☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

編輯推薦

　　隨著時間序列數據與橫截麵數據變得越來越容易獲得，如何更加有效地對它們進行分析逐漸成為研究者需要麵對的問題。《閤並時間序列分析》一書提供瞭同時分析這兩種數據形式的方法，並且也探討瞭如何能夠改進對研究群體的估計。除此之外，隨著相關數據不斷被獲得，該方法也能分析更大的樣本，並最終幫助研究者進行更有效的研究。

內容簡介

　　什麼是閤並時間序列？正如字麵上所錶達的，時間序列（在一個分析單位下規律齣現的具有時間性的觀測值）由橫截麵數據（在單獨時間點上一個分析單位下的觀測值）組成的一個數據集。這些分析單位可以是學校、健康組織、商業交易、城市、國傢等。為什麼需要進行“閤並分析”呢？其中一個原因在於，當下研究者可以獲得越來越多的相關橫截麵數據與時間序列數據。另外一個原因在於，將時間序列數據與橫截麵數據閤並可以顯著地擴大樣本量，這使之前顯得棘手的分析問題變為可能。

作者簡介

　　洛伊斯·塞耶斯（Lois W. Sayrs），愛荷華大學政治學助理教授。她從西北大學獲得政治學博士學位。她現在的研究興趣包括國際衝突過程的離散選擇模型以及國際政治經濟學。

　　溫方琪，紐約大學社會學係博士研究生。她先後於中山大學和香港科技大學獲得學士與碩士學位。她的主要研究領域包括社會人口學、社會分層與不平等以及量化研究方法。她尤其感興趣的是對社會現象進行因果識彆並探究其背後的機製。

目錄

序第1章 導言第2章 閤並時間序列模型的理論推導第1節 在應用中的閤並第2節 閤並綫性迴歸模型第3節 四種閤並模型第4節 初步診斷與殘差分析第3章 恒定係數模型第1節 估計恒定係數模型第2節 糾正自相關第3節 異方差性第4節 恒定係數模型的局限性第4章 LSDV模型第1節 異方差性與單位效應第2節 估計LSDV模型第5章 隨機係數模型第1節 估計隨機係數模型：GLS方法第2節 GLS模型的一個ARMA變異第3節 GLS模型的一個看似不相關迴歸第4節 Swamy隨機係數模型第5節 Hsiao隨機係數模型第6節 轉換模型第7節 ARCH模型第8節 隨機係數模型的總結第6章 結構方程模型第1節 兩步估計第2節 最大似然估計第3節 LOGIT與PROBIT設定第4節 最大似然法的總結第7章 穩健性檢驗：這些估計值有多好？第1節 穩健性估計函數第2節 異方差性與穩健性第8章 閤並時間序列分析的總結注釋參考文獻譯名對照錶

精彩書摘

　　本書討論使用同時包含橫截麵與時間序列的數據的迴歸分析。一個時間序列是一組數列，就一組變量X_t與X_(t+1)而言，觀測值之間的距離是恒定且固定的（Ostrom, 1978）。一個橫截麵則是一個分析單位在特定時間點上所存在的一組變量（X_i … X_n）的全部觀測值。當變量在一定時間跨度內在一定數量的不同橫截麵上被反復觀測到時，我們可將這樣産生的數據矩陣稱為一個閤並時間序列（pooled time series）。

　　歸納閤並時間序列矩陣的特徵有許多種方法。標準的方法是首先歸納橫截麵上的特徵，然後再歸納時間序列上的特徵。矩陣的形式被設定，這對於一個橫截麵內部隨時間發生的變化較不同橫截麵之間産生的變化而言是次要的。

　　將橫截麵與時間序列用這樣的方式組閤在一起的主要好處是可以捕捉到不同單位在空間上的變化以及同一單位隨時間産生的變化。因此，我們可以對結果以及産生結果的過程進行描述、分析以及假設檢驗。當時間序列的長度被縮減且/或橫截麵的樣本量較小時，閤並數據是應用性研究中一個特彆有用的方法。通常來說，單變量時間序列對於常規時間序列技術而言顯得太短瞭。許多時間序列方法要求至少30個時間點，而其它的一些方法要求更多。

　　本書的主要目的是嚮已具備有關綫性模型、迴歸方法和單變量時間序列估計基本知識的讀者介紹閤並時間序列設計。首先，我們會檢驗閤並時間序列的迴歸模型，然後再檢驗各種不同的迴歸估計技術。本書會穿插對閤並時間序列設計進行應用的不同例子，這些例子來自社會科學和行為科學。本書的敘述形式將結閤對閤並時間序列問題的理論展示與具體應用。為瞭方便閱讀與課堂教學，所有的章節將用大寫字母（A、B、C）來錶明睏難程度。

　　……

前言/序言

　　什麼是閤並時間序列（pooled time series）？正如字麵上所錶達的，時間序列（在一個分析單位下規律齣現的具有時間性的觀測值）由橫截麵數據（cross-sections）（在單獨時間點上一個分析單位下的觀測值）組成的一個數據集。這些分析單位可以是學校、健康組織、商業交易、城市、國傢等。為什麼需要進行“閤並分析”呢？其中一個原因在於，當下研究者可以獲得越來越多的相關橫截麵數據與時間序列數據。另外一個原因在於，將時間序列數據與橫截麵數據閤並可以顯著地擴大樣本量，這使之前顯得棘手的分析問題變為可能。

　　舉一個簡單的例子。布魯姆（Broom）教授希望使用一個包含20個美國城市的數據來解釋財産犯罪率的變化情況。她提齣下麵的模型：

　　C = α + b_1 U+ b_2 L+ b_3 R+e

　　其中C = 城市財産犯罪率，U=失業率，R=區域位置，所有的變量都包含15年中每一年的觀測值。假設經典迴歸的假設都被滿足，那麼布魯姆可對以上等式進行15次最小二乘（OLS）估計（每一年的橫截麵數據一次）。然後，她可以再運用20次OLS（每一個城市的時間序列一次）。或者，假設所有的參數（α、b_1、b_2和b_3）都在時間與空間上恒定，她便可以簡單地將所有觀測值閤並進而僅僅隻計算一個迴歸。這個簡潔的步驟可以將樣本量N增加至300，同時也可以在很大程度上提高估計的統計有效性。

　　這種對OLS的應用與塞耶斯（Sayrs）博士所命名的閤並分析的恒定係數模型（constant coefficients model）是一緻的。此處最大的睏難在於恒定參數的假設難以被滿足。假設較易滿足的一個模型是最小二乘虛擬變量模型（least squares dummy variable model）[有時它也被稱作協方差模型（covariance model）]。該模型允許截距隨時間以及橫截麵變化。同樣地，這裏的虛擬變量不具備實質性意義，它們極大地減少瞭自由度以及與此對應的統計解釋力。一個可能的替代是誤差成分模型（error components model）[塞耶斯教授也將其稱為隨機係數模型（random coefficient model）]。這個模型明確地將橫截麵上的與時間序列上的誤差都考慮瞭進去。然而，在滯後因變量（lagged dependent variable）在等式右側或者是等式嵌套在一個更大的聯立方程組（simultaneous-equation system）的情況下，不可以這裏所需要的加權最小二乘類型的估計（weighted least squares type-estimation）。此外，當嚴重的時間序列相關存在時，誤差假設往往被極大地削弱。為瞭超越誤差成分模型的局限性，塞耶斯教授提齣瞭一個結構方程模型（structural equation model）。她以對閤並時間序列分析下的估計函數穩健性的評論總結全書。

　　邁剋爾·S.劉易斯-貝剋

閤並時間序列分析 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

類似圖書 點擊查看全場最低價

查看全網最低價