橫截麵與麵闆數據的計量經濟分析（第二版）（套裝上下冊） pdf epub mobi txt 电子书下载 2025

☆☆☆☆☆

傑弗裏·M·伍德裏奇著，鬍棋智，鬍江華，王忠玉譯

圖書標籤:

計量經濟學
橫截麵數據
麵闆數據
固定效應
隨機效應
工具變量
因果推斷
經濟分析
統計建模
數據分析

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到求知書站

tushu.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

出版社：中国人民大学出版社

ISBN：9787300219387

版次：1

商品编码：11859449

包装：平装

丛书名：经济科学译丛

开本：16开

出版时间：2016-01-01

页数：892

具体描述

內容簡介

　　這本備受贊譽的研究生教材第二版提供瞭用在現代計量經濟學研究的兩類數據結構分析的一個統一處理：橫截麵數據和麵闆數據。本書同時涵蓋瞭綫性和非綫性模型，包括含有動態性和/或個體異質性的模型。除瞭一般估計框架（特彆是矩方法與極大似然法）外，還詳細介紹瞭一些特定的綫性與非綫性方法，包括probit和logit模型、多項選擇和有序選擇模型、Tobit模型和兩部拓展式、關於計數數據的模型、多種截取和缺失數據設計、因果（或處理）效應估計，以及期限分析，並擴展瞭控製函數和相關隨機效應方法以允許估計存在內生性和異質性的復雜模型。
　　相比第一版，第二版已經被實質性地更新和修訂。改進包括：更大的一類關於缺失數據問題的模型；整群抽樣問題更詳細的處理，這對經驗研究而言是一個重要主題；關於＂廣義工具變量＂(GIV)估計的展開討論；對逆概率加權的新覆蓋；一個用於估計含有關於乾預和不同數據結構——包括麵闆數據，和一個在對非綫性麵闆數據的計量經濟學方法與在統計學及其他領域中流行的＂廣義估計方法＂文獻之間牢固確立的聯係——方麵假設的處理效應之更完整的框架。對解釋特殊的計量經濟學方法可以在何時應用給予瞭新的關注；目標不僅是告訴讀者什麼是起作用的，而且還說明某些＂顯然的＂程序為何不可行。許多列入書中的習題，無論是理論性的還是基於計算機的，都允許讀者拓展涵蓋在書中的方法並發現新的洞見。

作者簡介

傑弗裏.M.伍德裏奇是密歇根州立大學的經濟學＂大學傑齣教授＂和計量經濟學會院士。

第Ⅰ篇引論與背景

第1章引論
1．1 因果關係與其餘條件不變分析
1．2 隨機設置與漸近分析
1．2．1 數據結構
1．2．2 漸近分析
1．3 一些例子
1．4 為什麼不使用固定的解釋變量?

第2章計量經濟學中條件期望與相關概念
2．1 條件期望在計量經濟學中的作用
2．2 條件期望的特徵
2．2．1 定義與例子
2．2．2 偏效應、彈性與半彈性
2．2．3 條件期望模型的誤差形式
2．2．4 條件期望的若乾性質
2．2．5 平均偏效應
2．3 綫性投影
習題
附錄2A
2A．1 條件期望的性質
2A．2 條件方差與協方差的性質
2A．3 綫性投影的性質

第3章基本漸近理論
3．1 確定性序列收斂
3．2 依概率收斂與依概率有界
3．3 依分布收斂
3．4 隨機樣本的極限定理
3．5 估計量與檢驗統計量的極限特性
3．5．1 估計量的漸近性質
3．5．2 檢驗統計量的漸近性質
習題

第Ⅱ篇綫性模型

第4章單方程綫性模型與普通最小二乘法估計
4．1 單方程綫性模型概述
4．2 普通最小二乘法的漸近性質
4．2．1 一緻性
4．2．2 利用普通最小二乘法的漸近推斷
4．2．3 異方差性穩健的推斷
4．2．4 拉格朗日乘子（得分）檢驗
4．3 遺漏變量問題的普通最小二乘法解
4．3．1 忽略被遺漏變量的普通最小二乘法
4．3．2 代理變量——普通最小二乘法解
4．3．3 含有在不可觀測項中存在的交互作用的模型：隨機係數模型
4．4 測量誤差下普通最小二乘法的性質
4．4．1 因變量的測量誤差
4．4．2 解釋變量的測量誤差
習題

第5章單方程綫性模型的工具變量估計
5．1 工具變量與兩階段最小二乘法
5．1．1 工具變量估計的動機
5．1．2 多重工具：兩階段最小二乘法
5．2 兩階段最小二乘法的一般處理
5．2．1 一緻性
5．2．2 兩階段最小二乘法的漸近正態性
5．2．3 兩階段最小二乘法的漸近有效性
5．2．4 使用兩階段最小二乘法的假設檢驗
5．2 兩階段最小二乘法的異方差性穩健推斷
5．2．6 使用兩階段最小二乘法的潛在陷阱
5．3 遺漏變量與測量誤差問題的IV解
5．3．1 誤差項中的遺漏因素
5．3．2 利用不可觀測指示符求解
習題

第6章附加的單方程專題
6．1 使用生成迴歸元與工具的估計
6．1．1 使用生成迴歸元的普通最小二乘法
6．1．2 使用生成工具的二階段最小二乘法
6．1．3 生成工具與迴歸元
6．2 處理內生性的控製函數法
6．3 一些設定檢驗
6．3．1 內生性檢驗
6．3．2 過度識彆約束檢驗
6．3．3 函數形式檢驗
6．3．4 異方差性檢驗
6．4 相關的隨機係數模型
6．4．1 何時一般的IV估計量是一緻的？
6．4．2 控製函數法
6．5 混閤的截麵數據與倍差法估計
6．5．1 跨時間混閤橫截麵
6．5．2 政策分析和倍差法估計
習題
附錄6A

第7章利用普通最小二乘法與廣義最小二乘法估計方程組
7．1 簡介
7．2 一些例子
7．3 多變量綫性方程組的係統普通最小二乘法估計
7．3．1 預備知識
7．3．2 係統普通最小二乘法的漸近性質
7．3．3 多重假設檢驗
7．4 廣義最小二乘法的一緻性與漸近正態性
7．4．1 一緻性
7．4．2 漸近正態性
7．5 可行的廣義最小二乘法
7．5．1 漸近性質
7．5．2 標準假設下可行的廣義最小二乘法的漸近方差
7．5．3 含有對無條件方差矩陣（可能不正確）約束的可行廣義最小二乘法的性質
7．6 檢驗可行廣義最小二乘法的使用
7．7 似無關迴歸的再研究
7．7．1 關於似無關迴歸方程組的普通最小二乘法與可行廣義最小二乘法之間的比較
7．7．2 含有方程間約束的方程組
7．7．3 似無關迴歸方程組中的奇異方差矩陣
7．8 綫性麵闆數據模型的再研究
7．8．1 混閤普通最小二乘法的假設
7．8．2 動態完備性
7．8．3 時間序列持久性的一個評注
7．8．4 穩健漸近方差矩陣
7．8．5 檢驗混閤普通最小二乘法的序列相關性與異方差性
7．8．6 嚴格外生性下可行的廣義最小二乘法估計
習題

第8章利用工具變量的係統估計
8．1 簡介與例子
8．2 一般綫性方程組
8．3 廣義矩估計方法
8．3．1 一般加權矩陣
8．3．2 係統兩階段最小二乘法估計量
8．3．3 最優加權矩陣
8．3．4 廣義矩三階段最小二乘法估計量
8．4 廣義工具變量估計量
8．4．1 廣義工具變量估計量的推導及其漸近性質
8．4．2 廣義矩方法、廣義工具變量及傳統的三階段最小二乘估計量之比較
8．5 利用廣義矩方法的檢驗
8．5．1 檢驗古典假設
8．5．2 檢驗過度識彆約束
8．6 更有效估計與最優工具
8．7 對如何選擇一個估計量的總結評論
習題

第9章聯立方程模型
9．1 聯立方程模型的範圍
9．2 綫性方程組的識彆
9．2．1 排除約束與約簡型
9．2．2 一般綫性約束與結構方程
9．2．3 不可識彆、恰好識彆以及過度識彆方程
9．3 識彆後估計
9．3．1 穩健性與有效性的權衡
9．3．2 什麼時候2SLS與3SLS是等價的？
9．3．3 估計約簡型參數
9．4 附加的綫性聯立方程方法的若乾專題
9．4．1 利用跨方程約束達到識彆
9．4．2 利用協方差約束達到識彆
9．4．3 關於綫性方程組中的識彆與有效性的一些微妙之處
9．5 關於內生變量為非綫性的聯立方程模型
9．5．1 識彆
9．5．2 估計
9．5．3 三角形方程組的控製函數估計
9．6 不同方程的不同工具
習題
．

第10章基本綫性不可觀測效應麵闆數據模型
10．1 動機：遺漏變量問題
10．2 不可觀測效應與解釋變量的假設
10．2．1 隨機效應還是固定效應?
10．2．2 解釋變量的嚴格外生性假設
10．2．3 不可觀測效應麵闆數據模型的一些例子
10．3 通過混閤普通最小二乘法估計不可觀測效應模型
10．4 隨機效應方法
10．4．1 基本隨機效應假設下的估計與推斷
10．4．2 穩健方差矩陣估計量
10．4．3 一般可行廣義最小二乘法分析
10．4．4 檢驗不可觀測效應的存在
10．5 固定效應方法
10．5．1 固定效應估計量的一緻性
10．5．2 含有固定效應的漸近推斷
10．5．3 虛擬變量迴歸
10．5．4 序列相關與穩健方差矩陣估計量
10．5．5 固定效應廣義最小二乘法
10．5．6 利用固定效應對政策分析進行估計
10．6 一階差分方法
10．6．1 推斷
10．6．2 穩健方差矩陣
10．6．3 序列相關檢驗
10．6．4 利用一階差分的政策分析
10．7 估計量的比較
10．7．1 固定效應與一階差分
10．7．2 隨機效應估計量與固定效應估計量之間的關係
10．7．3 比較隨機效應估計量與固定效應估計量的豪斯曼檢驗
習題

．
第11章綫性不可觀測效應模型的更多專題
11．1 標準綫性不可觀測效應模型的廣義矩方法（GMM）
11．1．1 GMM的3SLS和標準估計量之間的等價性
11．1．2 不可觀測效應模型的張伯倫方法
11．2 隨機和固定效應工具變量法
11．3 豪斯曼和泰勒式模型
11．4 一階差分工具變量法
11．5 含測量誤差的不可觀測效應模型
11．6 序貫外生性下的估計
11．6．1 一般框架
11．6．2 含滯後因變量的模型
11．7 含有個體特有斜率的模型
11．7．1 隨機趨勢模型
11．7．2 含有個體特有斜率的一般模型
11．7．3 標準固定效應方法的穩健性
11．7．4 相關隨機斜率檢驗
習題

第Ⅲ篇非綫性估計的一般方法

第12章 M估計、非綫性迴歸以及分位數迴歸
12．1 簡介
12．2 識彆、一緻收斂性與一緻性
12．3 漸近正態性
12．4 兩步驟M估計量
12．4．1 一緻性
12．4．2 漸近正態性
12．5 估計漸近方差
12．5．1 不含多餘參數的估計
12．5．2 調整兩步估計
12．6 假設檢驗
12．6．1 瓦爾德檢驗
12．6．2 得分（或拉格朗日乘子）檢驗
12．6．3 基於目標函數中變化的檢驗
12．6．4 備擇假設下的統計量錶現
12．7 最優化方法
12．7．1 牛頓拉夫森方法
12．7．2 伯恩特霍爾霍爾豪斯曼算法
12．7．3 廣義高斯牛頓方法
12．7．4 齣自目標函數的集成參數
12．8 模擬與再抽樣方法
12．8．1 濛特卡羅模擬
12．8．2 自助法
12．9 多元非綫性迴歸方法
12．9．1 多元非綫性最小二乘法
12．9．2 加權多元非綫性最小二乘法
12．10 分位數估計
12．10．1 分位數、估計問題和一緻性
12．10．2 漸近推斷
12．10．3 麵闆數據的分位數迴歸
習題

第13章極大似然法
13．1 簡介
13．2 預備知識與例子
13．3 條件極大似然估計的一般框架
13．4 條件極大似然估計的一緻性
13．5 漸近正態性與漸近方差估計
13．5．1 漸近正態性
13．5．2 估計漸近方差
13．6 假設檢驗
13．7 設定檢驗
13．8 麵闆數據的偏（或混閤）似然方法
13．8．1 麵闆數據設置
13．8．2 漸近推斷
13．8．3 動態完備模型的推斷
13．9 含有不可觀測效應的麵闆數據模型
13．9．1 含嚴格外生解釋變量的模型
13．9．2 含滯後因變量的模型
13．10 涉及極大似然的兩步法估計量
13．10．1 第二步估計量為極大似然估計量
13．10．2 當第一步估計量是條件極大似然估計量時令人驚訝的有效性結果
13．11 準極大似然估計
13．11．1 一般誤設
13．11．2 模型選擇檢驗
13．11．3 綫性指數族中的準極大似然估計
13．11．4 麵闆數據的廣義估計方程
習題
附錄13A

第14章廣義矩方法與最小距離估計
14．1 廣義矩方法的漸近性質
14．2 在正交性條件下的估計
14．3 非綫性方程組
14．4 有效估計
14．4．1 一般有效性框架
14．4．2 極大似然估計的有效性
14．4．3 在條件矩約束下對工具的有效選取
14．5 古典最小距離估計
14．6 麵闆數據的應用
14．6．1 非綫性動態模型
14．6．2 不可觀測效應模型的最小距離方法
14．6．3 含有關於不可觀測效應的時變係數的模型
習題
附錄14A

第Ⅳ篇非綫性模型與相關專題

第15章二值響應模型
15．1 簡介
15．2 二值響應的綫性概率模型
15．3 二值響應的指標模型：Probit與Logit
15．4 二值響應指標模型的極大似然估計
15．5 二值響應指標模型檢驗
15．5．1 多重排除約束檢驗
15．5．2 關於β的非綫性假設檢驗
15．5．3 針對更一般備擇假設的檢驗
15．6 Probit與Logit的結果報告
15．7 二值響應模型的設定問題
15．7．1 可忽略的異質性
15．7．2 連續內生解釋變量
15．7．3 二值內生解釋變量
15．7．4 潛變量模型的異方差性與非正態性
15．7． 5 在更弱假設下的估計
15．8 麵闆數據的二值響應模型
15．8．1 混閤的probit與logit
15．8．2 嚴格外生性下不可觀測效應的probit模型
15．8．3 嚴格外生性下不可觀測效應的logit模型
15．8．4 動態不可觀測效應模型
15．8．5 含異質性與內生解釋變量的probit模型
15．8．6 半參數方法
習題

第16章多項響應與有序響應模型
16．1 簡介
16．2 多項響應模型
16．2．1 多項logit
16．2．2 概率選擇模型
16．2．3 內生解釋變量
16．2．4 麵闆數據方法
16．3 有序響應模型
16．3．1 有序logit與有序probit
16．3．2 有序模型中的設定問題
16．3．3 內生解釋變量
16．3．4 麵闆數據方法
習題

第17章角點解響應
17．1 動機和例子
17．2 第Ⅰ類Tobit迴歸的有用錶達式
17．3 第Ⅰ類Tobit模型的估計和推斷
17．4 結果報告
17．5 Tobit模型中的設定問題
17．5 ．1 可忽略的異質性
17．5．2 內生解釋變量
17．5．3 潛變量模型中的異方差性與非正態性
17．5．4 更弱假設下的參數估計
17．6 兩部模型和角點解的第Ⅱ類Tobit迴歸
17．6．1 斷尾正態柵欄模型
17．6．2 對數正態柵欄模型和指數條件均值
17．6．3 指數的第Ⅱ類Tobit模型
17．7 雙限Tobit模型
17．8 麵闆數據方法
17．8．1 混閤方法
17．8．2 嚴格外生性下的不可觀測效應模型
17．8．3 動態不可觀測效應Tobit模型
習題

第18章計數響應、分數響應及其他非負響應
18．1 簡介
18．2 泊鬆迴歸
18．2．1 用於泊鬆迴歸及所關注的量的假設
18．2．2 泊鬆QMLE的一緻性
18．2．3 泊鬆QMLE的漸近正態性
18．2．4 假設檢驗
18．2． 5 設定檢驗
18．3 其他計數數據迴歸模型
18．3．1 負二項迴歸模型
18．3．2 二項迴歸模型
18．4 伽瑪（指數）迴歸模型
18．5 指數迴歸函數中的內生性
18．6 分數響應
18．6．1 外生解釋變量
18．6．2 內生解釋變量
18．7 麵闆數據方法
18．7．1 混閤QMLE
18．7．2 對含不可觀測效應的條件期望設定模型
18．7．3 隨機效應方法
18．7．4 固定效應泊鬆估計
18．7．5 放鬆嚴格外生性假設
18．7．6 麵闆數據的分數響應模型
習題

第19章截取數據、樣本選擇及損耗
19．1 簡介
19．2 數據截取
19．2．1 二值截取
19．2．2 區間加密
19．2．3 上部截取和下部截取
19．3 樣本選擇概述
19．4 樣本選擇何時可被忽略？
19．4．1 綫性模型：利用OLS與2SLS的估計
19．4．2 非綫性模型
19．5 以響應變量為基礎的選擇：斷尾迴歸
19．6 從屬斷尾：一個probit選擇方程
19．6．1 外生解釋變量
19．6．2 內生解釋變量
19．6．3 含有樣本選擇的二值響應模型
19．6．4 一個指數響應函數
19．7 從屬斷尾：一個Tobit選擇方程
19．7．1 外生解釋變量
19．7．2 內生解釋變量
19．7．3 估計含有樣本選擇的結構Tobit方程
19．8 缺失數據的逆概率加權
19．9 綫性麵闆數據的樣本選擇與損耗
19．9．1 含有非平衡麵闆數據的固定和隨機效應估計
19．9．2 對樣本選擇偏誤的檢驗與校正
19．9．3 損耗
習題

第20章分層抽樣與整群抽樣
20．1 簡介
20．2 分層抽樣
20．2．1 標準分層抽樣與可變概率抽樣
20．2．2 用加權估計量解釋分層
20．2．3 基於外生變量的分層
20．3 整群抽樣
20．3．1 關於整群數量多且整群規模小的推斷
20．3．2 含單元特有麵闆數據的整群樣本
20．3．3 對於大的組規模，我們應當應用整群—穩健的推斷嗎？
20．3．4 整群數量少時的推斷
20．4 復雜的調查抽樣
習題

第21章估計平均處理效應
21．1 簡介
21．2 反事實設置與自選擇問題
21．3 假設處理的可忽略性（或無混性）的方法
21．3．1 識彆
21．3．2 迴歸調整
21．3．3 傾嚮得分方法
21．3．4 使迴歸調整和傾嚮得分加權相結閤
21．3．5 匹配方法
21．4 工具變量方法
21．4．1 利用IV估計平均處理效應
21．4．2 校正和控製函數法
21．4．3 利用IV估計局部平均處理效應
21．5 斷點迴歸設計
21．5．1 清晰斷點迴歸設計
21．5．2 模糊斷點迴歸設計
21．5．3 與模糊斷點迴歸相對比的無混性
21．6 進一步探討的問題
21．6．1 關於含離散性或取值範圍有限響應的特殊考慮
21．6．2 多值處理
21．6．3 多重處理
21．6．4 麵闆數據
習題

第22章期限分析
22．1 簡介
22．2 風險函數
22．2．1 不帶協變量的風險函數
22．2．2 以非時變協變量為條件的風險函數
22．2．3 以時變協變量為條件的風險函數
22．3 含有非時變協變量的單個時段數據分析
22．3．1 流量抽樣
22．3．2 使用截取流量數據的極大似然估計
22．3．3 存量抽樣
22．3．4 不可觀測異質性
22．4 分組期限數據分析
22．4．1 非時變協變量
22．4．2 時變協變量
22．4．3 不可觀測異質性
22．5 進一步探討的問題
22．5．1 比例風險模型的考剋斯偏似然方法
22．5．2 多重時段數據
22．5．3 互競風險模型
習題
譯後記
第二版譯後記

精彩書摘

　　《橫截麵與麵闆數據的計量經濟分析（第二版）（套裝上下冊）》：
　　通常會有許多原因去認為，假設OLS.3會不滿足，在這種情形中，方程（4.10）甚至不再是漸近方差矩陣的一個有效估計值。如果我們做齣零條件均值假設（4.3），那麼解決妨礙假設OLS.3成立的問題的一個方法是，對Var（y｜x）設定一個模型，估計此模型，並且應用加權最小二乘法（weighted leastsquares，WLS）：因為對於觀測值i，yi與xi的每一個元素（包含1）均被條件標準差（Var（yi｜xi））1／2的估計值除，同時OLS被應用於加權數據上（詳細情形，參閱伍德裏奇（Wooldridge，2009a，第8章））。這一方法導緻瞭β的不同估計量。在第12章，我們在非綫性迴歸更一般的情形中討論WLS。最近，甚至在懷疑存在異方差的情形中，由OLS估計β已經變得十分流行瞭，隻要調整標準誤及檢驗統計量使得它們在任意異方差存在的情形中都是有效的。既然無論假設OLS.3是否成立，這些標準誤都是有效的，此方法比加權最小二乘法更容易。我們所失去的是由加權最小二乘法（WLS）（參閱第14章）所獲得的潛在有效性（ efficiency）。但是隻有Var（y｜x）是正確的時候，由WLS所取得的有效性纔能得到保證。進一步地，如果E（μ｜x）≠0，但假設OLS.1成立，那麼WLS通常是非一緻性的，所以WLS對於估計綫性投影而言是不適當的。特彆地，對於大的樣本量來說，異方差性的存在不一定會影響人們利用OLS實施準確推斷的能力。但是，需要適當地計算標準誤與檢驗統計量。
　　……