据、各层次的面板数据、定期的微观调查数据（企业或个人）、越来越广泛和细分的产业数据等数据信息，这些丰富的数据信息极大地推动了计量经济学的快速发展，拓展了计量经济学的研究范围，增加了计量经济学研究的实用性，给计量经济学研究提供了更大的空间、更新的视角，注入了新的动力。目前，计量经济学和微观经济学与宏观经济学一起构成了中国经济类、管理类本科生和研究生必修的三门经济学核心课程，同时计量经济模型在经济理论研究和经济问题分析中已经被广泛应用，并取得了丰硕的成果。

第1章概率与统计基础
1．1随机变量
1．1．1概率分布
1．1．2随机变量的数字特征
1．1．3随机变量的联合分布
1．2从总体到样本
1．2．1基本统计量
1．2．2估计量性质
1．3一些重要的概率分布
1．3．1正态分布
1．3．2χ2分布
1．3．3t分布
1．3．4F分布
1．4统计推断
1．4．1参数估计
1．4．2假设检验
1．5EViews软件的相关操作
1．5．1单序列的统计量、检验和分布
1．5．2多序列的显示和统计量
第2章经济时间序列的处理、季节调整与分解
2．1经济时间序列的处理和频率转换方法
2．1．1经济指标几种数据类型的概念
2．1．2频率转换
2．2季节调整
2．2．1移动平均公式
2．2．2Census X��13�睞RIMA�睸EATS季节调整方法
2．2．3TRAMO/SEATS方法
2．3趋势分解
2．3．1Hodrick�睵rescott滤波方法
2．3．2频谱滤波(BP滤波)方法
2．4EViews软件的相关操作
2．4．1频率转换
2．4．2X��13�睞RIMA�睸EATS季节调整
2．4．3TRAMO/SEATS季节调整
2．4．4Hodrick�睵rescott滤波
2．4．5BP滤波
第Ⅱ部分基本的单方程分析
第3章基本回归模型
3．1古典线性回归模型
3．1．1一元线性回归模型
3．1．2*小二乘法
3．1．3多元线性回归模型
3．1．4系数估计量的性质
3．1．5线性回归模型的检验
3．1．6AIC准则和Schwarz准则
3．2回归方程的函数形式
3．2．1双对数线性模型
3．2．2半对数模型
3．2．3双曲函数模型
3．2．4多项式回归模型
3．2．5Box�睠ox转换
3．3包含虚拟变量的回归模型
3．3．1回归中的虚拟变量
3．3．2季节调整的虚拟变量方法
3．4模型设定和假设检验
3．4．1系数检验
3．4．2残差检验

精彩书摘

　　第Ⅰ部分数据分析基础
　　第1章概率与统计基础
　　第2章经济时间序列的处理、季节调整与分解
　　第1章概率与统计基础
　　本章回顾一些概率知识和基本的统计概念。大多数结论只叙述而不证明，读者可以很容易找到相关书籍参考学习和理解。这些概念极为重要，是继续学习的基础、通往其他部分不可或缺的钥匙。
　　1．1随机变量
　　随机变量(random variable)是取值具有随机性的变量。随机变量按其取值情况可以分为离散型和连续型两种类型，离散型随机变量只能取有限或可数的多个数值，连续型随机变量的取值充满一个或若干有限或无限区间。
　　1．1．1概率分布
　　1．概率分布的含义
　　随机变量X取各个值xi的概率称为X的概率分布。对一个离散型随机变量X，可以给出如下概率分布：
　　P(X=xi)=pi，i=1，2，3，…(1．1．1)
　　例如，X代表宏观经济所处的状态，假定只有经济增长率较高的繁荣和增长率较低的衰退两种状态，X相应地取1和2两个值(图1．1．1)，并假定概率分别为p，q，即
　　P(X=1)=p，P(X=2)=q
　　图1.1.1离散型概率分布
　　(经济状态概率分布： p=0.8,q=0.2)
　　由概率的性质可知，概率分布满足以下两个条件：
　　pi≥0，i=1，2，…
　　∑∞i=1pi=1(1．1．2)
　　可以知道，对于上面例子中的p和q，存在约束： p≥0 , q≥0 , p+q=1。
　　2．累积分布函数
　　对于随机变量X(无论连续还是离散)可以确定实值函数F(x)，称为累积分布函数(cumulative distribution function, CDF)，定义如下：
　　F(x)=P(X≤x)(1．1．3)
　　表示随机变量X小于或等于x的概率。显然，F(－∞)=0, F(＋∞)=1。对于离散随机变量，累积分布函数的形式为
　　F(x)=∑xi≤xpi(1．1．4)
　　3．连续型随机变量的分布函数及概率密度函数
　　对于连续型随机变量，取任何特定数值的概率都是0，因此度量该随机变量在某一特定范围或区间内的概率才有实际意义。设F(x)是随机变量X的分布函数，如果对任意实数x，存在非负函数f(x)≥0，使
　　F(x)=∫x－∞f(t)dt(1．1．5)
　　就称f(x)为X的概率密度函数(PDF)，且f(x)具有性质：
　　f(x)≥0，∫∞－∞f(x)dx=1(1．1．6)
　　P(a
　　令X代表身高，用厘米来度量，那么人的身高在某一区间内(比如160~170cm)的概率，由这两个值之间的密度函数之下的面积决定(图1．1．2)。
　　图1．1．2连续型(身高)概率分布
　　例1.1离散随机变量的CDF
　　抛币4次，求随机变量(正面朝上的次数)的概率密度函数和累积分布函数(图1．1．3和图1．1．4)。
　　正面朝上的次数
　　（X=xi ）
　　PDFCDF
　　X值piX值F(x)
　　0
　　0≤X<1
　　1/16
　　X≤0
　　1/16
　　1
　　1≤X<2
　　4/16
　　X≤1
　　5/16
　　2
　　2≤X<3
　　6/16
　　X≤2
　　11/16
　　3
　　3≤X<4
　　4/16
　　X≤3
　　15/16
　　4
　　4≤X<5
　　1/16
　　X≤4
　　1
　　图1.1.3离散型随机变量的累积分布函数
　　图1.1.4连续型随机变量的累积分布函数
　　1．1．2随机变量的数字特征
　　有多种数值指标分别从不同角度描述随机变量分布的特征，其中*重要的是数学期望(也称均值)和方差。期望是随机变量的平均值，它度量了集中趋势；方差是随机变量偏离期望的离散程度的度量。
　　1．数学期望
　　假设我们研究一个离散型随机变量X，设x1，x2，…，xN为该变量的N个取值，则均值或数学期望值是所有可能结果的加权平均值，权重为各个可能结果的发生概率，用μX代表X的数学期望，定义为
　　μX=E(X)=p1x1+p2x2+…+pNxN=∑Ni=1pixi(1．1．8)
　　式中： pi为Xi发生的概率，∑pi=1。
　　如果X是连续型随机变量，则数学期望为
　　μX=E(X)=∫∞－∞xf(x)dx(1．1．9)
　　数学期望有一个重要的性质:
　　E(a+bX)=a+bE(X)(1．1．10)
　　式中： a，b都是常数。
　　除了期望之外，用来描述随机变量集中趋势的还有中位数。中位数是满足P(X≤m)≥0．5和P(X≥m)≤0．5的m的值。粗略地说，中位数比均值更接近分布的中点，它不受极端值影响。
　　2．方差
　　对于经济变量，我们经常关心其波动性，尤其证券市场中人们十分关心投资的风险大小，这可以通过变量的方差来描述。随机变量的方差刻画了随机变量偏离均值的程度，将方差记为σ2X，对于离散的情形，方差为
　　σ2X=var(X)=E［X－E(X)］2=∑Ni=1pi(xi－μX)2(1．1．11)
　　对于连续情形，方差为
　　σ2X=var(X)=∫∞－∞(x－μX)2f(x)dx(1．1．12)
　　方差不能为负值，如果X偏离均值幅度很大，则方差就较大；相反，则方差较小；如果X所有的值都等于E(X)，则方差为0。这意味着随机变量是常数。
　　……

前言/序言

　　第3版前言
　　本书第3版得到国家社会科学基金重大项目“新常态下我国宏观经济监测和预测研究”（15ZDA011）、国家自然科学基金项目“中国经济周期波动的转折点识别、阶段转换及预警研究”（71573105）的资助。
　　近年来随着大数据的发展，在经济领域涌现出各类数据库，包含了国内外大量的宏观数据、各层次的面板数据、定期的微观调查数据（企业或个人）、越来越广泛和细分的产业数据等数据信息，这些丰富的数据信息极大地推动了计量经济学的快速发展，拓展了计量经济学的研究范围，增加了计量经济学研究的实用性，给计量经济学研究提供了更大的空间、更新的视角，注入了新的动力。目前，计量经济学和微观经济学与宏观经济学一起构成了中国经济类、管理类本科生和研究生必修的三门经济学核心课程，同时计量经济模型在经济理论研究和经济问题分析中已经被广泛应用，并取得了丰硕的成果。
　　为了追踪和反映大数据背景下计量经济学的新发展，本书的第3版增加了一些计量经济学的新理论、方法与应用实例，对本书第2版做了较大的修改。第3版增加和修改的主要内容如下。
　　(1) 第2章增加了两个内容： ①介绍了几种经济数据类型的概念和处理方法，以及多种数据频率的转换方法，在做经济计量分析时，对于收集到的原始经济数据往往经过处理才能使用，因此建模前需对所获得指标进行处理，并且还要对不同数据频率（如年度、季度或月度）进行数据频率转换，使其具有可信性、合理性和一致性； ②X��13�睞RIMA�睸EATS季节调整方法和TRAMO/SEATS季节调整方法的基本原理和功能，这节是对第2版中季节调整方法的修改。
　　(2) 第4章增加了两个内容： ①稳健*小二乘法（robust least squares），当估计回归模型时，普通*小二乘估计量对异常值（奇异值）的存在是敏感的。这些异常观测值的敏感性可能会破坏变量之间的潜在统计关系，而稳健*小二乘法是针对异常值而设计的，书中包括3种稳健*小二乘估计： M估计、S估计和MM估计； ②有限信息极大似然估计（LIML）和K类估计方法，它们优于传统的二阶段*小二乘估计。
　　(3) 第5章增加了4个内容： ①突变点单位根检验（breakpoint unit root test），介绍了具有突变点的时间序列的基本概念、突变点单位根检验的基本原理以及几种常用的检验方法； ②ARFIMA模型，又称自回归分整动平均模型，在自回归和动平均模型的基础上，允许非整数阶的序列差分； ③自回归分布滞后模型（ARDL），可以通过建立包含多期因变量和自变量滞后的ARDL进行建模； ④介绍了基于残差的协整检验的两种方法： Engle�睪ranger检验和Phillips�睴uliaris检验方法的基本原理和检验步骤。
　　(4) 第7章改动较大，增加了两个内容、8个实例： ①赫克曼（Heckman）以微观经济理论来解释个体数据而提出的Heckman样本选择模型； ②广义线性模型（generalized linear models, GLMs）是常见的普通线性模型的直接推广，它可适用于因变量为连续型数据和离散型数据两种情况，在实际应用中离散型因变量的情形更加常见； ③经济分析中经常会遇到大量的个体和企业的调查数据，这些数据具有很多与时间序列数据不同的特点，常存在离散选择性问题、数据审查（截断）、选择性样本等问题，一般来说需要采用微观计量经济学方法进行定量分析。因此本章增加了8个微观经济实例来说明如何运用微观计量经济学方法进行建模分析。
　　(5) 本书新增了第9章：具有结构变化特征的回归模型。这章包含3个内容： ①间断点回归模型（breakpoints regression）； ②门限回归模型（threshold regression，TR），以严格的统计推断方法对门限值进行参数估计与假设检验； ③区制转换模型，包含马尔可夫区制转换模型（Markov Regime Switching Model, MS）。标准的线性回归模型假定模型参数在样本区间中是不变的，但是，在时间序列分析领域，样本区间中参数出现变化（结构变化，structural change）的经验分析是非常重要的。从间断点回归模型，到门限回归模型，再到区制转换回归模型，是依次递进的。实际上，间断点回归模型是结构变化回归模型的*初形式，其将时间作为一种“门限”，找出间断点后进行分段回归；门限回归以被解释变量的滞后项、解释变量或者其他变量作为门限，不仅对于区制的划分更为科学，而且对于不同区制内被解释变量差异化影响因素的解释更为合理，*重要的是打破了间断点回归模型中仅以时间作为门限变量的限制；在门限回归模型的基础上，区制转换回归模型研究了不同区制之间的转换概率等特征，这对于预测而言是一种重要的参考。
　　(6) 第10章增加了贝叶斯VAR（Bayesian Vector Autoregression，BVAR）模型。VAR模型的主要缺点在于需要估计的参数过多，这将导致模型的过度拟合问题：尽管模型的样本内拟合效果良好，但所估计的系数大多不显著，而且随着预测期间的延长，样本外预测效果会迅速恶化。解决过度拟合问题的一种方法是SVAR模型，通过对参数空间施加短期约束和长期约束来减少待估参数；另一种施加参数约束的方法是基于贝叶斯方法估计VAR模型，本章介绍了BVAR模型的基本思想、方法和应用。
　　(7) 随着使用跨国时间序列数据研究购买力平价、经济增长收敛和国际研发溢出等问题的广泛开展，面板数据计量经济学的一个领域开始向宏观面板数据的研究拓展，同时随着定期进行微观调查的各类数据库的不断涌现，面板数据计量经济学的另一个领域也在向微观面板数据的研究深入开展。由于面板数据模型包含的内容较多，本书将面板数据模型分为两章，即第11章和第12章。其中，第12章的第3、4节为新增内容。第3节为面板数据的广义矩方法（PGMM）。面板GMM方法允许随机误差项存在异方差和序列相关，所得到的参数估计量比其他参数估计方法更合乎实际。第4节为动态面板模型的估计及检验。很多经济关系本质上都具有动态性，面板数据的优势之一就在于它可以使研究者更好地理解动态调整过程。刻画这些动态关系的面板数据回归模型，即动态面板数据回归模型具有的共同特征是回归变量中含有滞后的被解释变量。本书第12章第4节介绍了两种动态面板数据模型估计方法： Difference GMM（差分GMM）和Orthogonal Deviations GMM（正交GMM）。
　　由于计量经济学课程的课时有限，教师通常没有足够的课时帮助学生将所学的模型方法应用于实际的经济问题中，并通过计算机软件进行建模、分析和模拟训练，进而提高运用计量模型进行分析的实际能力，导致了理论教学和实际应用之间的脱节，因此，需要再开设一门应用计量经济学或计量经济方法建模的课程。为此，本书写作的一个重要特色就是注重计量经济学的理论和实际经济问题相结合，通过全面介绍计量经济学的主要理论和方法，将它们纳入一个完整、清晰的体系之中。并在此基础上，提供了大量的基于经济问题的模型实例，协助教师提高教学效率，增强学生的学习兴趣和实际建模能力。本书的作者们都是多年从事计量经济学教学和研究的教师，融入了作者们教学和科研的体会，书中大多数实际案例是作者们在实践中运用的实例和国内外的经典实例。同时基于EViews软件来介绍实际应用技巧，具有很强的可操作性，可以作为应用计量经济学课程的教材。对于在经济、统计、金融等领域从事定量分析的工作人员，本书也是一本很好的参考书。
　　本书的适用范围：对于学过初级计量经济学课程的本科生可以讲授本书的第1章、第2章（2.1节、2.2节）、第3章、第4章（4.1节、4.2节）、第5章的部分内容，以及多方程部分的第11章和第14章的简单内容；对于学过中高级计量经济学课程的硕士和博士研究生可以讲授第2章、第4章（4.3节~4.10节）、第5章、扩展的单方程分析的第6~9章、多方程部分的第10章、第12~15章。
　　美国IHS公司2015年推出EViews 9版本软件，我们购买了该版本软件。本书的EViews软件操作部分都采用EViews 9版本软件。
　　本书相关实例的原始数据（Excel表）、EViews工作文件和各章课件由于篇幅的原因，第2版中附录A（EViews软件基础）和附录B（EViews程序设计）被删除，网上的课件中将保留相应的内容。可以在清华大学出版社网站下载。
　　本书由下列人员编写完成本书第1版和第2版的主要作者梁云芳教授不幸因病于2013年10月去世，她所承担章节（第1版前言和第2版前言已列出）的修改、补充、增加等工作由其他作者来完成，不再标出。：第1、3、4章，王金明；第2、10章，陈飞；第5章，康书隆；第6、8、14章和附录A，刘玉红；第7、15章，王亚芬；第9章，张同斌；第11、12章，孔宪丽；第13章：高铁梅。*后由高铁梅对全书进行了审阅、修改和定稿。
　　在本书第3版出版之际，特别感谢清华大学出版社的张伟编辑，在她的热情鼓励和大力支持下，本书第3版得以顺利出版。还有许多同行专家、硕士和博士研究生对本书给予了帮助，在这里一并表示感谢。我们把这本书奉献给所有给予我们支持和帮助的人。
　　由于我们水平有限，错误或不当之处在所难免，诚恳地欢迎同行专家和读者批评指正，并提出宝贵的意见和建议。
　　高铁梅
　　2016年11月5日

计量经济分析方法与建模：EViews应用及实例（第3版）/数量经济学系列丛书下载 mobi epub pdf txt 电子书格式