计量经济学实验设计与应用
前言
致谢
1
EViews 软件入门与基本操作
1.1
为何选择EViews？
1.2
怎样理解Eviews的运作逻辑？
1.3
如何获取Eviews官方帮助？
1.4
实验内容
1.5
实验准备
1.5.1
实验软件
1.5.2
实验材料
1.5.3
实验规则
1.6
EViews快速入门
1.7
EViews菜单操作流程
1.7.1
准备数据（data preparing）
1.7.2
构建工作文件（workfile creating）
1.7.2.1
启动EViews软件
1.7.2.2
创建工作文件（workfile）
1.7.2.3
导入数据
1.7.3
构造对象（objects generating）
1.7.3.1
EViews对象（object）的
“全家福”
1.7.3.2
EViews分析中常用的对象构造情形
1.7.4
探索性分析（exploratory analyzing）
1.7.4.1
图表可视化的一般性原则
1.7.4.2
EViews图表可视化工具集
1.7.4.3
EViews表格可视化：描述性统计分析表的制作
1.7.4.4
EViews图形可视化：多线图（Line-Symbol）的绘制
1.7.5
线性回归分析（linear regression analyzing）
1.7.6
报告结果输出（output reporting）
1.8
Eviews编程体系及语法
1.8.1
命令运行方式
1.8.1.1
菜单窗口和程序命令并行驱动
1.8.1.2
批量式命令驱动
1.8.2
命令语法结构
1.8.3
常用命令及函数
2
一元线性回归模型
2.1
实验目的及要求
2.2
实验原理
2.2.1
回归的本质是什么？
2.2.2
怎样用样本数据推断总体参数？
2.2.3
最小二乘法有哪些优点？
2.2.4
如何对模型进行统计检验？
2.2.4.1
平方和分解及拟合优度
2.2.4.2
回归系数的显著性检验——t检验
2.2.4.3
模型整体显著性检验——F检验
2.2.5
如何进行样本外预测？
2.2.5.1
样本外均值预测
2.2.5.2
样本外个值预测
2.2.6
怎样看懂EViews回归分析报告结果？
2.3
实验内容
2.4
实验准备
2.4.1
实验软件
2.4.2
实验材料
2.4.3
实验规则
2.5
主要实验步骤
2.5.1
新建工作文件并导入数据
2.5.2
进行Eviews回归分析
2.5.3
构建几个重要变量对象
2.5.4
计算FF原序列(5个序列
series
)
2.5.5
计算ff离差序列(5个序列
series
)
2.5.6
计算回归系数的估计值:
2.5.7
计算回归拟合值、拟合值的离差、回归残差和残差平方序列(
series
)：
2.5.8
计算回归方程的误差方差及标准差
2.5.9
计算回归系数的样本方差和标准差：
2.5.10
进行平方和分解，计算TSS、ESS和RSS，以及各自的自由度（标量）
2.5.11
计算相关系数
\(r\)
和判定系数
\(r^2\)
(标量
scalar
)：
2.5.12
回归系数的t检验
2.5.13
对回归方程的整体显著性进行F假设检验
2.5.14
进行样本外的均值预测、个值预测，并计算置信区间
2.6
附录：prg源代码
2.7
作业题1（理论）
2.8
作业题2（上机）
3
模型函数形式与模型选择
3.1
实验目的及要求
3.2
实验原理
3.2.1
模型设置为有截距还是无截距？
3.2.2
变量单位变换下怎么选择模型？
3.2.3
如何选择模型的函数形式？
3.3
实验内容
3.4
实验准备
3.4.1
实验软件
3.4.2
实验材料
3.4.3
实验规则
3.5
主要实验步骤
3.5.1
新建工作文件并导入数据
3.5.2
绘制三个散点图（Y表示食物支出，X表示家庭总支出）
3.5.3
对7类模型进行Eviews回归分析
3.5.4
提取各类回归方程的回归系数
3.5.5
给出指定的样本数据点(X
0
,Y
0
)
3.5.6
得到7个线性模型中y对x在(X0,Y0)处的点斜率
3.5.7
得到7个线性模型中y对x在(X0,Y0)处的点弹性
3.5.8
得到7个线性模型中y对x的平均弹性
3.5.9
把所有计算结果制作成表格
3.5.10
对倒数模型
\(M_6\)
进行Eviews回归分析并提取回归系数
3.5.11
倒数模型
\(M_6\)
情形下，计算Y相对于X的点斜率
\((X_0=100,Y_0=30)\)
点斜率(slope)
3.5.12
倒数模型
\(M_6\)
情形下，计算Y相对于X的平均弹性(elasticity)
3.6
附录：prg源代码
3.7
作业题
4
多元线性回归及矩阵运算
4.1
实验目的及要求
4.2
实验原理
4.2.1
基本模型和重要概念的矩阵表达
4.2.2
OLS估计及BLUE性质的矩阵表达
4.2.3
平方和分解与拟合优度的矩阵表达
4.2.4
回归系数显著性检验（t检验）的矩阵方法实现
4.2.4.1
模型整体显著性检验（F检验）的矩阵方法实现
4.2.5
样本外预测的矩阵方法实现
4.3
实验内容
4.4
实验准备
4.4.1
实验软件
4.4.2
实验材料
4.4.3
实验规则
4.5
主要实验步骤——以对数模型为例@ref(eq:model2)
4.5.1
新建工作文件并导入数据
4.5.2
进行对数模型的Eviews回归分析
4.5.3
构建几个重要变量对象
4.5.4
构造X矩阵和Y矩阵对象
4.5.5
计算回归方程的回归系数向量
4.5.6
计算回归方程的误差方差及标准差
4.5.7
计算回归系数的方差协方差矩阵、系数的样本方差和标准差(列向量)
4.5.8
进行平方和分解，计算TSS、ESS和RSS，以及各自的自由度（标量）
4.5.9
计算自变量的相关系数表格、回归方程的判定系数和调整判定系数
4.5.10
对回归方程的回归系数进行显著性t检验
4.5.11
对回归方程的整体显著性进行F假设检验
4.5.12
进行样本外的均值预测、个值预测，并计算置信区间
4.6
附录：prg源代码
4.7
实验作业
5
多重共线性的诊断和矫正
5.1
实验目的及要求
5.2
实验原理
5.2.1
什么是模型多重共线性？
5.2.2
如何诊断模型多重共线性问题？
5.2.3
如何修正模型多重共线性问题？
5.3
实验内容
5.4
实验准备
5.4.1
实验软件
5.4.2
实验材料
5.4.3
实验规则
5.5
主要实验步骤
5.5.1
新建工作文件并导入数据
5.5.2
采用最小二乘法建立主回归模型
5.5.3
侦查多重共线性：主回归方程报告观察法
5.5.4
侦查多重共线性：矩阵相关系数和矩阵散点图
5.5.5
侦查多重共线性：构建辅助回归方程
5.5.6
侦查多重共线性：判定系数比较法
5.5.7
侦查多重共线性：方差膨胀因子（VIF）比较法
5.5.8
侦查多重共线性：容忍度（TOL）比较法
5.5.9
侦查多重共线性：回归系数方差分解法（Coefficient Variance Decomposition）
5.5.10
重共线性模型矫正：经济学和实践观察法
5.5.11
重共线性模型矫正：变量变换法
5.5.12
重共线性模型矫正：逐步最小二乘回归法（Stepwise Least Squares Regression）
5.5.13
重共线性模型矫正：主成分法(Principal Components)（自学）
5.6
附录：prg源代码
5.7
实验作业
6
异方差的诊断和矫正
6.1
实验目的及要求
6.2
实验原理
6.2.1
什么是模型异方差问题？
6.2.2
如何诊断模型异方差问题？
6.2.2.1
图形识别检验法
6.2.2.2
正式检验方法：Park检验法
6.2.2.3
正式检验方法：Glejser检验法
6.2.2.4
正式检验方法：BPG检验法
6.2.2.5
正式检验方法：White检验法
6.2.3
如何矫正模型异方差问题？
6.3
实验内容
6.4
实验准备
6.4.1
实验软件
6.4.2
实验材料
6.4.3
实验规则
6.5
主要实验步骤
6.5.1
导入数据并进行预处理
6.5.2
采用最小二乘法建立主回归模型
6.5.3
侦查模型是否存在异方差
6.5.3.1
初步观察法（观察主回归方程）
6.5.3.2
非正式检验法（图示法）
6.5.3.3
正式检验法
6.5.3.3.1
Park检验法
6.5.3.3.2
Glejser检验法
6.5.3.3.3
BPG检验法
6.5.3.3.4
White检验法
6.5.4
存在异方差问题的模型矫正
6.5.4.1
使用加权最小二乘法（WLS）矫正异方差问题
6.5.4.1.1
WLS矫正情形1： 方差
\(\sigma^2_i\)
已知且等于样本方差
\(S^2\)
6.5.4.1.2
WLS矫正情形2： 方差
\(\sigma^2_i\)
正比于
\(X^2_i\)
6.5.4.1.3
WLS矫正情形3： 方差
\(\sigma^2_i\)
正比于
\(X_i\)
6.5.4.1.4
WLS矫正情形4： 方差
\(\sigma^2_i\)
正比于
\(\hat{Y_i}^2\)
6.5.4.1.5
WLS矫正情形5： 方差
\(\sigma^2_i\)
未知
6.5.4.2
使用White校正法矫正异方差问题
6.6
作业题
7
自相关的诊断和矫正
7.1
实验目的及要求
7.2
实验原理
7.2.1
什么时候模型会出现自相关问题？
7.2.2
随机干扰项自相关有哪些表现形态？
7.2.3
自相关问题模型会有什么后果？
7.2.4
如何诊断模型存在自相关问题？
7.2.5
如何矫正存在自相关问题模型？
7.3
实验内容
7.4
实验准备
7.4.1
实验软件
7.4.2
实验材料
7.4.3
实验规则
7.5
主要实验步骤
7.5.1
导入数据并进行预处理
7.5.2
采用最小二乘法建立主回归模型
7.5.3
侦查模型是否存在自相关问题
7.5.3.1
残差观察法：
7.5.3.2
辅助回归法：
7.5.3.3
自相关和偏相关分析法
7.5.3.4
Durbin-Watson检验法
7.5.3.5
拉格朗日检验法（LM-test）
7.5.4
自相关问题模型的矫正
7.5.4.1
广义最小二乘法(GLS)：广义差分法变换（自相关系数已知）
7.5.4.2
广义最小二乘法(GLS)：基于残差辅助方程近似估计得到
\(\rho\)
（自相关系数未知）
7.5.4.3
广义最小二乘法(GLS)：基于D-W统计量近似计算得到
\(\rho\)
（自相关系数未知）
7.5.4.4
可行广义最小二乘法(FGLS)：基迭代法近似计算得到
\(\rho\)
（自相关系数未知）
7.5.4.5
一致性标准误校正法（HAC）：尼威-威斯特(Newey-West)校正法
7.6
作业题
8
虚拟变量回归模型
8.1
实验目的及要求
8.2
实验原理
8.2.1
如何把定性变量转换为虚拟变量？
8.2.2
如何理解虚拟变量回归模型？
8.2.3
虚拟变量陷进
8.2.4
虚拟变量回归模型有哪些形式？
8.3
实验内容
8.4
实验准备
8.4.1
实验软件
8.4.2
实验材料
8.4.3
实验规则
8.4.3.1
模型及参数命名规则
8.4.3.2
Eviews对象命名规则
8.5
主要实验步骤
8.5.1
导入数据并进行预处理
8.5.2
把定性变量设置成虚拟变量体系
8.5.2.1
操作解读
8.5.3
只含有虚拟变量的回归模型（考虑基础组的情形）
8.5.3.1
加法模型
8.5.3.1.1
报告解读
8.5.3.2
乘法模型
8.5.3.2.1
报告解读
8.5.4
同时含有虚拟变量和定量变量的回归模型（考虑基础组的情形）
8.5.4.1
加法模型
8.5.4.1.1
报告解读
8.5.4.2
乘法模型
8.5.4.2.1
报告解读
8.5.5
时间序列季节虚拟变量模型
8.5.6
分段线性回归模型（piecewise linear regression）
8.6
作业题
9
计量经济学进阶
9.1
Framework and system
9.2
Symbol and notation
9.3
Conditional Expectation and Projection
9.3.1
theory
9.3.1.1
CEF
9.3.1.2
Linear Projection
9.3.1.3
Regression Sub-Vectors:
9.3.1.4
Causal effects
9.3.2
Example and R code
9.3.2.1
dataset
9.3.2.2
R code
10
联立方程模型
10.1
语言体系
10.2
似不相关回归SUR
10.2.1
理论点评
10.2.2
理论表达
10.2.3
假设检验
10.2.4
可行广义最小二乘法FGLS
10.2.5
计算工具
10.2.6
美国州产值分析
10.2.7
参考资料
11
广义矩估计
11.1
矩定义与矩估计
11.2
矩估计量的渐进性质
11.3
最小距离估计
12
双重差分法
12.1
学习资源
12.1.1
textbooks
12.1.2
R code guide
12.2
实证案例
12.2.1
新泽西州最低保障工资案例
12.2.2
警力的犯罪震慑案例
12.2.3
限酒令影响酒类销量案例
12.2.4
禁止堕胎法影响犯罪案例
12.3
基本理论
12.3.1
定义与符号
12.3.2
识别问题identification
12.3.3
趋势项Trend Specification
12.3.4
推断问题Inference
13
模型选择
13.1
Cross-Validation Criterion
13.2
K-Fold Cross-Validation
14
机器学习
14.1
textbooks
14.2
concept
14.3
p-norms
14.4
Shrinkage methods
14.4.1
moment of estimator
14.4.2
weighted mean squared error
14.4.3
estimate the optimal shrinkage weight
14.4.4
James-Stein Shrinkage Estimator
14.4.5
Positive Part Estimator
14.4.6
Shrinkage Towards Restrictions
14.4.7
Group James-Stein
14.5
Ridge Regression
14.6
Lasso
14.6.1
基本理论
14.6.2
学习资源
14.6.3
学习案例
14.6.3.1
模拟数据
14.6.3.2
建模分析
14.7
Elastic Net
14.8
Post-Lasso
14.9
Regression Trees
14.10
Bagging
14.11
Random Forests
14.12
Ensembling
14.13
Lasso IV
14.14
Double/Debiased Machine Learning
15
Tidymodels应用
15.1
shrinkage建模
15.1.1
学习资源
15.1.2
模拟分析
15.1.3
baseball players case
15.1.3.1
Linear regression
15.1.3.2
Ridge regression
15.1.3.3
CV selection
15.2
Lasso分析（模拟数据）
15.2.1
准备数据
15.2.2
分拆数据
15.2.3
数据配方
15.2.4
模型设定
15.2.5
工作流设定
15.2.6
参数空间
15.2.7
交叉验证设定
15.2.8
Lasso调参估计
15.2.9
最优模型选择
15.2.10
变量重要性
15.2.11
测试集数据
15.2.12
相关资源
参考文献
16
主要参考文献
附录
A
附录：相关资源
A.1
主要教材
A.1.1
传统教材
A.1.2
R软件教材
A.2
在线资源
A.3
github仓库
A.4
相关R包
B
附录：证明
C
附录：Latex语法
C.1
数学符号
C.2
矩阵计算
C.3
外观样式
作者简介
计量经济学实验设计与应用：Eviews软件实现
作者简介
上不了厅堂，下得了厨房。敲得了代码，逮得住蟑螂。