包邮计量经济分析方法与建模-EViews应用及实例-(第3版)

目录 第Ⅰ部分数据分析基础 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ARIMASEATS季节调整方法 2．2．3TRAMO/SEATS方法 2．3趋势分解 2．3．1HodrickPrescott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ARIMASEATS季节调整 2．4．3TRAMO/SEATS季节调整 2．4．4HodrickPrescott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Cox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 3．4．3模型稳定性检验 3．5方程模拟与预测 3．5．1预测误差与方差 3．5．2预测评价 3．6EViews软件的相关操作 3．6．1设定回归方程形式和估计方程 3．6．2方程输出结果 3．6．3与回归方程有关的操作 3．6．4模型设定和假设检验 3．6．5预测 第4章其他回归方法 4．1异方差 4．1．1异方差检验 4．1．2加权*小二乘估计 4．1．3存在异方差时参数估计量的一致协方差 4．2二阶段*小二乘法 4．3非线性*小二乘法 4．4广义矩方法 4．4．1矩法估计量 4．4．2广义矩估计 4．5多项式分布滞后模型 4．6逐步*小二乘回归 4．7分位数回归 4．7．1分位数回归的基本思想和系数估计 4．7．2系数协方差的估计 4．7．3模型评价和检验 4．8非参数回归模型 4．8．1密度函数的非参数估计 4．8．2一元非参数计量经济模型 4．9稳健*小二乘法(robust) 4．9．1M估计 4．9．2S估计 4．9．3MM估计 4．9．4系数协方差的计算方法 4．10有限信息极大似然估计和K类估计 4．10．1有限信息极大似然估计(LIML) 4．10．2K类估计 4．11EViews软件的相关操作 4．11．1异方差检验 4．11．2加权*小二乘法估计 4．11．3White异方差一致协方差和NeweyWest 异方差自相关一致协方差 4．11．4二阶段*小二乘法(TSLS)估计 4．11．5非线性*小二乘估计 4．11．6GMM估计 4．11．7估计包含PDLs的模型 4．11．8逐步回归估计 4．11．9分位数回归 4．11．10非参数估计 4．11．11Robust*小二乘估计 4．11．12在EViews中进行LIMI和K类估计 4．12附录广义*小二乘估计 第5章时间序列模型 5.1序列相关及其检验 5.1.1序列相关及其产生的后果 5.1.2序列相关的检验方法 5.1.3扰动项存在序列相关的线性回归方程的修正与估计 5.2平稳时间序列建模 5.2.1平稳时间序列的概念 5.2.2ARMA模型 5.2.3ARMA模型的平稳性 5.2.4ARMA模型的识别 5.3非平稳时间序列建模 5.3.1非平稳序列和单整 5.3.2非平稳序列的单位根检验 5.3.3突变点单位根检验(breakpoint unit root test) 5.3.4ARIMA模型 5.3.5ARFIMA模型 5.3.6自回归分布滞后模型 5.4协整和误差修正模型 5.4.1协整关系 5.4.2基于残差的协整检验 5.4.3误差修正模型(ECM) 5.5EViews软件的相关操作 5.5.1检验序列相关性 5.5.2修正序列相关 5.5.3ARMA(p，q)模型的估计 5.5.4单位根检验 5.5.5非平稳时间序列估计 5.5.6基于残差的EG协整检验(EG和PO协整检验方法) 第Ⅲ部分扩展的单方程分析 第6章条件异方差模型 6.1自回归条件异方差模型 6.1.1ARCH模型 6.1.2ARCH的检验 6.1.3GARCH模型 6.1.4IGARCH模型 6.1.5约束及回推 6.1.6GARCH模型的残差分布假设 6.1.7GARCHM模型 6.2非对称的ARCH模型 6.2.1TARCH模型 6.2.2EGARCH模型 6.2.3PARCH模型 6.2.4非对称的信息冲击曲线 6.3成分ARCH模型 6.4EViews软件的相关操作 6.4.1ARCH检验 6.4.2ARCH模型的建立 6.4.3ARCH模型的视图和过程 6.4.4ARCH模型的输出 6.4.5绘制估计的信息冲击曲线 第7章离散因变量和受限因变量模型 7.1二元选择模型 7.1.1线性概率模型及二元选择模型的形式 7.1.2二元选择模型的估计问题 7.1.3二元选择模型的变量假设检验问题 7.2排序选择模型 7.3受限因变量模型 7.3.1审查、选择性样本和截断数据 7.3.2受限因变量数据为什么不能用普通*小二乘估计 7.3.3审查回归模型 7.3.4截断回归模型 7.4Heckman样本选择模型 7.5计数模型 7.5.1泊松模型的形式与参数估计 7.5.2负二项式模型的形式与参数估计 7.5.3准—极大似然估计 7.6广义线性模型 7.6.1广义线性模型的形式 7.6.2广义线性模型的参数估计 7.7EViews软件的相关操作 7.7.1二元选择模型 7.7.2排序选择模型 7.7.3审查回归模型 7.7.4截断回归模型 7.7.5Heckman选择模型 7.7.6计数模型 7.7.7广义线性模型 第8章对数极大似然估计 8.1对数极大似然估计的基本原理 8.1.1极大似然估计的基本原理 8.1.2极大似然估计量的计算方法 8.1.3优化算法 8.2对数极大似然的估计实例 8.2.1一元线性回归模型的极大似然函数 8.2.2AR(1)模型的极大似然函数 8.2.3GARCH(q，p)模型的极大似然函数 8.2.4具有异方差的一元线性回归模型的极大似然函数 8.3EViews软件的相关操作 8.3.1似然对象的建立 8.3.2似然对象的估计、视图和过程 8.3.3问题解答 第9章具有结构变化特征的回归模型 9.1间断点回归模型 9.1.1多个间断点的检验 9.1.2包含多个间断点时的方程估计 9.2门限回归模型 9.2.1门限回归(TR)模型 9.2.2自激励门限自回归(SETAR)模型 9.3转换回归模型 9.3.1转换回归的基本模型 9.3.2马尔可夫区制转换模型 9.3.3动态转换模型 9.4EViews软件的相关操作 9.4.1间断点检验和间断点模型估计 9.4.2门限模型的估计 9.4.3转换方程对象的建立与估计 第Ⅳ部分多方程分析 第10章向量自回归和向量误差修正模型 10.1向量自回归理论 10.1.1VAR模型的一般表示 10.1.2结构VAR模型(SVAR) 10.2结构VAR(SVAR)模型的识别条件 10.2.1SVAR模型的识别条件 10.2.2SVAR模型的约束形式 10.3VAR模型的检验 10.3.1Granger因果检验 10.3.2滞后阶数p的确定 10.4脉冲响应函数 10.4.1脉冲响应函数的基本思想 10.4.2VAR模型的脉冲响应函数 10.4.3广义脉冲响应函数 10.4.4SVAR模型的脉冲响应函数 10.5方差分解 10.6Johansen协整检验 10.6.1特征根迹检验(trace检验) 10.6.2*大特征值检验 10.6.3协整方程的形式 10.7向量误差修正模型 10.8贝叶斯VAR模型 10.8.1贝叶斯VAR模型的基本思想 10.8.2先验分布 10.9EViews软件的相关操作 10.9.1VAR模型的建立和估计 10.9.2VAR模型的视图 10.9.3VAR模型的过程 10.9.4脉冲响应函数的计算 10.9.5方差分解的实现 10.9.6协整检验 10.9.7VEC模型的建立和估计 10.9.8BVAR模型的估计 第11章基本的Panel Data模型 11.1Panel Data模型的基本原理 11.1.1Panel Data模型概述 11.1.2Panel Data模型分类 11.2模型形式设定检验 11.3变截距模型 11.3.1固定影响变截距模型 11.3.2随机影响变截距模型 11.3.3Hausman检验 11.4变系数模型 11.4.1固定影响变系数模型 11.4.2随机影响变系数模型 11.5Panel Data模型系数协方差的估计方法 11.6EViews软件的相关操作 11.6.1含有Pool对象的工作文件 11.6.2Pool对象中数据处理 11.6.3Pool对象的模型估计 第12章扩展的Panel Data模型 12.1面板数据的单位根检验 12.1.1相同根情形下的单位根检验 12.1.2不同根情形下的单位根检验 12.2面板数据的协整检验 12.2.1Pedroni检验 12.2.2Kao检验 12.2.3Fisher面板协整检验 12.3面板数据广义矩（GMM）方法 12.3.1面板数据GMM方法的基本原理 12.3.2面板数据GMM的估计方法 12.4动态面板数据回归模型 12.4.1动态面板数据回归模型简介 12.4.2动态面板数据模型的估计 12.5EViews软件的相关操作 12.5.1构建面板工作文件 12.5.2面板数据的基本分析 12.5.3面板数据模型的建立与估计 第13章状态空间模型和卡尔曼滤波 13.1状态空间模型的定义 13.2卡尔曼滤波 13.2.1Kalman滤波的一般形式 13.2.2Kalman滤波的解释和性质 13.2.3修正的Kalman滤波递推公式 13.2.4非时变模型及Kalman滤波的收敛性 13.2.5Kalman滤波的初始条件 13.3状态空间模型超参数的估计 13.3.1似然函数形式的预测误差分解 13.3.2超参数的估计方法 13.4状态空间模型的应用 13.4.1可变参数模型的状态空间表示 13.4.2季节调整的状态空间形式 13.4.3ARMAX模型的状态空间形式 13.5EViews软件的相关操作 13.5.1定义状态空间模型 13.5.2估计状态空间模型 13.5.3状态空间模型的视窗和过程 第14章联立方程模型的估计与模拟 14.1联立方程系统概述 14.1.1联立方程系统的基本概念 14.1.2联立方程系统的识别 14.1.3一个小型中国宏观经济联立方程模型 14.2联立方程系统的估计方法 14.2.1单方程估计方法 14.2.2系统估计方法 14.2.3多变量ARCH方法 14.3联立方程模型的模拟 14.3.1联立方程模型概述 14.3.2模型模拟的分类 14.3.3模型的评估 14.3.4情景分析 14.4EViews软件的相关操作 14.4.1联立方程系统的基本操作 14.4.2联立方程模型的模拟与预测 14.4.3联立方程模型的求解 14.4.4联立方程模型的数据操作 第15章主成分分析和因子分析 15.1主成分分析 15.1.1主成分分析的基本思想 15.1.2总体主成分求解及其性质 15.1.3样本的主成分 15.2因子分析 15.2.1基本的因子分析模型 15.2.2正交因子模型的性质 15.2.3因子载荷的估计方法 15.2.4因子数目的确定方法及检验 15.2.5因子旋转 15.2.6因子得分 15.3EViews软件的相关操作 15.3.1主成分分析的实现 15.3.2因子分析的实现 15.3.3因子旋转的操作 15.3.4计算因子得分 15.3.5因子视图 15.3.6因子过程 附录AEViews中的常用函数 A1. 公式中的运算符号及其含义 A2. 时间序列函数及其含义 A3. 序列描述性统计量的@函数及其含义 A4. 三角函数 A5. 统计函数 A6. 回归统计量的@函数及其含义 参考文献