顶部
收藏

高级计量经济学


作者:
陈诗一 陈登科
定价:
79.00元
ISBN:
978-7-04-057388-6
版面字数:
760.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2022-04-21
读者对象:
高等教育
一级分类:
经济
二级分类:
经济学
三级分类:
经济学

本书较为系统地介绍了计量经济学相关数学工具和经典计量经济学知识,在此基础上深入介绍了因果推断(Causal Inference)以及结构式估计(Structural Estimation)等现代计量经济学的流行方法或新近发展,并有机融入了数值优化(Numerical Optimization)、蒙特卡罗模拟(Monte Carlo Simulation)、动态规划(Dynamic Programming)以及机器学习(Machine Learning)等内容。形成了从统计关系到因果关系再到结构关系的有机联系递进内容体系。

本书的主要特色体现在如下方面:计量理论介绍与典型中国经济案例剖析并重;坚持细化数学推导过程的同时注重数学公式的直观解释;借助大量直观图形来展示计量方法;强调重要计量方法的动机和发展历程,并力求多视角来介绍这些方法;Stata、MATLAB以及LaTex等流行软件的使用贯穿全书,并提供相应的原始程序供读者参考学习。

本书适用于经济、金融与管理类专业研究生和高年级本科生,也适合(但不限于)从事经济学、金融学、管理学、统计学、社会学、量化历史以及政治学等相关科学研究的学者或教师作为参考书使用。

  • 前辅文
  • 第一章 导论
    • 1.计量经济学的两个公理及含义
    • 2.矩阵符号
    • 3.最优预测的含义
    • 4.解释变量随机与否及影响
    • 5.统计识别、因果识别与结构识别——以教育收益率为例
    • 6.同方差无自相关假定
  • 第一部分 数学基础
    • 第二章 数学工具
      • 1.矩阵代数
        • 1.1 矩阵符号
        • 1.2 矩阵运算
        • 1.3 矩阵的秩
        • 1.4 矩阵的对角化
        • 1.5 幂等矩阵、投影矩阵、残差制造矩阵
        • 1.6 矩阵微分
      • 2.概率论
        • 2.1 概率论基础
        • 2.2 正态分布
        • 2.3 本书其他常用分布:卡方分布、I类极值分布
        • 2.4 期望
        • 2.5 渐近理论
      • 3.数值优化
        • 3.1 牛顿-拉普森方法
        • 3.2 最速上升方法
      • 4.蒙特卡罗模拟
        • 4.1 牛顿-科茨积分法
        • 4.2 高斯积分法
        • 4.3 蒙特卡罗积分
        • 4.4 从分布中抽取随机数
      • 5.动态规划
        • 5.1 基本设定与基本原理
        • 5.2 求解方法
      • 习题
  • 第二部分 核心估计方法
    • 第三章 最小二乘法
      • 1.最小二乘方法的逻辑起点
      • 2.线性最小二乘方法
        • 2.1 最小二乘参数的识别与估计
        • 2.2 总体模型与样本模型
        • 2.3 方差分析、拟合优度与机器学习初步
        • 2.4 多元回归系数的含义
        • 2.5 一个至关重要的区分:回归模型与因果模型
        • 2.6 OLS估计量的性质
        • 2.7 假设检验
        • 2.8 案例分析
      • 3.非线性最小二乘方法
        • 3.1 参数的识别与估计
        • 3.2 非线性OLS估计量的大样本性质
      • 4.系统最小二乘估计
        • 4.1 模型设定与模型符号
        • 4.2 参数的识别与估计
        • 4.3 系统最小二乘估计量的大样本性质
      • 5.广义最小二乘法
        • 5.1 参数的识别与估计
        • 5.2 GLS估计量的大样本性质
        • 5.3 GLS方法的关键——对于Ω施加限定
        • 5.4 进一步地讨论:加权最小二乘方法
      • 习题
    • 第四章 M估计方法
      • 1.模型设定、参数识别与估计
        • 1.1 模型设定
        • 1.2 参数识别
        • 1.3 参数估计
      • 2.M估计量的大样本性质
        • 2.1 一致性*
        • 2.2 渐近正态性
        • 2.3 渐近有效性:相对有效性定理
      • 3.假设检验
        • 3.1 瓦尔德检验
        • 3.2 拉格朗日乘子检验
        • 3.3 似然比检验
        • 3.4 三大检验比较与直观图形展示
        • 3.5 进一步地讨论——p值的潜在问题
      • 4.两步估计法
      • 习题
    • 第五章 最大似然估计
      • 1.最大似然估计逻辑的历史起点
        • 1.1 基本原理
        • 1.2 一个演示性例子
      • 2.最大似然估计逻辑的现代表述
        • 2.1 库尔贝克-莱布勒信息不等式
        • 2.2 库尔贝克-莱布勒信息不等式与MLE方法
      • 3.信息矩阵等式
        • 3.1 MLE方法中的得分向量和海森矩阵
        • 3.2 Fisher信息矩阵等式
        • 3.3 Newey-Tauchen信息矩阵等式
      • 4.最大似然估计量的性质
        • 4.1 一致性
        • 4.2 渐近正态性
        • 4.3 有效性
      • 5.一个应用
        • 5.1 Probit模型的基本设定
        • 5.2 Probit模型与MLE
      • 6.三大检验在MLE方法上的应用
      • 7.分布设定正确性检验
        • 7.1 分位数-分位数图
        • 7.2 White-IM检验
        • 7.3 Newey-Tauchen检验
      • 8.拟最大似然估计
        • 8.1 Quasi-MLE的基本设定
        • 8.2 Quasi-MLE估计量的性质
        • 8.3 Quasi-MLE下的假设检验
        • 8.4 在哪些情形下Quasi-MLE估计量是真实参数的一致估计量?
        • 8.5 Quasi-MLE在面板数据模型上的应用
      • 9.数值优化算法——BHHH法和BFGS法
      • 习题
  • 第三部分 因果识别策略
    • 第三部分前言:从回归关系到因果关系
      • 1.数据生成过程
      • 2.回归关系
      • 3.因果关系
      • 4.回归关系具有因果解释的条件
      • 5.导致内生性产生的常见原因
        • 5.1 模型设定
        • 5.2 测量误差
        • 5.3 联立性
      • 6.解决内生性的方法
    • 第六章 工具变量方法
      • 1.工具变量方法的基本原理
        • 1.1 工具变量基础知识回顾
        • 1.2 两个例子
        • 1.3 瓦尔德估计量
        • 1.4 工具变量的历史起点(Wright,1928)
      • 2.工具变量方法的一般设定
        • 2.1 工具变量个数等于内生变量个数(IV)——模型恰好识别
        • 2.2 工具变量个数大于内生变量个数(2SLS)——模型过度识别
        • 2.3 估计量的性质
      • 3. 2SLS还是OLS
        • 3.1 OLS估计量与2SLS估计量的有效性
        • 3.2 解释变量内生性检验
        • 3.3 工具变量外生性检验——过度识别检验
        • 3.4 弱工具变量问题
      • 4.工具变量方法案例分析:教育收益率再探讨
      • 5.广义矩估计
        • 5.1 GMM估计的基本原理
        • 5.2 GMM估计量及其性质
        • 5.3 GMM与其他估计方法的关系
      • 6.多方程工具变量方法
      • 7.联立方程组
        • 7.1 联立方程组模型设定
        • 7.2 联立方程组模型的识别
        • 7.3 联立方程组模型估计
      • 8.非线性工具变量方法初步
      • 9.最优工具变量定理
      • 10. Bartik工具变量方法与Granular工具变量方法
        • 10.1 Bartik工具变量方法
        • 10.2 Granular工具变量方法
      • 11.外生变量与内生交叉项系数的识别
      • 习题
    • 第七章 面板数据模型
      • 1.面板数据模型设定
        • 1.1 不可观测固定效应
        • 1.2 误差项方差协方差矩阵的结构
        • 1.3 面板数据模型中的外生性假定
      • 2.混合最小二乘估计
      • 3. GLS估计
      • 4.随机效应模型:一个特殊的GLS
      • 5.固定效应模型
        • 5.1 固定效应估计量(组内变换估计量)
        • 5.2 一阶差分估计量
        • 5.3 条件最大似然估计——利用yi作为αi的充分统计量
        • 5.4 对不可观测个体固定效应建模——Mundlak模型与Chamberlain模型
      • 6.随机效应模型还是固定效应模型
      • 7.最小二乘虚拟变量估计量
      • 8.不同面板数据模型的比较
      • 9.面板数据模型中国经济案例分析——微观企业生产函数估计
      • 10.面板数据模型工具变量方法
        • 10.1 面板数据工具变量方法的一般性框架
        • 10.2 外生性假定与工具变量矩阵的内部结构
        • 10.3 固定效应模型工具变量方法
        • 10.4 动态面板数据模型
      • 11.Hausman-Taylor模型
        • 11.1 Hausman-Taylor模型的简单形式
        • 11.2 Hausman-Taylor模型的一般形式
      • 12.非线性面板数据模型初步
        • 12.1 条件期望模型
        • 12.2 条件概率模型
      • 习题
    • 第八章 处理效应模型
      • 1.基本框架
        • 1.1 潜在结果
        • 1.2 Roy模型
        • 1.3 自选择的四种类型
      • 2.处理效应
        • 2.1 总体平均处理效应、处理组平均处理效应、控制组平均处理效应
        • 2.2 局部平均处理效应
        • 2.3 边际处理效应
        • 2.4 条件平均处理效应
      • 3.随机化实验:因果识别的黄金法则
        • 3.1 自选择、选择偏差和分类偏差
        • 3.2 随机化实验与ATT和ATE的识别
        • 3.3 随机化实验:Roy模型的视角
      • 4.双重差分法
        • 4.1 基本设定
        • 4.2 处理效应的识别与估计(非参数方法)
        • 4.3 回归的表述(参数方法)
        • 4.4 面临的挑战
        • 4.5 非线性双重差分模型
        • 4.6 双重差分方法中国经济案例分析——开放与资源配置效率提升
      • 5.匹配方法
        • 5.1 基本假设
        • 5.2 什么样的协(控制)变量是合适的
        • 5.3 回归调整法
        • 5.4 逆概率加权法
        • 5.5 双重稳健估计法
        • 5.6 距离匹配法
      • 6.工具变量方法
        • 6.1 同质性处理效应
        • 6.2 异质性处理效应:局部平均处理效应(LATE)分析
      • 7.异质性处理效应的两个结构式方法:控制函数方法与矫正函数方法
        • 7.1 控制函数方法
        • 7.2 矫正函数方法
      • 8.断点回归设计
        • 8.1 精确断点回归设计
        • 8.2 模糊断点回归设计
        • 8.3 断点回归设计中国经济案例分析——检验中国消费之谜
      • 9.边际处理效应
        • 9.1 边际处理效应模型的基本设定与Vytlacil定理
        • 9.2 指数充分条件
        • 9.3 边际处理效应的识别
        • 9.4 边际处理效应与其他处理效应的关系
      • 习题
    • 第九章 Tobit模型
      • 1.截取、断尾、偶然断尾与样本选择
      • 2.Tobit I模型
        • 2.1 模型设定
        • 2.2 OLS估计存在的问题
        • 2.3 Tobit I模型的估计
        • 2.4 偏效应
        • 2.5 Tobit I模型中国经济案例分析
        • 2.6 非正态性与条件异方差
        • 2.7 面板数据Tobit I模型
      • 3.Tobit II模型
        • 3.1 样本选择什么时候不是一个问题
        • 3.2 模型设定
        • 3.3 模型估计
        • 3.4 模型识别
        • 3.5 进一步地讨论:估计样本选择模型的半参数方法
      • 4.Tobit III模型
        • 4.1 模型设定
        • 4.2 模型估计
      • 5.内生性问题
        • 5.1 Tobit I模型的内生性
        • 5.2 Tobit II模型的内生性
        • 5.3 Tobit III模型的内生性
      • 习题
  • 第四部分 结构模型
    • 第十章 离散选择(结构)模型
      • 1.模型设定
      • 2.参数识别
        • 2.1 效用差异与参数识别
        • 2.2 效用标度与参数识别
      • 3.二值离散选择模型
        • 3.1 理论模型
        • 3.2 案例分析
      • 4.多项选择离散选择模型
        • 4.1 Logit模型
        • 4.2 嵌套Logit模型
        • 4.3 Probit模型
      • 5.随机系数模型
        • 5.1 随机系数模型设定
        • 5.2 随机系数模型的一般性
        • 5.3 随机系数模型估计与期望—最大化算法
      • 6.面板数据离散选择模型
        • 6.1 一般设定
        • 6.2 不同时期误差项互相独立
        • 6.3 给定固定效应的条件下不同时期误差项互相独立
        • 6.4 给定固定效应的条件下误差项服从一阶马尔可夫过程
      • 7.离散选择模型的内生性问题
        • 7.1 控制函数方法
        • 7.2 完全信息最大似然估计方法
        • 7.3 Berry-Levinsohn-Pakes(BLP)方法
      • 8.动态离散选择结构模型
        • 8.1 动态离散选择结构模型的一般性设定
        • 8.2 Rust模型
        • 8.3 Eckstein-Keane-Wolpin模型
        • 8.4 进一步地讨论:竞争一般均衡模型与动态离散博弈模型初步
    • 习题
  • 参考文献

相关图书