Chapter01计量经济学的特征和研究范围.ppt

《Chapter01计量经济学的特征和研究范围.ppt》由会员分享，可在线阅读，更多相关《Chapter01计量经济学的特征和研究范围.ppt（43页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1-2Zhang TaoSIB,SIFT参考教材参考教材达莫达尔达莫达尔 N. 古扎拉蒂古扎拉蒂 著，张涛著，张涛 译：译：经济计量学精要经济计量学精要（第三版）（第三版），机械工业出版社，机械工业出版社，2006年年9月第月第1版。版。 Damodar N. Gujarati , Essentials of Econometrics, 3rh ed., McGraw-Hill, New York, 2005.Damodar N. Gujarati , Basic Econometrics, 4th ed., McGraw-Hill, New York, 2003.高铁梅高铁梅 主编：主编：计

2、量经济分析方法与建模：计量经济分析方法与建模：Eviews应用应用及实例及实例，清华大学出版社，清华大学出版社，2006年年1月第月第1版。版。易丹辉易丹辉 主编：主编：数据分析与数据分析与Eviews应用应用，中国人民大，中国人民大学出版社，学出版社，2008年年10月第月第1版。版。张晓峒张晓峒 主编：主编：Eviews使用指南与案例使用指南与案例，机械工业出，机械工业出版社，版社，2007年年2月。月。SIB, SIFTZhang TaoThe Nature and Scopeof Econometricschapter one第一章第一章 计量经济学的特征和研究范围计量经济学的特征和研

3、究范围1-4Zhang TaoSIB,SIFT第一节第一节 什么是计量经济学？什么是计量经济学？p 几个经典定义的理解几个经典定义的理解 计量经济学是利用经济理论、数学、统计推断等工具计量经济学是利用经济理论、数学、统计推断等工具对经济现象进行分析的一门社会科学对经济现象进行分析的一门社会科学(Goldberger, 1964)。 计量经济学运用数理、统计知识分析经济数据，对构计量经济学运用数理、统计知识分析经济数据，对构建于数理经济学基础之上的数学模型提供经验支持，建于数理经济学基础之上的数学模型提供经验支持，并得出数量结果并得出数量结果(Samuelson et al., 1954)。 p

4、 Econometrics 如何翻译？如何翻译？计量经济学：强调它是一门经济学科，强调它的经济学计量经济学：强调它是一门经济学科，强调它的经济学内涵与外延。内涵与外延。经济计量学：强调经济计量的方法，是估计经济模型和经济计量学：强调经济计量的方法，是估计经济模型和检验经济模型。检验经济模型。1-5Zhang TaoSIB,SIFT第二节第二节 为什么要学习计量经济学？为什么要学习计量经济学？p 经济问题研究的需要经济问题研究的需要 计量经济学涉及到经济理论、数理经济学、经济统计计量经济学涉及到经济理论、数理经济学、经济统计学及数理统计学学及数理统计学 经济理论经济理论定性地对经济现象提出理论假

5、设和命题。定性地对经济现象提出理论假设和命题。例如，需求定理说，在其它经济条件不变下例如，需求定理说，在其它经济条件不变下(Ceteris paribus)，商品的价格与商品的需求量呈反向变动。，商品的价格与商品的需求量呈反向变动。 数理经济学数理经济学研究数学形式或方程模型描述经济理论，研究数学形式或方程模型描述经济理论，不考虑对经济理论的度量和经验解释。不考虑对经济理论的度量和经验解释。 经济统计学经济统计学收集、处理、整理和公开经济数据。收集、处理、整理和公开经济数据。 数理统计学数理统计学经济数据的生成是不可控制试验的结果，经济数据的生成是不可控制试验的结果，实际数据可能有遗失、测量误

6、差等问题。实际数据可能有遗失、测量误差等问题。1-6Zhang TaoSIB,SIFT第二节第二节 为什么要学习计量经济学？为什么要学习计量经济学？p 计量经济学与其他相关学科的联系与区别计量经济学与其他相关学科的联系与区别数数学学统计学统计学数理统计数理统计经济统计经济统计数理数理经济经济计量计量经济学经济学1-7Zhang TaoSIB,SIFT第三节第三节 经济计量学的方法论经济计量学的方法论p 怎样进行计量经济研究怎样进行计量经济研究 1）理论或假设的陈述）理论或假设的陈述 2）数据收集及预处理）数据收集及预处理 3）建立数理模型）建立数理模型 4）建立统计或经济计量模型）建立统计或经

7、济计量模型 5）经济计量模型参数的估计）经济计量模型参数的估计 6）检验模型的适用性：模型的假设检验）检验模型的适用性：模型的假设检验 7）检验来自模型的假说）检验来自模型的假说 8）运用模型进行预测）运用模型进行预测p 一个具体的例子一个具体的例子 1-8Zhang TaoSIB,SIFT如果涉及到检验一种经济理论，通常要从规范的经济模型出发马歇尔需求函数将上式变成经典的计量经济学方程于是，我们就设计量经济学方程例子：微观经济学中经典的效应最大化例子：微观经济学中经典的效应最大化1211221122(,)lnln. .MaxU XXXXst PXP XM1212(1),MMXXPP111ln

8、ln()lnlnlnlnXMPMP1231lnlnlnYMP1-9Zhang TaoSIB,SIFT马歇尔需求函数为类似的是，两边取对数，获得计量经济学方程就可以设定为例子：一个更一般的例子例子：一个更一般的例子1211212,1122(,). .XXMaxU XXXXst PXP XM11111112MPXPP1111121lnlnlnln1XMPPP123142lnlnlnlnYMPP1-10Zhang TaoSIB,SIFT例子：犯罪的经济学模型例子：犯罪的经济学模型1234567iiiiiiicrimecwwowcaupenage经常的情况是，很多时候没有理论，而完全来自一种直觉，经常

9、的情况是，很多时候没有理论，而完全来自一种直觉，或者观点或者观点例子：人们常说，一个人所受的教育，积累的经验以及所受例子：人们常说，一个人所受的教育，积累的经验以及所受的培训，他所在的位置，决定一个人的工资水平高低例子的培训，他所在的位置，决定一个人的工资水平高低例子那么，这个说法隐含着如下的计量经济学方程12345expiiiiiwageedutraposition1-11Zhang TaoSIB,SIFT1.3.1 建立一个理论假说建立一个理论假说 用失业率用失业率(Unemployment Rate, UNR)度量经济形势度量经济形势 用劳动力参与率用劳动力参与率(Labor Force

10、 Participation Rate,LFPR)度量劳动力的参与度量劳动力的参与 用单位小时工薪用单位小时工薪(Average Hour Emolument)度量劳动力度量劳动力价格价格p 经济形势经济形势 V.S. 就业意愿就业意愿: 两个对立假说两个对立假说 1）Discouraged-worker Hypothesis 经济形势恶化时表现为较高的失业率经济形势恶化时表现为较高的失业率 2）Added-Worker Hypothesis 经济形势恶化时表现为较低的失业率经济形势恶化时表现为较低的失业率p 一个实证问题（一个实证问题（还要注意问题研究的背景还要注意问题研究的背景） 检验两种

11、效应孰强孰弱？检验两种效应孰强孰弱？1-12Zhang TaoSIB,SIFT1.3.2 收集数据收集数据p 统计数据的形式统计数据的形式 时间序列数据时间序列数据(Time Series Data)：按时间序列排列收按时间序列排列收集得到的集得到的。 横截面数据（横截面数据（Cross-Sectional Data）- 指一个或多个变指一个或多个变量在某一时点上的数据的集合量在某一时点上的数据的集合。 混合混合数据数据(Pooled Data) 时间序列数据和横截面数据的时间序列数据和横截面数据的混合混合。 面板面板数据数据(Panel Data) 混合数据的特殊形式，强调同混合数据的特殊形

12、式，强调同一横截面单位的跨期调查数据。一横截面单位的跨期调查数据。p 数据来源数据来源 国家统计部门国家统计部门/行业协会行业协会/大学学术机构大学学术机构/盈利性数据公盈利性数据公司司/互联网互联网例如，中国经济景气月报，人民银行统计季报，中国统计例如，中国经济景气月报，人民银行统计季报，中国统计年鉴、中经网数据库、年鉴、中经网数据库、Wind、CSMAR，IFS on line1-13Zhang TaoSIB,SIFT1.3.2 收集数据收集数据1-14Zhang TaoSIB,SIFT1.3.2 收集数据收集数据1-15Zhang TaoSIB,SIFT数据结构数据结构横截面数据横截面数

13、据 causality in variables, data are independent and (contemporaneously) exogenous Random sampling Not ordering Pooled cross sections1-16Zhang TaoSIB,SIFT横截面数据横截面数据 _cons -3.372934 .7599027 -4.44 0.000 -4.865777 -1.880091 married .9894464 .309198 3.20 0.001 .3820212 1.596872 exper .0568845 .0116387 4.

14、89 0.000 .0340201 .079749 educ .6128507 .0542332 11.30 0.000 .5063084 .7193929 wage Coef. Std. Err. t P|t| 95% Conf. Interval Total 7160.41429 525 13.6388844 Root MSE = 3.2286 Adj R-squared = 0.2357 Residual 5441.41355 522 10.4241639 R-squared = 0.2401 Model 1719.00074 3 573.000246 Prob F = 0.0000 F

15、( 3, 522) = 54.97 Source SS df MS Number of obs = 526 _cons -1.790662 .7512121 -2.38 0.017 -3.266439 -.3148853 married .6602419 .2968513 2.22 0.027 .0770693 1.243414 female -2.067101 .2722077 -7.59 0.000 -2.601861 -1.532342 exper .0556664 .0110553 5.04 0.000 .0339479 .0773849 educ .5833233 .051656 1

16、1.29 0.000 .4818437 .6848029 wage Coef. Std. Err. t P|t| 95% Conf. Interval Total 7160.41429 525 13.6388844 Root MSE = 3.0665 Adj R-squared = 0.3105 Residual 4899.15523 521 9.40336896 R-squared = 0.3158 Model 2261.25906 4 565.314766 Prob F = 0.0000 F( 4, 521) = 60.12 Source SS df MS Number of obs =

17、5261-17Zhang TaoSIB,SIFT横截面数据横截面数据 内生性问题内生性问题 _cons 4.733664 .0676026 70.02 0.000 4.601112 4.866217 south -.1248615 .0151182 -8.26 0.000 -.1545046 -.0952184 smsa .161423 .0155733 10.37 0.000 .1308876 .1919583 black -.1896316 .0176266 -10.76 0.000 -.2241929 -.1550702 expersq -.0022409 .0003178 -7.05

18、0.000 -.0028641 -.0016177 exper .0835958 .0066478 12.57 0.000 .0705612 .0966305 educ .074009 .0035054 21.11 0.000 .0671357 .0808823 lwage Coef. Std. Err. t P|t| 95% Conf. Interval Total 592.641611 3009 .196956335 Root MSE = .37419 Adj R-squared = 0.2891 Residual 420.475997 3003 .140018647 R-squared

19、= 0.2905 Model 172.165615 6 28.6942691 Prob F = 0.0000 F( 6, 3003) = 204.93 Source SS df MS Number of obs = 3010工资与教育的关系：教育增加一年，工资增加工资与教育的关系：教育增加一年，工资增加7.4%7.4%？ 1-18Zhang TaoSIB,SIFT横截面数据横截面数据 内生性问题内生性问题 2sls _cons 16.65917 .1763889 94.45 0.000 16.31332 17.00503 nearc4 .3373208 .0825004 4.09 0.000

20、.1755577 .4990839 south -.291464 .0792247 -3.68 0.000 -.4468042 -.1361238 smsa .4038769 .0848872 4.76 0.000 .2374339 .5703199 black -1.006138 .0896454 -11.22 0.000 -1.181911 -.8303656 expersq .0007323 .0016499 0.44 0.657 -.0025029 .0039674 exper -.4100081 .0336939 -12.17 0.000 -.4760735 -.3439427 ed

21、uc Coef. Std. Err. t P|t| 95% Conf. Interval Total 21562.0801 3009 7.16586243 Root MSE = 1.9425 Adj R-squared = 0.4734 Residual 11331.5958 3003 3.77342516 R-squared = 0.4745 Model 10230.4843 6 1705.08072 Prob F = 0.0000 F( 6, 3003) = 451.87 Source SS df MS Number of obs = 3010 First-stage regression

22、s工资与教育的关系：教育增加一年，工资增加工资与教育的关系：教育增加一年，工资增加13.2%13.2%！ 1-19Zhang TaoSIB,SIFT横截面数据横截面数据 内生性问题内生性问题 GMM Instruments: nearc4 exper expersq black smsa southInstrumented: educ (equation exactly identified)Hansen J statistic (overidentification test of all instruments): 0.000 _cons 3.752783 .8167497 4.59 0.

23、000 2.151983 5.353583 south -.1049005 .0228997 -4.58 0.000 -.1497831 -.060018 smsa .1313237 .0297684 4.41 0.000 .0729788 .1896686 black -.130802 .0514513 -2.54 0.011 -.2316446 -.0299594 expersq -.0022841 .0003463 -6.59 0.000 -.0029629 -.0016053 exper .107498 .0211129 5.09 0.000 .0661174 .1488785 edu

24、c .1322888 .0485213 2.73 0.006 .0371887 .2273888 lwage Coef. Std. Err. z P|z| 95% Conf. Interval Robust Residual SS = 459.1783942 Root MSE = .39Total (uncentered) SS = 118616.3644 Uncentered R2 = 0.9961Total (centered) SS = 592.6416112 Centered R2 = 0.2252 Prob F = 0.0000 F( 6, 3003) = 131.70 Number

25、 of obs = 3010 GMM estimation工资与教育的关系：教育增加一年，工资增加工资与教育的关系：教育增加一年，工资增加13.2%13.2%。但解释力不同！。但解释力不同！ 1-20Zhang TaoSIB,SIFT横截面数据横截面数据 多元回归与似不相关回归多元回归与似不相关回归如资本资产定价模型如资本资产定价模型CAPMCAPM：由于不同回归方程中共同的不可观测因素的因子影响，由于不同回归方程中共同的不可观测因素的因子影响，各方程的随机扰动项之间一般是相关的！各方程的随机扰动项之间一般是相关的！ 1-21Zhang TaoSIB,SIFT横截面数据横截面数据 多元回归与似

26、多元回归与似不相关回归不相关回归只有在自变量只有在自变量相同时，相同时，SURSUR的的FGLSFGLS估计估计和和OLSOLS估计在估计在代数意义上相代数意义上相同，但整体估同，但整体估计效率和自相计效率和自相关、异方差问关、异方差问题得到改进。题得到改进。 _cons -.8897471 .1453251 -6.12 0.000 -1.174579 -.6049151 male .2683383 .047089 5.70 0.000 .1760454 .3606311 white .0901582 .0723997 1.25 0.213 -.0517426 .232059 married

27、.0578626 .0494306 1.17 0.242 -.0390195 .1547447 nrthcen -.0379984 .0657867 -0.58 0.564 -.1669381 .0909413 nrtheast -.0567468 .071668 -0.79 0.428 -.1972135 .0837198 south -.0226865 .0652731 -0.35 0.728 -.1506195 .1052464 union .3659085 .0482482 7.58 0.000 .2713438 .4604733 tenuresq -.0011636 .0003877

28、 -3.00 0.003 -.0019235 -.0004038 tenure .0535556 .0099157 5.40 0.000 .0341212 .07299 expersq -.0004734 .0001394 -3.40 0.001 -.0007465 -.0002002 exper .0225649 .0067846 3.33 0.001 .0092673 .0358626 educ .0767924 .0081785 9.39 0.000 .0607629 .0928219hrbens _cons -2.632127 1.215291 -2.17 0.030 -5.01405

29、4 -.2501997 male 1.784702 .3937853 4.53 0.000 1.012897 2.556507 white 1.140891 .6054474 1.88 0.060 -.0457639 2.327546 married .6423882 .4133664 1.55 0.120 -.167795 1.452571 nrthcen -.6362663 .5501462 -1.16 0.247 -1.714533 .4420005 nrtheast -1.150759 .5993283 -1.92 0.055 -2.32542 .0239032 south -.456

30、6222 .5458508 -0.84 0.403 -1.52647 .6132258 union .8079933 .4034789 2.00 0.045 .0171892 1.598797 tenuresq -.0050706 .0032422 -1.56 0.118 -.0114252 .0012839 tenure .1100846 .0829207 1.33 0.184 -.052437 .2726062 expersq .0039945 .0011655 3.43 0.001 .0017102 .0062787 exper -.0758428 .0567371 -1.34 0.18

31、1 -.1870455 .0353598 educ .4588139 .068393 6.71 0.000 .3247662 .5928617hrearn Coef. Std. Err. z P|z| 95% Conf. Interval hrbens 616 12 .5152603 0.3987 408.40 0.0000hrearn 616 12 4.3089 0.2051 158.93 0.0000 Equation Obs Parms RMSE R-sq chi2 P Seemingly unrelated regression1-22Zhang TaoSIB,SIFT横截面数据横截面

32、数据 多元回归与似多元回归与似不相关回归不相关回归代表生活区域的三个虚拟变量在统计上都不显著，代表生活区域的三个虚拟变量在统计上都不显著，F F统计量为统计量为0.65,60.65,6个限制条件，个限制条件，F F检验的自由度为检验的自由度为6 6和和12061206，P P值为值为0.6580.658，及这些变量均不显著。，及这些变量均不显著。 Prob F = 0.6881 F( 6, 1206) = 0.65 ( 6) hrbensnrthcen = 0 ( 5) hrearnnrthcen = 0 ( 4) hrbensnrtheast = 0 ( 3) hrearnnrtheast

33、= 0 ( 2) hrbenssouth = 0 ( 1) hrearnsouth = 0hrbens 0.3161 1.0000hrearn 1.0000 hrearn hrbensCorrelation matrix of residuals:两个方程相关性检验两个方程相关性检验1-23Zhang TaoSIB,SIFT横截面数据横截面数据 多元回归与联立方程组多元回归与联立方程组已婚职业女性的劳动力供给和工资支付模型已婚职业女性的劳动力供给和工资支付模型 劳动力供给受到工资的影响劳动力供给受到工资的影响 工资受到劳动力供给时间的影响工资受到劳动力供给时间的影响1-24Zhang TaoS

34、IB,SIFT _cons 2114.697 340.1307 6.22 0.000 1446.131 2783.263 nwifeinc -4.245807 3.655815 -1.16 0.246 -11.43173 2.940117 kidsge6 -115.0205 30.82925 -3.73 0.000 -175.619 -54.42208 kidslt6 -342.5048 100.0059 -3.42 0.001 -539.078 -145.9317 age -7.729976 5.52945 -1.40 0.163 -18.59874 3.138792 educ -14.44

35、486 17.96793 -0.80 0.422 -49.76289 20.87317 lwage -17.40781 54.21544 -0.32 0.748 -123.9745 89.15886 hours Coef. Std. Err. t P|t| 95% Conf. Interval Total 257311020 427 602601.92 Root MSE = 755.16 Adj R-squared = 0.0537 Residual 240082635 421 570267.54 R-squared = 0.0670 Model 17228385.4 6 2871397.56

36、 Prob F = 0.0001 F( 6, 421) = 5.04 Source SS df MS Number of obs = 428横截面数据横截面数据 多元回归与联立方程组多元回归与联立方程组 Instruments: educ age kidslt6 kidsge6 nwifeinc exper expersqInstrumented: lwage _cons 2432.198 594.1719 4.09 0.000 1264.285 3600.111 nwifeinc -9.24912 6.481116 -1.43 0.154 -21.9885 3.490257 kidsge6

37、-47.55707 56.91786 -0.84 0.404 -159.4357 64.32151 kidslt6 -210.8339 176.934 -1.19 0.234 -558.6179 136.9502 age -10.78409 9.577347 -1.13 0.261 -29.60946 8.041288 educ -177.449 58.1426 -3.05 0.002 -291.7349 -63.16302 lwage 1544.818 480.7387 3.21 0.001 599.8713 2489.766 hours Coef. Std. Err. t P|t| 95%

38、 Conf. Interval Total 257311020 427 602601.92 Root MSE = 1301.9 Adj R-squared = . Residual 713583268 421 1694972.13 R-squared = . Model -456272249 6 -76045374.8 Prob F = 0.0027 F( 6, 421) = 3.41 Source SS df MS Number of obs = 428Instrumental variables (2SLS) regression1-25Zhang TaoSIB,SIFT时间序列时间序列时

39、序数据时序数据 causality in time, realization of stochastic processMinimum wage and employment Castillo,Freeman and Freeman (1992) Time dependent Ordering Data frequency Seasonal pattern 1-26Zhang TaoSIB,SIFT时间序列时间序列 _cons -1.054413 .7654066 -1.38 0.177 -2.608271 .4994453 lusgnp -.0121899 .0885134 -0.14 0.

40、891 -.1918817 .1675019 lmincov -.1544433 .0649015 -2.38 0.023 -.2862003 -.0226863 lprepop Coef. Std. Err. t P|t| 95% Conf. Interval Total .319858351 37 .00864482 Root MSE = .0557 Adj R-squared = 0.6411 Residual .108600157 35 .003102862 R-squared = 0.6605 Model .211258194 2 .105629097 Prob F = 0.0000

41、 F( 2, 35) = 34.04 Source SS df MS Number of obs = 38 _cons -8.696287 1.295773 -6.71 0.000 -11.32962 -6.06296 t -.0323541 .0050228 -6.44 0.000 -.0425616 -.0221467 lusgnp 1.057349 .1766381 5.99 0.000 .6983776 1.416321 lmincov -.1686946 .0442464 -3.81 0.001 -.2586142 -.078775 lprepop Coef. Std. Err. t

42、 P|t| 95% Conf. Interval Total .319858351 37 .00864482 Root MSE = .03793 Adj R-squared = 0.8336 Residual .048910453 34 .001438543 R-squared = 0.8471 Model .270947898 3 .090315966 Prob F = 0.0000 F( 3, 34) = 62.78 Source SS df MS Number of obs = 38 _cons .0003248 .0003361 0.97 0.334 -.0003339 .000983

43、5 L1. 1.137139 .6350412 1.79 0.073 -.1075188 2.381797 arch ARCH sigma2 .7783326 2.424864 0.32 0.748 -3.974313 5.530978ARCHM _cons -.643596 .455453 -1.41 0.158 -1.536267 .2490755 lusgnp -.0573666 .0531164 -1.08 0.280 -.1614729 .0467397 lmincov -.0985192 .0380586 -2.59 0.010 -.1731127 -.0239256lprepop

44、 lprepop Coef. Std. Err. z P|z| 95% Conf. Interval OPG Log likelihood = 67.82788 Prob chi2 = 0.0000Distribution: Gaussian Wald chi2(3) = 160.28Sample: 1950 - 1987 Number of obs = 38ARCH family regression1-27Zhang TaoSIB,SIFT混合横截面混合横截面SCP数据结构不同，结果不同，意义不同数据结构不同，结果不同，意义不同 Pooling cross sections from di

45、fferent years Effectively analyzing the effects of a new govt. policy Similar to a standard cross section, except that we often need to account for secular differences in the variables across the time1-28Zhang TaoSIB,SIFT面板数据面板数据SCP数据结构不同，结果不同，意义不同数据结构不同，结果不同，意义不同 The same cross sectional members To

46、 control certain unobserved characteristic of cross sections To study the importance of lags in behavior or the result of decision making1-29Zhang TaoSIB,SIFT小资料：混合数据和面板数据的联系与区别小资料：混合数据和面板数据的联系与区别 An independently pooled cross section is obtained by sampling randomly from a large population at diffe

47、rent points in time (usually, but not necessarily, different years). For instance, in each year, we can draw a random sample on hourly wages, education, experience, and so on, from the population of working people in the United States. Or, in every other year, we draw a random sample on the selling

48、price, square footage, number of bathrooms, and so on, of houses sold in a particular metropolitan area. From a statistical standpoint, these data sets have an important feature: they consist of independently sampled observations. This was also a key aspect in our analysis of cross-sectional data: a

49、mong other things, it rules out correlation in the error terms for different observations. A panel data set, while having both a cross-sectional and a time series dimension, differs in some important respects from an independently pooled cross section. To collect panel data-sometimes called longitud

50、inal data-we follow (or attempt to follow) the same individuals, families, firms, cities, states, or whatever, across time. For example, a panel data set on individual wages, hours, education, and other factors is collected by randomly selecting people from a population at a given point in time. The