本书除了包括经典计量经济学内容 (如, 单方程回归模型, 联立方程模型, 时间序列模型) 外, 还包括近年来比较新的计量经济学研究成果、如单位根检验、单方程误差修正模型、向量自回归模型和面板数据模型等内容。本书除了介绍计量经济学的知识点, 还给出很多实用中国案例, 并配有软件EViews和STATA的相应操作步骤, 方便读者运算。
本书除了包括经典计量经济学内容，还包括近年来比较新的计量经济学研究成果；除了介绍计量经济学的知识点，还给出很多实用中国案例，并配有软件EViews和STATA的相应操作步骤。
本书主要由回归模型、时间序列ARIMA模型、单位根检验和误差修正模型、面板数据模型等内容组成。读者对象是大专院校的本科生、硕士研究生以及从事经济、管理等领域研究的学者、工作者和教师。若讲授完本书全部内容再加上安排上机时间，大约需要100学时。
本书共分14章。其中第1~9章基本上属于经典计量经济学的内容。第10章介绍时间序列ARIMA模型，第11章和第12章介绍非平稳时间序列以及单位根检验。第13章介绍单方程误差修正模型。第14章介绍面板数据模型。第11~14章属于计量经济学中比较新的内容，系统介绍第11~14章内容的本科生教材以往并不多见。
本书具有如下一些特点。
用现代手段和视角分析经典计量经济学知识和非平稳相关统计量的分布特征。例如，对OLS回归估计量、异方差、自相关、多重共线性、动态模型回归系数估计量分布的讨论，既给出理论推导，又给出蒙特卡洛模拟结果，将会使读者更容易理解所学习的内容。蒙特卡洛模拟方法是分析统计量分布特征的重要方法，但是对于十多年前的国内来说，是不可能做到的事情，主要是受计算机运算速度的影响。现在，计算机运算速度早已今非昔比，所以是用蒙特卡洛模拟方法研究、讲授统计量分布特征的时候了。本书还给出了非平稳时间序列建模，虚假回归，虚假相关，单整、协整相关统计量分布特征的蒙特卡洛模拟结果。蒙特卡洛模拟方法有助于读者对统计量分布特征的理解。
把时间序列ARIMA模型引入计量经济学教材。从当前看，ARIMA模型是计量经济学理论的重要组成部分。而20世纪的计量经济学教材则主要以介绍回归模型为主，很少或根本不涉及ARIMA模型部分。计量经济学理论发展到今天，如果不学习ARIMA模型，则单位根检验，单整、协整理论，组合（regARIMA）模型，误差修正模型等知识根本无法掌握。
在介绍计量经济模型的方式上坚持3个环节并举： 介绍计量经济模型的理论知识，介绍与其相联系的典型案例分析，介绍与案例分析相对应的计量经济建模的EViews 9操作。如果读者自己再运用专用软件EViews和STATA进行练习，则一定会完美掌握本书所提供的计量经济学知识。
凡是样本容量不大的数据在书中相应例子和案例的位置都已经给出，而书中全部例子和案例的样本数据则以EViews和STATA数据文件的形式在清华大学出版社官方网站（http://www.tup.com.cn）和书中的二维码上给出。读者可免费下载，也可以直接向作者索取。所有数据文件的编号都与书中例子和案例的编号相对应。用li表示例子的编号，case表示案例的编号。比如，li 133表示第13章第3个例子； case 151表示第15章第1个案例。STATA文件名与EViews数据文件的命名方法相同。
EViews数据文件
STATA数据文件
书中所提供的案例基本上都是中国建模案例。因为读者对中国的国情最为熟悉，用中国案例分析建模过程和估计结果，读者最容易理解，同时也为计量经济学理论与分析中国经济实际相结合提供切实的范例。
书中在表达模型时，所有的变量都用英文字母，所有模型的参数都用希腊字母表示。
书的最后提供三个附录。附录A给出推断统计学与矩阵知识的简要介绍，供读者查阅。附录B给出15个假设检验用表。附录C给出EViews 9 使用简介，有助于读者对计量经济学软件EViews 9的运用与掌握。书中每一个知识点都给出EViews 9操作的简要说明。
非平稳序列相关统计量极限分布的推导过程本书未给出，作者认为已超出了本科生和硕士研究生的知识范围，如果读者感兴趣，可以参考更高层次的计量经济学著作。
本书第4章和第5章初稿由赵娜博士撰写，其余部分则均由张晓峒撰写。张晓峒为全书最终定稿。
本书是作者在多年教学讲稿基础之上撰写而成的。徐鹏博士、何永涛博士、郭小稚博士、涂晓枫博士生、刘笑时博士生等参与了本书的案例数据收集工作，以及计算机操作方法的整理等大量工作，博士生梁方参与了第11章编程工作，在此表示感谢。
本书在撰写过程中得到清华大学出版社的支持，在此向清华大学出版社表示感谢。本书在出版过程中策划编辑张伟付出很多，在此一并表示感谢。
书中难免存在不足和错误，还请读者不吝赐教、指正。
张晓峒
zhangnk710@126.com
2017年1月10日
张晓峒，南开大学数量经济研究所所长，南开大学经济学院教授，数量经济学专业博士生导师。日本大阪市立大学经济学博士。
第1章 一元线性回归模型
1．1 计量经济学简介与建模步骤
1．2 模型的建立及其假定条件
1．2．1 建立模型的意义
1．2．2 一元线性回归模型的定义
1．2．3 一元线性回归模型的经济含义与特征
1．2．4 模型的假定条件
1．3 一元线性回归模型的参数估计
1．3．1 估计方法初探
1．3．2 最小二乘估计法原理
1．3．3 最小二乘估计的计算
1．4 yt，鈄1和鈄0的分布
1．4．1 yt的分布
1．4．2 鈄1的分布
1．4．3 鈄0的分布
1．5 ？2的估计
1．6 最小二乘估计量的统计性质
1．6．1 线性特性
1．6．2 无偏性
1．6．3 最小方差性
1．6．4 渐近无偏性
1．6．5 一致性
1．7 最小二乘回归函数的性质
1．8 拟合优度的测量
1．9 回归系数的显著性检验
1．10 回归系数的置信区间
1．11 单方程回归模型的预测
1．11．1 单个yT+1的点预测
1．11．2 单个yT+1的区间预测
1．11．3 E（yT+1）的区间预测
1．12 相关分析
1．12．1 相关的定义与分类
1．12．2 相关系数
1．12．3 线性相关系数的局限性
1．12．4 简单相关系数的检验
1．13 回归系数鈄1与相关系数r的关系
1．14 案例分析
第2章 多元线性回归模型
2．1 多元线性回归模型及其假定条件
2．1．1 模型的建立
2．1．2 模型的假定条件
2．2 最小二乘法
2．3 最小二乘估计量的特性
2．3．1 线性特性
2．3．2 无偏特性
2．3．3 最小方差性
2．3．4 渐近无偏性
2．3．5 一致性
2．4 残差的方差
2．5 Y与最小二乘估计量 鈄的分布
2．6 多重可决系数（多重确定系数）
2．6．1 总平方和、回归平方和与残差平方和
2．6．2 多重确定系数R2
2．6．3 调整的多重确定系数2
2．7 F检验
2．8 t检验和回归系数的置信区间
2．9 预测
2．9．1 yT+1的点预测
2．9．2 单个yT+1的置信区间预测
2．9．3 E（yT+1）的置信区间预测
2．9．4 预测的评价指标
2．10 多元线性回归计算举例
2．11 偏相关与复相关
2．11．1 偏相关
2．11．2 复相关
2．12 案例分析
2．13 实际建模过程中应该注意的若干问题
第3章 可线性化的非线性回归模型
3．1 可线性化的7种非线性函数
3．1．1 幂函数模型
3．1．2 指数函数模型
3．1．3 对数函数模型
3．1．4 双曲线函数模型
3．1．5 多项式函数模型
3．1．6 生长曲线函数模型
3．1．7 龚伯斯曲线函数模型
3．2 可线性化的非线性模型综合案例
3．3 可线性化的非线性模型一览表
第4章 特殊解释变量
4．1 虚拟变量
4．1．1 测量截距移动
4．1．2 测量斜率变化
4．2 工具变量
4．2．1 工具变量在一元线性回归模型中的应用
4．2．2 工具变量在多元线性回归模型中的应用
4．3 滞后变量
4．3．1 分布滞后模型
4．3．2 自回归模型
4．4 随机解释变量
第5章 异方差
5．1 同方差假定
5．2 异方差的表现与来源
5．3 模型存在异方差的后果
5．4 异方差检验
5．4．1 定性分析异方差
5．4．2 戈德菲尔德-匡特检验
5．4．3 怀特检验
5．4．4 戈列瑟检验
5．4．5 ARCH（自回归条件异方差）检验
5．5 克服异方差的方法
5．5．1 用解释变量或解释变量的算术根除原回归式克服异方差
5．5．2 用戈列瑟检验式克服异方差
5．5．3 通过对数据取自然对数消除异方差
5．5．4 克服异方差的矩阵描述
5．6 案例分析
第6章 自相关
6．1 非自相关假定
6．2 自相关的来源与后果
6．3 自相关检验
6．3．1 图示法
6．3．2 DW检验法
6．3．3 LM检验（亦称BG检验）法
6．3．4 回归检验法
6．4 自相关的解决方法
6．5 克服自相关的矩阵描述
6．6 自相关系数的估计
6．7 案例分析
第7章 多重共线性
7．1 非多重共线性假定
7．2 多重共线性的来源
7．3 多重共线性的后果
7．3．1 完全多重共线性对参数估计的影响
7．3．2 近似共线性对参数估计的影响
7．3．3 多重共线性后果的矩阵描述与蒙特卡洛模拟
7．4 多重共线性的检测
7．5 多重共线性的解决方法
7．5．1 直接合并解释变量
7．5．2 利用已知信息合并解释变量
7．5．3 增加样本容量或重新抽取样本
7．5．4 合并截面数据与时间序列数据
7．5．5 剔除引起多重共线性的变量
7．6 案例分析
7．7 多重共线性与解释变量的不正确剔除
7．8 违反模型假定条件的其他几种情形
7．8．1 被解释变量存在测量误差
7．8．2 被解释变量、解释变量同时存在测量误差
7．8．3 随机解释变量
7．8．4 模型的设定误差
第8章 联立方程模型
8．1 联立方程模型的概念
8．2 联立方程模型的分类
8．2．1 结构模型
8．2．2 简化型模型
8．2．3 递归模型
8．3 联立方程模型的识别
8．3．1 识别概念
8．3．2 结构模型的识别方法
8．4 联立方程模型的估计方法
8．4．1 递归模型的估计方法
8．4．2 简化型模型的估计方法
8．4．3 结构模型的估计方法
8．5 联立方程模型举例
第9章 模型诊断常用统计量与检验
9．1 检验模型中全部解释变量都无解释作用的F统计量
9．2 检验单个回归系数显著性的t统计量
9．3 检验回归系数线性约束条件是否成立的F统计量
9．4 似然比统计量
9．5 沃尔德（Wald）统计量
9．6 拉格朗日乘子统计量
9．7 赤池、施瓦茨和汉南奎因统计量
9．8 检验正态分布性的JB统计量
9．9 格兰杰因果性检验
9．10 邹突变点检验
9．11 回归系数稳定性的邹检验
9．12 递归分析
第10章 时间序列ARIMA模型
10．1 随机过程与时间序列定义
10．2 ARIMA模型的分类
10．2．1 自回归模型
10．2．2 移动平均模型
10．2．3 自回归移动平均模型
10．2．4 单整自回归移动平均模型
10．3 伍尔德（Wold）分解定理
10．3．1 伍尔德分解定理
10．3．2 随机过程期望与漂移项的关系
10．4 自相关函数及其估计
10．4．1 自相关函数
10．4．2 自回归过程的自相关函数
10．4．3 移动平均过程的自相关函数
10．4．4 ARMA过程的自相关函数
10．4．5 自相关函数的估计（相关图）
10．5 偏自相关函数及其估计
10．5．1 偏自相关函数定义
10．5．2 偏自相关函数的计算
10．5．3 AR、MA、ARMA过程偏自相关函数特征
10．5．4 偏自相关函数的估计
10．5．5 ARIMA过程自相关函数和偏自相关函数特征总结
10．6 ARIMA模型的建立、估计过程与预测
10．6．1 模型的识别
10．6．2 模型参数的估计
10．6．3 模型的诊断与检验
10．6．4 ARIMA模型预测
10．7 ARIMA模型建模案例
10．8 季节时间序列ARIMA模型
10．8．1 季节时间序列模型定义
10．8．2 季节随机过程的自相关函数和偏自相关函数
10．8．3 季节ARIMA模型的识别、拟合、检验与预测
10．8．4 季节ARIMA模型建模案例
10．9 回归与ARMA组合模型（regARIMA模型）
10．9．1 回归与ARMA组合模型定义
10．9．2 回归与ARMA组合模型案例分析
第11章 虚假回归
11．1 问题的提出
11．2 单整性定义
11．3 单整序列的统计特征
11．4 虚假回归
第12章 单位根检验
12．1 4种典型的非平稳过程
12．1．1 随机游走过程
12．1．2 随机趋势过程
12．1．3 趋势平稳过程
12．1．4 趋势非平稳过程
12．2 DF，T（鈄-1）统计量的分布特征
12．2．1 DF统计量的分布特征
12．2．2 AR（p）含单位根过程的DF统计量分布特征
12．2．3 误差项为ARMA形式的I（1）过程DF分布特征
12．2．4 DF检验式中t（醊），t（鉤）和F统计量的分布特征
12．2．5 T（鈄-1）统计量的分布特征
12．2．6 趋势过程中t统计量的分布特征
12．3 单位根检验
12．3．1 单位根检验原理
12．3．2 单位根检验步骤
12．4 单位根检验的EViews 9操作
12．5 单位根检验案例分析
12．6 结构突变序列的单位根检验
第13章 单方程误差修正模型
13．1 均衡概念
13．2 误差修正模型
13．2．1 自回归分布滞后模型
13．2．2 误差修正模型定义
13．3 协整定义
13．4 协整检验
13．4．1 以残差为基础的协整检验法
13．4．2 协整系数的分布滞后模型估计法
13．5 格兰杰定理
13．5．1 多项式矩阵
13．5．2 格兰杰（Granger）定理
13．5．3 举例验证格兰杰定理
13．6 建立单方程误差修正模型的EG两步法
13．6．1 EG两步法
13．6．2 单方程误差修正模型案例分析
第14章 面板数据模型
14．1 面板数据的定义
14．2 面板数据模型分类
14．2．1 混合模型
14．2．2 固定效应模型
14．2．3 随机效应模型
14．3 面板数据模型估计方法
14．3．1 混合最小二乘估计
14．3．2 组内估计
14．3．3 最小二乘虚拟变量估计法
14．3．4 一阶差分估计
14．3．5 可行GLS估计法（随机效应估计法）
14．3．6 面板数据模型拟合优度的测量
14．4 面板数据模型的设定与检验
14．4．1 F检验
14．4．2 H检验
14．4．3 Wald检验
14．4．4 F检验和LR检验
14．5 面板数据建模案例分析
14．6 面板数据建模的EViews 9操作
14．6．1 Pool（混合）数据工作文件的建立，模型的估计、检验与预测
14．6．2 面板数据panel型工作文件的建立，模型估计与检验
附录A 随机变量、概率极限、矩阵代数知识简介
附录B 统计分布表
附表1 相关系数临界值表
附表2 标准正态分布函数表
附表3 t分布百分位数表
附表4 ？2分布百分位数表
附表5 F分布百分位数表
附表6 DW检验临界值表（?=0．05）
附表7 DF分布百分位数表
附表8 t（醊）检验临界值表（膟t=?+駓t-1+ut中检验?=0）
附表9 F检验临界值表（膟t=?+駓t-1+ut中检验?=?=0）
附表10 t（醊）检验临界值表（膟t=?+鉻+駓t-1+ut中检验?=0）
附表11 t（鉤）检验临界值表（膟t=?+鉻+駓t-1+ut中检验?=0）
附表12 F检验临界值表（膟t=?+鉻+駓t-1+ut中检验?=?=0）
附表13 T（鈄-1）分布百分位数表
附表14 EG和AEG协整检验临界值表
附表15 协整检验临界值表
附录C EViews 9使用简介
参考文献
新书资讯