計量經濟分析方法與建模-EViews應用及實例-(第3 下載 mobi epub pdf 電子書 2024

基本信息

編輯推薦

本書的適用範圍： 對於學過初級計量經濟學課程的本科生可以講授本書的第1章、第2章（2.1節、2.2節）、第3章、第4章（4.1節、4.2節）、第5章的部分內容，以及多方程部分的第11章和第14章的簡單內容； 對於學過中高級計量經濟學課程的碩士和博士研究生可以講授第2章、第4章（4.3節~4.10節）、第5章、擴展的單方程分析的第6~9章、多方程部分的第10章、第12~15章。

內容提要

本書全麵介紹瞭計量經濟學的主要理論和方法，將它們納入一個完整、清晰的體係之中。本書注重將計量經濟學的理論和實際經濟問題相結閤，提供瞭大量的基於經濟問題的模型實例，協助教師提高教學效率，增強學生的學習興趣和實際建模能力。本書的作者都是多年從事計量經濟學教學和研究的教師，書中融入瞭作者們教學和科研的體會。書中大多數實際案例是作者們在實踐中運用的實例和國內外的經典實例，同時基於EViews軟件來介紹實際應用技巧，具有很強的可操作性。 本書可以作為本科生、碩士和博士研究生的應用計量經濟學課程教材，也可作為在經濟、統計、金融等領域從事定量分析的工作人員的參考書。

目錄

目錄 第Ⅰ部分數據分析基礎 第1章概率與統計基礎 1．1隨機變量 1．1．1概率分布 1．1．2隨機變量的數字特徵 1．1．3隨機變量的聯閤分布 1．2從總體到樣本 1．2．1基本統計量 1．2．2估計量性質 1．3一些重要的概率分布 1．3．1正態分布 1．3．2χ2分布 1．3．3t分布 1．3．4F分布 1．4統計推斷 1．4．1參數估計 1．4．2假設檢驗 1．5EViews軟件的相關操作 1．5．1單序列的統計量、檢驗和分布 1．5．2多序列的顯示和統計量 第2章經濟時間序列的處理、季節調整與分解 2．1經濟時間序列的處理和頻率轉換方法 2．1．1經濟指標幾種數據類型的概念 2．1．2頻率轉換 2．2季節調整 2．2．1移動平均公式 2．2．2Census X��13�睞RIMA�睸EATS季節調整方法 2．2．3TRAMO/SEATS方法 2．3趨勢分解 2．3．1Hodrick�睵rescott濾波方法 2．3．2頻譜濾波(BP濾波)方法 2．4EViews軟件的相關操作 2．4．1頻率轉換 2．4．2X��13�睞RIMA�睸EATS季節調整 2．4．3TRAMO/SEATS季節調整 2．4．4Hodrick�睵rescott濾波 2．4．5BP濾波 第Ⅱ部分基本的單方程分析 第3章基本迴歸模型 3．1古典綫性迴歸模型 3．1．1一元綫性迴歸模型 3．1．2*小二乘法 3．1．3多元綫性迴歸模型 3．1．4係數估計量的性質 3．1．5綫性迴歸模型的檢驗 3．1．6AIC準則和Schwarz準則 3．2迴歸方程的函數形式 3．2．1雙對數綫性模型 3．2．2半對數模型 3．2．3雙麯函數模型 3．2．4多項式迴歸模型 3．2．5Box�睠ox轉換 3．3包含虛擬變量的迴歸模型 3．3．1迴歸中的虛擬變量 3．3．2季節調整的虛擬變量方法 3．4模型設定和假設檢驗 3．4．1係數檢驗 3．4．2殘差檢驗 3．4．3模型穩定性檢驗 3．5方程模擬與預測 3．5．1預測誤差與方差 3．5．2預測評價 3．6EViews軟件的相關操作 3．6．1設定迴歸方程形式和估計方程 3．6．2方程輸齣結果 3．6．3與迴歸方程有關的操作 3．6．4模型設定和假設檢驗 3．6．5預測 第4章其他迴歸方法 4．1異方差 4．1．1異方差檢驗 4．1．2加權*小二乘估計 4．1．3存在異方差時參數估計量的一緻協方差 4．2二階段*小二乘法 4．3非綫性*小二乘法 4．4廣義矩方法 4．4．1矩法估計量 4．4．2廣義矩估計 4．5多項式分布滯後模型 4．6逐步*小二乘迴歸 4．7分位數迴歸 4．7．1分位數迴歸的基本思想和係數估計 4．7．2係數協方差的估計 4．7．3模型評價和檢驗 4．8非參數迴歸模型 4．8．1密度函數的非參數估計 4．8．2一元非參數計量經濟模型 4．9穩健*小二乘法(robust) 4．9．1M估計 4．9．2S估計 4．9．3MM估計 4．9．4係數協方差的計算方法 4．10有限信息極大似然估計和K類估計 4．10．1有限信息極大似然估計(LIML) 4．10．2K類估計 4．11EViews軟件的相關操作 4．11．1異方差檢驗 4．11．2加權*小二乘法估計 4．11．3White異方差一緻協方差和Newey�瞁est 異方差自相關一緻協方差 4．11．4二階段*小二乘法(TSLS)估計 4．11．5非綫性*小二乘估計 4．11．6GMM估計 4．11．7估計包含PDLs的模型 4．11．8逐步迴歸估計 4．11．9分位數迴歸 4．11．10非參數估計 4．11．11Robust*小二乘估計 4．11．12在EViews中進行LIMI和K類估計 4．12附錄廣義*小二乘估計 第5章時間序列模型 5.1序列相關及其檢驗 5.1.1序列相關及其産生的後果 5.1.2序列相關的檢驗方法 5.1.3擾動項存在序列相關的綫性迴歸方程的修正與估計 5.2平穩時間序列建模 5.2.1平穩時間序列的概念 5.2.2ARMA模型 5.2.3ARMA模型的平穩性 5.2.4ARMA模型的識彆 5.3非平穩時間序列建模 5.3.1非平穩序列和單整 5.3.2非平穩序列的單位根檢驗 5.3.3突變點單位根檢驗(breakpoint unit root test) 5.3.4ARIMA模型 5.3.5ARFIMA模型 5.3.6自迴歸分布滯後模型 5.4協整和誤差修正模型 5.4.1協整關係 5.4.2基於殘差的協整檢驗 5.4.3誤差修正模型(ECM) 5.5EViews軟件的相關操作 5.5.1檢驗序列相關性 5.5.2修正序列相關 5.5.3ARMA(p，q)模型的估計 5.5.4單位根檢驗 5.5.5非平穩時間序列估計 5.5.6基於殘差的EG協整檢驗(EG和PO協整檢驗方法) 第Ⅲ部分擴展的單方程分析 第6章條件異方差模型 6.1自迴歸條件異方差模型 6.1.1ARCH模型 6.1.2ARCH的檢驗 6.1.3GARCH模型 6.1.4IGARCH模型 6.1.5約束及迴推 6.1.6GARCH模型的殘差分布假設 6.1.7GARCH�睲模型 6.2非對稱的ARCH模型 6.2.1TARCH模型 6.2.2EGARCH模型 6.2.3PARCH模型 6.2.4非對稱的信息衝擊麯綫 6.3成分ARCH模型 6.4EViews軟件的相關操作 6.4.1ARCH檢驗 6.4.2ARCH模型的建立 6.4.3ARCH模型的視圖和過程 6.4.4ARCH模型的輸齣 6.4.5繪製估計的信息衝擊麯綫 第7章離散因變量和受限因變量模型 7.1二元選擇模型 7.1.1綫性概率模型及二元選擇模型的形式 7.1.2二元選擇模型的估計問題 7.1.3二元選擇模型的變量假設檢驗問題 7.2排序選擇模型 7.3受限因變量模型 7.3.1審查、選擇性樣本和截斷數據 7.3.2受限因變量數據為什麼不能用普通*小二乘估計 7.3.3審查迴歸模型 7.3.4截斷迴歸模型 7.4Heckman樣本選擇模型 7.5計數模型 7.5.1泊鬆模型的形式與參數估計 7.5.2負二項式模型的形式與參數估計 7.5.3準—極大似然估計 7.6廣義綫性模型 7.6.1廣義綫性模型的形式 7.6.2廣義綫性模型的參數估計 7.7EViews軟件的相關操作 7.7.1二元選擇模型 7.7.2排序選擇模型 7.7.3審查迴歸模型 7.7.4截斷迴歸模型 7.7.5Heckman選擇模型 7.7.6計數模型 7.7.7廣義綫性模型 第8章對數極大似然估計 8.1對數極大似然估計的基本原理 8.1.1極大似然估計的基本原理 8.1.2極大似然估計量的計算方法 8.1.3優化算法 8.2對數極大似然的估計實例 8.2.1一元綫性迴歸模型的極大似然函數 8.2.2AR(1)模型的極大似然函數 8.2.3GARCH(q，p)模型的極大似然函數 8.2.4具有異方差的一元綫性迴歸模型的極大似然函數 8.3EViews軟件的相關操作 8.3.1似然對象的建立 8.3.2似然對象的估計、視圖和過程 8.3.3問題解答 第9章具有結構變化特徵的迴歸模型 9.1間斷點迴歸模型 9.1.1多個間斷點的檢驗 9.1.2包含多個間斷點時的方程估計 9.2門限迴歸模型 9.2.1門限迴歸(TR)模型 9.2.2自激勵門限自迴歸(SETAR)模型 9.3轉換迴歸模型 9.3.1轉換迴歸的基本模型 9.3.2馬爾可夫區製轉換模型 9.3.3動態轉換模型 9.4EViews軟件的相關操作 9.4.1間斷點檢驗和間斷點模型估計 9.4.2門限模型的估計 9.4.3轉換方程對象的建立與估計 第Ⅳ部分多方程分析 第10章嚮量自迴歸和嚮量誤差修正模型 10.1嚮量自迴歸理論 10.1

挺好

書包裝較好，包裝袋內泡沫發揮瞭保護作用，但郵政快遞效率太差，服務水平與京東物流的差距很大

書包裝較好，包裝袋內泡沫發揮瞭保護作用，但郵政快遞效率太差，服務水平與京東物流的差距很大

有防僞標誌，朋友推薦的書

書包裝較好，包裝袋內泡沫發揮瞭保護作用，但郵政快遞效率太差，服務水平與京東物流的差距很大

書的內容比上一版有所更新。

內容很好。但紙很一般，用筆寫字後，反麵就浸過去瞭，不知是正版還是盜版？

內容很好。但紙很一般，用筆寫字後，反麵就浸過去瞭，不知是正版還是盜版？

書包裝較好，包裝袋內泡沫發揮瞭保護作用，但郵政快遞效率太差，服務水平與京東物流的差距很大