第一部分-云南大学发展研究院.ppt

第一部分 背景知识 常用软件入门 一、背景知识 计量经济学方法可以有效的保持其他因素不变： 怎样做呢？ 关注平均或期望的响应上，即 存在的问题是什么？ 选定正常控制一览表困难，运用不同的控制能够导致y与x之间因果关系的不同结果，这正是确立因果性复杂的地方。（信息集的影响） 其他问题也会妨碍对因果关系的估计。例如：有C的元素适当的测量值，但是仍然没有y或w的适合的测量值。 （二）随机设置与渐近分析 随机抽样假定（1）设立一个总体模型 （2）i.i.d样本可以从总体中抽取出来 分析重点：与有限样本性质相反的估计量的渐近性质。 例：工资报价函数 公司溢出效应 （二）条件期望（均值）概念 1、为什么条件期望是重要的？ 统计学的视角 假定利用过去的信息It-1预测Yt。令g(It-1）是Yt的预测算子，则预测误差为： 如何判断模型的预测效果？ 对预测误差的判断 常用的统计标准： MSE 定理：根据MSE标准对于Yt而言，条件均值就是Yt最好的估计量。即： 问题：线性回归的局限性？例：消费函数 结论：条件期望是一个最优的预测算子。 至此，可以写成下式： 也可以写成下式： 例：持续失业时间、股票价格变动时间（ACD模型） 如果判断误差的标准不是MSE，则最优的预测算子不是MSE，目标函数变为MAE则最优的预测算子则是条件中位数。 这时最优的估计量为：条件中位数 例：线性指数模型（损失成本） 经济学视角： 例：消费平滑：理性预期与Hall的随机游走理论（Random walk) 我们有 由此出发推导霍尔（1978）的随机游走： 假设收益率是固定的：Rt=R0 则消费的跨期效用可以写为： 考虑一种消费函数形式：CRRA 考虑另一种消费函数形式：二项式 2、条件期望的特征 定义： 例如：若y是工资，且x包括各种各样的个体特征，如教育、经历以及IQ，则E（wage|educ,exper,IQ）表示给定educ值、exper值以及IQ值时工资水平wage的平均值。 部分效应、弹性及半弹性 确定y=f(x) 寻找x变化时y是如何变化的？ 有时对部分效应的特殊函数感兴趣。如弹性。 为什么要用右式？ 当y与x都是随机变量时， 则有： 若弹性的定义取一个自然对数是线性的模型，若y0,xj0, 我们可以将弹性定义为 在很大程度上，当y0时，期望的对数和对数的期望处理成相同是没有什么损失 的，只要log(y)与log(xj)定义恰当。 条件期望的若干性质： 期望迭代定律（law of iterate expectation,LIE) 出于多种目的考虑，需要用LIE的一般特例： LIE的一般形式中还有一些其他的有益应用。假定对某一个（向量）函数地f(x)与一个实值函数g(.)来说， 例：如果一个工资方程是： 则： 3、条件期望的误差形式 4、线性投影 二、常用软件 Eview(3.0,5.0,6.0) EViews是在大型计算机的TSP (Time Series Processor) 软件包基础上发展起来的新版本，是一组处理时间序列数据的有效工具，1981年Micro TSP面世，1994年QMS (Quantitative Micro Software) 公司在Micro TSP基础上直接开发成功EViews并投入使用。虽然EViews是由经济学家开发的并大多在经济领域应用，但它的适用范围不应只局限于经济领域。 Stata(8.0,9.0,10.0) 能够进行大多数统计分析（回归分析，logistic回归，生存分析，方差分析，因子分析，以及一些多变量分析）。Stata最大的优势可能在于回归分析（它包含易于使用的回归分析特征工具），logistic回归（附加有解释logistic回归结果的程序，易用于有序和多元logistic回归）。Stata也有一系列很好的稳健方法，包括稳健回归，稳健标准误的回归，以及其他包含稳健标准误估计的命令。此外，在调查数据分析领域，Stata有着明显优势，能提供回归分析，logistic回归，泊松回归，概率回归等的调查数据分析。它的不足之处在于方差分析和传统的多变量方法（多变量方差分析，判别分析等）。 /services/computer/presentations/statatutorial /　　 Sas 能够进行大多数统计分析（回归分析，logistic回归，生存分析，方差分析，因子分析，多变量分析）。SAS的最优之处可能在于它的方差分析，混合模型分析和多变量分析，而它的劣势主要是有序和多元logistic回归（因为这些命令很难），以及稳健方法（它难以完成稳健回归和其他稳健方法）。尽管支持调查数据