【文章內(nèi)容簡介】 eraction Effect）：回歸模型中為兩個解釋變量的乘積的自變量。截距參數(shù)（Intercept Parameter）：復(fù)線性回歸模型中，給出當(dāng)所有自變量都為零時因變量的期望值的參 數(shù)。截距的變動（Intercept Shift）：回歸模型中的截距，因組或時期的不同而不同。J 聯(lián)合假設(shè)檢驗（Joint Hypothesis Test）：一個模型中包含不止一個對參數(shù)的約束的檢驗。聯(lián)合統(tǒng)計顯著性（Jointly Statistically Signi?cant）：兩個或多個解釋變量具有零總體系數(shù)的虛擬假 設(shè)以一個選定的顯著性水平被拒絕。L 滯后分布（Lag Distribution）：在無限或有限分布滯后模型中，把滯后系數(shù)表示為滯后長度的函數(shù)。滯后因變量（Lagged Dependent Variable）：等于以前時期的因變量的解釋變量。拉格朗日乘數(shù)統(tǒng)計量（Lagrange Multiplier Statistic）：僅在大樣本下為正確的檢驗統(tǒng)計量，它可用于 在不同的模型設(shè)定問題中檢驗遺漏變量、異方差性和序列相關(guān)。大樣本性質(zhì)（Large Sample Properties）：見漸近性質(zhì)。水平值—水平值模型（LevelLevel Model）：因變量與自變量均為標(biāo)準(zhǔn)（或原始）形式的回歸模型。水平值—對數(shù)模型（LevelLog Model）：因變量為標(biāo)準(zhǔn)形式、自變量（至少是其中一部分）為對數(shù)形式的 回歸模型。線性概率模型（LPM）（Linear Probability Model, LPM）：響應(yīng)概率對參數(shù)為線性的二值響應(yīng)模型。線性時間趨勢（Linear Time Trend）：為時間的線性函數(shù)的趨勢。線性無偏估計量（Linear Unbiased Estimator）：在多元回歸分析中，是因變量值的一個線性函數(shù)的那些 無偏估計量。對數(shù)—水平值模型（LogLevel Model）：因變量以對數(shù)形式出現(xiàn)，而自變量是水平（或原始）形式的一種 回歸模型。對數(shù)—對數(shù)模型（LogLog Model）：因變量和（至少一部分）解釋變量都是以對數(shù)形式出現(xiàn)的回歸模型。長期彈性（LongRun Elasticity）： 因變量和自變量都是對數(shù)形式出現(xiàn)的分布滯后模型中的長期傾向。即，長期彈性是在給定解釋變量增長了1%時，被解釋變量最終變化的百分比。長期乘數(shù)（LongRun Multiplier）：參見長期傾向。長期傾向（LongRun Propensity）：在一個分布滯后模型中，給定自變量的一個永久性的、一個單位的增 長，因變量最終的變化量。M 配對樣本（Matched Pairs Sample）：每個觀測值都與另一個觀測值相匹配的一種樣本，如由丈夫和妻子 或一對兄妹組成的樣本。測量誤差（Measurement Error）：觀測到的變量與多元回歸方程中的變量之間的差。微數(shù)缺測性（Micronumerosity）：由Arthur Goldberger 首先提出的一個概念，用以描述容量樣本較小 時計量經(jīng)濟(jì)學(xué)估計量的性質(zhì)。最小方差無偏估計量（Minimum Variance Unbiased Estimator）：在所有的無偏估計量中方差最小的那個 估計量。數(shù)據(jù)缺失（Missing Data）：當(dāng)我們沒有觀測到樣本中某些觀測（個人、城市、時期等）所對應(yīng)的一些變 量值時，發(fā)生的一類數(shù)據(jù)問題。一階移動平均過程[MA（1）]（Moving Average Process of Order One [MA(1)]）：是由某個隨機(jī)過程的 當(dāng)期值與一期滯后的線性函數(shù)所產(chǎn)生的一種時間序列過程。這個隨機(jī)過程是0 均值、固定方差和不相關(guān)的。多重共線性（Multicollinearity）：指多元回歸模型中自變量之間的相關(guān)性。當(dāng)某些相關(guān)性“很大”時，就會發(fā)生多重共線性，但對實際的大小尺度并沒有明確的規(guī)定。多重假設(shè)檢驗（Multicollinearity）：涉及到參數(shù)的多個約束條件的虛擬假設(shè)檢驗。多元線性回歸（MLR）模型（Multiple Linear Regression(MLR)Model）：對參數(shù)是線性的一類模型，其 中的因變量是自變量的函數(shù)加上一個誤差項。多元回歸分析（Multiple Regression Analysis）：在多元線性回歸模型中進(jìn)行估計和推斷的一類分析。多重約束（Multiple Restrictions）：計量經(jīng)濟(jì)學(xué)模型中對參數(shù)的多于一個的約束條件。乘數(shù)測量誤差（Multiplicative Measurement Error）：觀測到的變量等于實際的觀測不到的變量與一個 正的測量誤差的乘積時出現(xiàn)的一種測量誤差。N nR平方統(tǒng)計量（nRSquared Statistic）：參見拉格朗日乘數(shù)統(tǒng)計量。名義變量（Nominal Variable）：用名義或當(dāng)前美元數(shù)表示的變量。非實驗數(shù)據(jù)（Nonexperimental Data）：不是通過人為控制下的實驗得到的數(shù)據(jù)。非嵌套模型（Nonnested Models）：沒有一個模型可以通過對參數(shù)施加限制條件而被表示成另一個模型的 特例的兩個（或更多）模型。非平穩(wěn)過程（Nonstationary Process）：聯(lián)合分布在不同的時期不是恒定不變的一種時間序列過程。正態(tài)性假定（Normality Assumption）：經(jīng)典線性模型假定之一。它是指以解釋變量為條件的誤差（或因 變量）有正態(tài)分布。虛擬假設(shè)（Null Hypothesis）：在經(jīng)典假設(shè)檢驗中，我們把這個假設(shè)當(dāng)作真的，要求數(shù)據(jù)能夠提供足夠的 證據(jù)才能否定它。分子自由度（Numerator Degrees of Freedom）：在F 檢驗中，所檢驗的約束條件的個數(shù)。O 可觀測數(shù)據(jù)（Observational Data）：參見非實驗數(shù)據(jù)。OLS（OLS）：參見普通最小二乘法。OLS 截距估計值（OLS Intercept Estimate）：OLS 回歸線的截距。OLS 回歸線（OLS Regression Line）：表示了因變量的預(yù)報值與自變量的值之間關(guān)系的方程，它的參數(shù)是用OLS 估計出來的。OLS 斜率估計值（OLS Slope Estimate）：OLS 回歸線的斜率。遺漏變量偏誤（Omitted Variable Bias）：回歸中遺漏了有關(guān)變量而產(chǎn)生的OLS 估計量的偏誤。單側(cè)對立假設(shè)（OneSided Alternative）：被表述為參數(shù)大于（或小于）虛擬條件下的假設(shè)值的一種對立 假設(shè)。單尾檢驗（OneTailed Test）：與單側(cè)對立假設(shè)相對的假設(shè)檢驗。序數(shù)變量（Ordinal Variable）：通過排列順序傳達(dá)信息的一種數(shù)據(jù)，它們的大小本身并不說明任何問題。普通最小二乘法（OLS）（Ordinary Least Squares, OLS）：用來估計多元線性回歸模型中的參數(shù)的一種 方法。最小二乘估計值通過最小化殘差的平方和得到。INTRODUCTORY ECONOMETRICS 異常數(shù)據(jù)（Outliers）：在數(shù)據(jù)集中，與大量其他數(shù)據(jù)有明顯區(qū)別的觀測值。這種現(xiàn)象可能是由于誤差造 成的，也可能是因為它們是由與多數(shù)其他數(shù)據(jù)不同的模型產(chǎn)生而造成的。整體顯著性（Overall Signi?cance of a Regression）：對多元回歸方程中所有的解釋變量所做的一種聯(lián) 合顯著性檢驗。模型的過度識別（Overspecifying a Model）：參見含有一個無關(guān)變量。P p 值（pvalue）：指能夠拒絕虛擬假設(shè)的最低顯著性水平。等價的，它也指虛擬假設(shè)不被拒絕的最大顯著 性水平。綜列數(shù)據(jù)（Panel Data）：在不同時期，橫截面的不斷反復(fù)得到的數(shù)據(jù)集。在平衡的綜列中，同樣的單位 在每個時期都出現(xiàn)。在不平衡的綜列中，有些單位往往由于衰減現(xiàn)象而不會在每個時期都出現(xiàn)。偏效應(yīng)（Partial Effect）：回歸模型中的其他因素保持不變時，某個解釋變量對因變量的影響。完全共線性（Perfect Collinearity）：在多元回歸中，一個自變量是一個或多個其他自變量的線性函數(shù)。變量缺失問題的插入解（PlugIn Solution to the Omitted Variables Problem）：在OLS 回歸中，用一 個代理變量代替觀測不到的缺失變量。政策分析（Policy Analysis）：用計量經(jīng)濟(jì)學(xué)模型來評估某項政策的效果的一種實證分析?；旌蠙M截面（Pooled Cross Section）：通常在不同時點收集到的相互獨立的橫截面組合而成的一個單獨 的數(shù)據(jù)集?？傮w（Population）：作為統(tǒng)計或計量經(jīng)濟(jì)分析對象的一個明確定義的組群（人、公司、城市等）?？傮w模型（Population Model）：一種描述了總體特征的模型，特別是多元線性回歸模型?？傮wR平方（Population RSquared）：總體中，由解釋變量解釋了的那部分因變量的變異?？傮w回歸函數(shù)（Population Regression Function）：參見條件期望。實際顯著性（Practical Signi?cance）： 相對于統(tǒng)計顯著性而言的、某個估計值的實際的或經(jīng)濟(jì)的重要 性，用它的符號和大小來衡量。普萊斯—溫斯登（PW）估計（PraisWinsten(PW)Estimation）：一種用來估計有AR（1）誤差和嚴(yán)格外 生解釋變量的多元線性回歸模型的方法；不同于科克倫奧克特方法，它在估計中要用到第一個時期的方程。前定變量（Predetermined Variable）：在聯(lián)立方程模型中的滯后的內(nèi)生變量或滯后的外生變量。被預(yù)測變量（Predicted Variable）：參見因變量。預(yù)報（Prediction）：把特定的解釋變量的值代入所估計的模型，通常是多元回歸模型中，以得到結(jié)果的 一個估計值。預(yù)測誤差（Prediction Error）：實際結(jié)果與所預(yù)報的結(jié)果之間的差。預(yù)測區(qū)間（Prediction Interval）：多元回歸模型中，某個因變量的未知結(jié)果的一個置信區(qū)間。預(yù)測變量（Predictor Variable）：參見解釋變量。項目評估（Program Evaluation）：用計量經(jīng)濟(jì)學(xué)方法求出某個私人或公共項目的不確定影響的一種評估 方法。代理變量（Proxy Variable）：多元回歸分析中，一個與觀測不到的解釋變量有關(guān)系但又不相同的可觀測 變量。Q 二次函數(shù)（Quadratic Functions）：包含一個或多個解釋變量的平方的函數(shù)，它反映了解釋變量 對因變量的逐漸變?nèi)趸蛟鰪?qiáng)的影響。定性變量（Qualitative Variable）：描述一個人、企業(yè)及城市等的非定量特征的變量。擬—差分?jǐn)?shù)據(jù)（QuasiDifferenced Data）：在估計有AR（1）的序列相關(guān)的回歸模型時，當(dāng)期數(shù)據(jù)與前 一期數(shù)據(jù)乘以AR（1）模型的參數(shù)后得到的數(shù)據(jù)之間的差。R平方（RBar Squared）：參見校正的R2。R2（RSquared）：在多元回歸模型中，由自變量解釋了的那部分因變量的樣本方差之和。R2 形式的F 統(tǒng)計量（RSquared Form of the F Statistic）：用受約束和不受約束的模型中得到的由R2表示的、用于檢驗排除約束條件的F 統(tǒng)計量。隨機(jī)抽樣（Random Sampling）：在總體中隨機(jī)抽取觀測值的一種抽樣方法。各個單位被抽取的可能性是相同的，而且每次抽樣都與其他次相互獨立。隨機(jī)游走（Random Walk）：在這樣一種時間序列中，下個時期的值等于本期值加上一個獨立的（或至少是不相關(guān)的）誤差項。有漂移的隨機(jī)游走（Random Walk with Drift）：每個時期都加進(jìn)一個常數(shù)（或漂移）的隨機(jī)游走。實際變量（Real Variable）：用基期貨幣價值表示的變量。回歸子（Regressand）：參見因變量?；貧w誤差設(shè)定檢驗（RESET）（Regression Speci?cation Error Test, RESET）：在多元回歸模型中，檢 驗函數(shù)形式的一般性方法。它是一種由最初的OLS 估計得出的擬合值的平方、三次方以及可能更高次冪的聯(lián)合顯著性F 檢驗。過原點回歸（Regression Through the Origin）：截距被設(shè)為0 的回歸分析，它的斜率通過最小化殘差的平方和求出?；貧w元（Regressor）：參見解釋變量。拒絕區(qū)域（Rejection Region）：使得虛擬假設(shè)被拒絕的一組檢驗統(tǒng)計量的值。拒絕法則（Rejection Rule）：在假設(shè)檢驗中，決定在什么情況下拒絕虛擬假設(shè)并支持對立假設(shè)的法則。殘差（Residual）：實際值與擬合（或預(yù)報）值之間的差。樣本中的每次觀測都有一個相應(yīng)的殘差，它們 被用來計算OLS 回歸線。殘差分析（Residual Analysis）：在估計多元回歸模型后，對某次特定觀測的殘差的符號和大小所作的研 究。殘差平方和（Residual Sum of Squares）：參見殘差的平方和。響應(yīng)概率（Response Probability）：在二值響應(yīng)模型中，以解釋變量為條件的因變量取值為1 的概率。響應(yīng)變量（Response Variable）：參見因變量。受約束的模型（Restricted Model）：在假設(shè)檢驗中，施加所有虛擬假設(shè)所要求的約束條件后得到的模型。均方根誤（RMSE）（Root Mean Squared Error, RMSE）：多元回歸分析中回歸標(biāo)準(zhǔn)誤的另一個名稱（僅當(dāng)期望值等于實測值—譯者）。S 樣本回歸函數(shù)（Sample Regression Function）：參見OLS 回歸線。得分統(tǒng)計量（Score Statistic）：參見拉格朗日乘數(shù)統(tǒng)計量。季節(jié)性虛擬變量（Seasonal Dummy Variables）：一組用來表示季節(jié)或月份的虛擬變量。季節(jié)性（Seasonality）：月度或季度時間序列具有的均值隨著一年中季節(jié)的不同而系統(tǒng)性變化的特點。季節(jié)性調(diào)整（Seasonally Adjusted）：用某種統(tǒng)計程序，可能是對季節(jié)性虛