橫截面與面板數據的計量經濟分析（第二版）

《橫截面與面板數據的計量經濟分析（第二版）》是2016年中國人民大學出版社出版的圖書，作者是傑弗里·M·伍德里奇。

基本介紹

• 中文名：橫截面與面板數據的計量經濟分析（第二版）
• 作者：傑弗里·M·伍德里奇
• 出版社：中國人民大學出版社
• ISBN：9787300219387

內容簡介

　　這本備受讚譽的研究生教材第二版提供了用在現代計量經濟學研究的兩類數據結構分析的一個統一處理：橫截面數據和面板數據。本書同時涵蓋了線性和非線性模型，包括含有動態性和/或個體異質性的模型。除了一般估計框架（特別是矩方法與極大似然法）外，還詳細介紹了一些特定的線性與非線性方法，包括probit和logit模型、多項選擇和有序選擇模型、Tobit模型和兩部拓展式、關於計數數據的模型、多種截取和缺失數據設計、因果（或處理）效應估計，以及期限分析，並擴展了控制函式和相關隨機效應方法以允許估計存在內生性和異質性的複雜模型。

　　 相比第一版，第二版已經被實質性地更新和修訂。改進包括：更大的一類關於缺失數據問題的模型；整群抽樣問題更詳細的處理，這對經驗研究而言是一個重要主題；關於＂廣義工具變數＂(GIV)估計的展開討論；對逆機率加權的新覆蓋；一個用於估計含有關於干預和不同數據結構——包括面板數據，和一個在對非線性面板數據的計量經濟學方法與在統計學及其他領域中流行的＂廣義估計方法＂文獻之間牢固確立的聯繫——方面假設的處理效應之更完整的框架。對解釋特殊的計量經濟學方法可以在何時套用給予了新的關注；目標不僅是告訴讀者什麼是起作用的，而且還說明某些＂顯然的＂程式為何不可行。許多列入書中的習題，無論是理論性的還是基於計算機的，都允許讀者拓展涵蓋在書中的方法並發現新的洞見。

圖書目錄

第Ⅰ篇 引論與背景

第1章 引論

1．1 因果關係與其餘條件不變分析

1．2 隨機設定與漸近分析

1．2．1 數據結構

1．2．2 漸近分析

1．3 一些例子

1．4 為什麼不使用固定的解釋變數?

第2章 計量經濟學中條件期望與相關概念

2．1 條件期望在計量經濟學中的作用

2．2 條件期望的特徵

2．2．1 定義與例子

2．2．2 偏效應、彈性與半彈性

2．2．3 條件期望模型的誤差形式

2．2．4 條件期望的若干性質

2．2．5 平均偏效應

2．3 線性投影

習題

附錄2A

2A．1 條件期望的性質

2A．2 條件方差與協方差的性質

2A．3 線性投影的性質

第3章 基本漸近理論

3．1 確定性序列收斂

3．2 依機率收斂與依機率有界

3．3 依分布收斂

3．4 隨機樣本的極限定理

3．5 估計量與檢驗統計量的極限特性

3．5．1 估計量的漸近性質

3．5．2 檢驗統計量的漸近性質

習題

第Ⅱ篇 線性模型

第4章 單方程線性模型與普通最小二乘法估計

4．1 單方程線性模型概述

4．2 普通最小二乘法的漸近性質

4．2．1 一致性

4．2．2 利用普通最小二乘法的漸近推斷

4．2．3 異方差性穩健的推斷

4．2．4 拉格朗日乘子（得分）檢驗

4．3 遺漏變數問題的普通最小二乘法解

4．3．1 忽略被遺漏變數的普通最小二乘法

4．3．2 代理變數——普通最小二乘法解

4．3．3 含有在不可觀測項中存在的互動作用的模型：隨機係數模型

4．4 測量誤差下普通最小二乘法的性質

4．4．1 因變數的測量誤差

4．4．2 解釋變數的測量誤差

習題

第5章 單方程線性模型的工具變數估計

5．1 工具變數與兩階段最小二乘法

5．1．1 工具變數估計的動機

5．1．2 多重工具：兩階段最小二乘法

5．2 兩階段最小二乘法的一般處理

5．2．1 一致性

5．2．2 兩階段最小二乘法的漸近正態性

5．2．3 兩階段最小二乘法的漸近有效性

5．2．4 使用兩階段最小二乘法的假設檢驗

5．2 兩階段最小二乘法的異方差性穩健推斷

5．2．6 使用兩階段最小二乘法的潛在陷阱

5．3 遺漏變數與測量誤差問題的IV解

5．3．1 誤差項中的遺漏因素

5．3．2 利用不可觀測指示符求解

習題

第6章 附加的單方程專題

6．1 使用生成回歸元與工具的估計

6．1．1 使用生成回歸元的普通最小二乘法

6．1．2 使用生成工具的二階段最小二乘法

6．1．3 生成工具與回歸元

6．2 處理內生性的控制函式法

6．3 一些設定檢驗

6．3．1 內生性檢驗

6．3．2 過度識別約束檢驗

6．3．3 函式形式檢驗

6．3．4 異方差性檢驗

6．4 相關的隨機係數模型

6．4．1 何時一般的IV估計量是一致的？

6．4．2 控制函式法

6．5 混合的截面數據與倍差法估計

6．5．1 跨時間混合橫截面

6．5．2 政策分析和倍差法估計

習題

附錄6A

第7章 利用普通最小二乘法與廣義最小二乘法估計方程組

7．1 簡介

7．2 一些例子

7．3 多變數線性方程組的系統普通最小二乘法估計

7．3．1 預備知識

7．3．2 系統普通最小二乘法的漸近性質

7．3．3 多重假設檢驗

7．4 廣義最小二乘法的一致性與漸近正態性

7．4．1 一致性

7．4．2 漸近正態性

7．5 可行的廣義最小二乘法

7．5．1 漸近性質

7．5．2 標準假設下可行的廣義最小二乘法的漸近方差

7．5．3 含有對無條件方差矩陣（可能不正確）約束的可行廣義最小二乘法的性質

7．6 檢驗可行廣義最小二乘法的使用

7．7 似無關回歸的再研究

7．7．1 關於似無關回歸方程組的普通最小二乘法與可行廣義最小二乘法之間的比較

7．7．2 含有方程間約束的方程組

7．7．3 似無關回歸方程組中的奇異方差矩陣

7．8 線性面板數據模型的再研究

7．8．1 混合普通最小二乘法的假設

7．8．2 動態完備性

7．8．3 時間序列持久性的一個評註

7．8．4 穩健漸近方差矩陣

7．8．5 檢驗混合普通最小二乘法的序列相關性與異方差性

7．8．6 嚴格外生性下可行的廣義最小二乘法估計

習題

第8章 利用工具變數的系統估計

8．1 簡介與例子

8．2 一般線性方程組

8．3 廣義矩估計方法

8．3．1 一般加權矩陣

8．3．2 系統兩階段最小二乘法估計量

8．3．3 最優加權矩陣

8．3．4 廣義矩三階段最小二乘法估計量

8．4 廣義工具變數估計量

8．4．1 廣義工具變數估計量的推導及其漸近性質

8．4．2 廣義矩方法、廣義工具變數及傳統的三階段最小二乘估計量之比較

8．5 利用廣義矩方法的檢驗

8．5．1 檢驗古典假設

8．5．2 檢驗過度識別約束

8．6 更有效估計與最優工具

8．7 對如何選擇一個估計量的總結評論

習題

第9章 聯立方程模型

9．1 聯立方程模型的範圍

9．2 線性方程組的識別

9．2．1 排除約束與約簡型

9．2．2 一般線性約束與結構方程

9．2．3 不可識別、恰好識別以及過度識別方程

9．3 識別後估計

9．3．1 穩健性與有效性的權衡

9．3．2 什麼時候2SLS與3SLS是等價的？

9．3．3 估計約簡型參數

9．4 附加的線性聯立方程方法的若干專題

9．4．1 利用跨方程約束達到識別

9．4．2 利用協方差約束達到識別

9．4．3 關於線性方程組中的識別與有效性的一些微妙之處

9．5 關於內生變數為非線性的聯立方程模型

9．5．1 識別

9．5．2 估計

9．5．3 三角形方程組的控制函式估計

9．6 不同方程的不同工具

習題

．

第10章 基本線性不可觀測效應面板數據模型

10．1 動機：遺漏變數問題

10．2 不可觀測效應與解釋變數的假設

10．2．1 隨機效應還是固定效應?

10．2．2 解釋變數的嚴格外生性假設

10．2．3 不可觀測效應面板數據模型的一些例子

10．3 通過混合普通最小二乘法估計不可觀測效應模型

10．4 隨機效應方法

10．4．1 基本隨機效應假設下的估計與推斷

10．4．2 穩健方差矩陣估計量

10．4．3 一般可行廣義最小二乘法分析

10．4．4 檢驗不可觀測效應的存在

10．5 固定效應方法

10．5．1 固定效應估計量的一致性

10．5．2 含有固定效應的漸近推斷

10．5．3 虛擬變數回歸

10．5．4 序列相關與穩健方差矩陣估計量

10．5．5 固定效應廣義最小二乘法

10．5．6 利用固定效應對政策分析進行估計

10．6 一階差分方法

10．6．1 推斷

10．6．2 穩健方差矩陣

10．6．3 序列相關檢驗

10．6．4 利用一階差分的政策分析

10．7 估計量的比較

10．7．1 固定效應與一階差分

10．7．2 隨機效應估計量與固定效應估計量之間的關係

10．7．3 比較隨機效應估計量與固定效應估計量的豪斯曼檢驗

習題

．

第11章 線性不可觀測效應模型的更多專題

11．1 標準線性不可觀測效應模型的廣義矩方法（GMM）

11．1．1 GMM的3SLS和標準估計量之間的等價性

11．1．2 不可觀測效應模型的張伯倫方法

11．2 隨機和固定效應工具變數法

11．3 豪斯曼和泰勒式模型

11．4 一階差分工具變數法

11．5 含測量誤差的不可觀測效應模型

11．6 序貫外生性下的估計

11．6．1 一般框架

11．6．2 含滯後因變數的模型

11．7 含有個體特有斜率的模型

11．7．1 隨機趨勢模型

11．7．2 含有個體特有斜率的一般模型

11．7．3 標準固定效應方法的穩健性

11．7．4 相關隨機斜率檢驗

習題

第Ⅲ篇非線性估計的一般方法

第12章 M估計、非線性回歸以及分位數回歸

12．1 簡介

12．2 識別、一致收斂性與一致性

12．3 漸近正態性

12．4 兩步驟M估計量

12．4．1 一致性

12．4．2 漸近正態性

12．5 估計漸近方差

12．5．1 不含多餘參數的估計

12．5．2 調整兩步估計

12．6 假設檢驗

12．6．1 瓦爾德檢驗

12．6．2 得分（或拉格朗日乘子）檢驗

12．6．3 基於目標函式中變化的檢驗

12．6．4 備擇假設下的統計量表現

12．7 最最佳化方法

12．7．1 牛頓拉夫森方法

12．7．2 伯恩特霍爾霍爾豪斯曼算法

12．7．3 廣義高斯牛頓方法

12．7．4 出自目標函式的集成參數

12．8 模擬與再抽樣方法

12．8．1 蒙特卡羅模擬

12．8．2 自助法

12．9 多元非線性回歸方法

12．9．1 多元非線性最小二乘法

12．9．2 加權多元非線性最小二乘法

12．10 分位數估計

12．10．1 分位數、估計問題和一致性

12．10．2 漸近推斷

12．10．3 面板數據的分位數回歸

習題

第13章 極大似然法

13．1 簡介

13．2 預備知識與例子

13．3 條件極大似然估計的一般框架

13．4 條件極大似然估計的一致性

13．5 漸近正態性與漸近方差估計

13．5．1 漸近正態性

13．5．2 估計漸近方差

13．6 假設檢驗

13．7 設定檢驗

13．8 面板數據的偏（或混合）似然方法

13．8．1 面板數據設定

13．8．2 漸近推斷

13．8．3 動態完備模型的推斷

13．9 含有不可觀測效應的面板數據模型

13．9．1 含嚴格外生解釋變數的模型

13．9．2 含滯後因變數的模型

13．10 涉及極大似然的兩步法估計量

13．10．1 第二步估計量為極大似然估計量

13．10．2 當第一步估計量是條件極大似然估計量時令人驚訝的有效性結果

13．11 準極大似然估計

13．11．1 一般誤設

13．11．2 模型選擇檢驗

13．11．3 線性指數族中的準極大似然估計

13．11．4 面板數據的廣義估計方程

習題

附錄13A

第14章 廣義矩方法與最小距離估計

14．1 廣義矩方法的漸近性質

14．2 在正交性條件下的估計

14．3 非線性方程組

14．4 有效估計

14．4．1 一般有效性框架

14．4．2 極大似然估計的有效性

14．4．3 在條件矩約束下對工具的有效選取

14．5 古典最小距離估計

14．6 面板數據的套用

14．6．1 非線性動態模型

14．6．2 不可觀測效應模型的最小距離方法

14．6．3 含有關於不可觀測效應的時變係數的模型

習題

附錄14A

第Ⅳ篇 非線性模型與相關專題

第15章 二值回響模型

15．1 簡介

15．2 二值回響的線性機率模型

15．3 二值回響的指標模型：Probit與Logit

15．4 二值回響指標模型的極大似然估計

15．5 二值回響指標模型檢驗

15．5．1 多重排除約束檢驗

15．5．2 關於β的非線性假設檢驗

15．5．3 針對更一般備擇假設的檢驗

15．6 Probit與Logit的結果報告

15．7 二值回響模型的設定問題

15．7．1 可忽略的異質性

15．7．2 連續內生解釋變數

15．7．3 二值內生解釋變數

15．7．4 潛變數模型的異方差性與非正態性

15．7． 5 在更弱假設下的估計

15．8 面板數據的二值回響模型

15．8．1 混合的probit與logit

15．8．2 嚴格外生性下不可觀測效應的probit模型

15．8．3 嚴格外生性下不可觀測效應的logit模型

15．8．4 動態不可觀測效應模型

15．8．5 含異質性與內生解釋變數的probit模型

15．8．6 半參數方法

習題

第16章 多項回響與有序回響模型

16．1 簡介

16．2 多項回響模型

16．2．1 多項logit

16．2．2 機率選擇模型

16．2．3 內生解釋變數

16．2．4 面板數據方法

16．3 有序回響模型

16．3．1 有序logit與有序probit

16．3．2 有序模型中的設定問題

16．3．3 內生解釋變數

16．3．4 面板數據方法

習題

第17章 角點解回響

17．1 動機和例子

17．2 第Ⅰ類Tobit回歸的有用表達式

17．3 第Ⅰ類Tobit模型的估計和推斷

17．4 結果報告

17．5 Tobit模型中的設定問題

17．5 ．1 可忽略的異質性

17．5．2 內生解釋變數

17．5．3 潛變數模型中的異方差性與非正態性

17．5．4 更弱假設下的參數估計

17．6 兩部模型和角點解的第Ⅱ類Tobit回歸

17．6．1 斷尾正態柵欄模型

17．6．2 對數正態柵欄模型和指數條件均值

17．6．3 指數的第Ⅱ類Tobit模型

17．7 雙限Tobit模型

17．8 面板數據方法

17．8．1 混合方法

17．8．2 嚴格外生性下的不可觀測效應模型

17．8．3 動態不可觀測效應Tobit模型

習題

第18章 計數回響、分數回響及其他非負回響

18．1 簡介

18．2 泊松回歸

18．2．1 用於泊松回歸及所關注的量的假設

18．2．2 泊松QMLE的一致性

18．2．3 泊松QMLE的漸近正態性

18．2．4 假設檢驗

18．2． 5 設定檢驗

18．3 其他計數數據回歸模型

18．3．1 負二項回歸模型

18．3．2 二項回歸模型

18．4 伽瑪（指數）回歸模型

18．5 指數回歸函式中的內生性

18．6 分數回響

18．6．1 外生解釋變數

18．6．2 內生解釋變數

18．7 面板數據方法

18．7．1 混合QMLE

18．7．2 對含不可觀測效應的條件期望設定模型

18．7．3 隨機效應方法

18．7．4 固定效應泊松估計

18．7．5 放鬆嚴格外生性假設

18．7．6 面板數據的分數回響模型

習題

第19章 截取數據、樣本選擇及損耗

19．1 簡介

19．2 數據截取

19．2．1 二值截取

19．2．2 區間加密

19．2．3 上部截取和下部截取

19．3 樣本選擇概述

19．4 樣本選擇何時可被忽略？

19．4．1 線性模型：利用OLS與2SLS的估計

19．4．2 非線性模型

19．5 以回響變數為基礎的選擇：斷尾回歸

19．6 從屬斷尾：一個probit選擇方程

19．6．1 外生解釋變數

19．6．2 內生解釋變數

19．6．3 含有樣本選擇的二值回響模型

19．6．4 一個指數回響函式

19．7 從屬斷尾：一個Tobit選擇方程

19．7．1 外生解釋變數

19．7．2 內生解釋變數

19．7．3 估計含有樣本選擇的結構Tobit方程

19．8 缺失數據的逆機率加權

19．9 線性面板數據的樣本選擇與損耗

19．9．1 含有非平衡面板數據的固定和隨機效應估計

19．9．2 對樣本選擇偏誤的檢驗與校正

19．9．3 損耗

習題

第20章 分層抽樣與整群抽樣

20．1 簡介

20．2 分層抽樣

20．2．1 標準分層抽樣與可變機率抽樣

20．2．2 用加權估計量解釋分層

20．2．3 基於外生變數的分層

20．3 整群抽樣

20．3．1 關於整群數量多且整群規模小的推斷

20．3．2 含單元特有面板數據的整群樣本

20．3．3 對於大的組規模，我們應當套用整群—穩健的推斷嗎？

20．3．4 整群數量少時的推斷

20．4 複雜的調查抽樣

習題

第21章 估計平均處理效應

21．1 簡介

21．2 反事實設定與自選擇問題

21．3 假設處理的可忽略性（或無混性）的方法

21．3．1 識別

21．3．2 回歸調整

21．3．3 傾向得分方法

21．3．4 使回歸調整和傾向得分加權相結合

21．3．5 匹配方法

21．4 工具變數方法

21．4．1 利用IV估計平均處理效應

21．4．2 校正和控制函式法

21．4．3 利用IV估計局部平均處理效應

21．5 斷點回歸設計

21．5．1 清晰斷點回歸設計

21．5．2 模糊斷點回歸設計

21．5．3 與模糊斷點回歸相對比的無混性

21．6 進一步探討的問題

21．6．1 關於含離散性或取值範圍有限回響的特殊考慮

21．6．2 多值處理

21．6．3 多重處理

21．6．4 面板數據

習題

第22章 期限分析

22．1 簡介

22．2 風險函式

22．2．1 不帶協變數的風險函式

22．2．2 以非時變協變數為條件的風險函式

22．2．3 以時變協變數為條件的風險函式

22．3 含有非時變協變數的單個時段數據分析

22．3．1 流量抽樣

22．3．2 使用截取流量數據的極大似然估計

22．3．3 存量抽樣

22．3．4 不可觀測異質性

22．4 分組期限數據分析

22．4．1 非時變協變數

22．4．2 時變協變數

22．4．3 不可觀測異質性

22．5 進一步探討的問題

22．5．1 比例風險模型的考克斯偏似然方法

22．5．2 多重時段數據

22．5．3 互競風險模型

習題

譯後記

第二版譯後記

作者簡介

傑弗里.M.伍德里奇是密西根州立大學的經濟學＂大學傑出教授＂和計量經濟學會院士。