随笔分类 - 计量经济学
1
计量经济学Python建模
摘要:空间计量经济学(Spatial Econometrics)创新性地解决了经典计量方法在空间数据分析中的局限性,研究地理观测值之间的相互关系。近年来,在人文社会科学的“空间转向”背景下,空间计量已成为区域经济、房地产、环境、人口、旅游、地理、政治等领域定量研究的重要工具。空间效应本质上是一种网络效应,
阅读全文
摘要:计量经济学作为现代经济学的重要分支。经济计量分析是现代经济学研究中不可或缺的一部分,旨在运用数学、统计学和计算机科学的方法,对经济现象进行量化研究,以揭示经济运行规律并为政策制定提供科学依据。它结合理论与数据分析,为经济学的实证研究提供了坚实的工具和框架。 经济计量学的简化程式可以概括为四个关键步骤
阅读全文
摘要:在计量经济学和统计分析中,遗漏变量问题是一个非常常见且至关重要的问题。它发生在回归模型中,具体是由于某些重要的解释变量(自变量)未被包含在模型中,导致模型的估计结果存在偏误,最终影响到研究结论的可靠性和有效性。遗漏变量偏误的影响不仅体现在回归系数的估计偏差上,还可能对模型的预测能力和政策建议产生严重
阅读全文
摘要:在经济学和其他社会科学的研究中,研究人员经常希望通过观察数据来推断因果关系,以理解变量之间的影响机制。然而,实际数据往往受到多种因素的干扰,使得自变量和因变量之间可能出现内生性问题(Endogeneity),即自变量与模型的误差项存在相关性。这种内生性问题通常会导致普通最小二乘法(Ordinary
阅读全文
摘要:时间序列分析是数据科学中的一个重要分支,旨在探索和理解随着时间变化的数据背后的模式和结构。无论是在金融市场预测、经济政策分析、环境监测还是医学研究中,时间序列数据的广泛应用证明了其在预测未来趋势、制定决策和风险管理方面的重要性。然而,时间序列数据的复杂性和多样性使得从中提取有用信息成为一项挑战,为此
阅读全文
摘要:面板数据模型是一类常见于经济学、社会科学等领域的计量经济模型,广泛用于分析具有时间维度和个体维度的多维数据。相比于传统的横截面数据模型或时间序列模型,面板数据模型能够更好地处理个体之间的异质性问题,并且提高模型的估计精度。通过对同一组个体(如公司、国家或个人)在不同时期的观测,面板数据模型可以同时捕
阅读全文
摘要:回归分析是一种用于研究因变量(目标)和自变量(预测器)之间关系的预测性建模技术,常用于预测分析、时间序列建模和探索变量间的因果关系。它通过拟合曲线或直线,使得模型与数据点的差异最小,从而揭示变量之间的相互关系。在经济学和数据分析中,回归模型广泛应用于量化解释变量(自变量)对被解释变量(因变量)的影响
阅读全文
摘要:虚拟变量回归(Dummy Variable Regression)是处理分类变量的标准工具,在回归分析中具有广泛应用。分类变量通常是定性变量,例如性别(男/女)、地区(东/西)、行业(制造/服务)等。这些变量无法直接用于传统的线性回归模型中,但可以通过创建虚拟变量将它们转化为数值形式,从而纳入模型。
阅读全文
摘要:联立方程模型(Simultaneous Equations Model, SEM)是一类包含多个相互依赖变量的统计模型,用来描述这些变量之间的相互关系。在传统的单一方程模型中,通常假设某个因变量仅仅受到若干自变量的影响,而这些自变量是外生的。然而,在现实经济中,变量之间往往是相互影响的,比如收入和消
阅读全文
摘要:正态性检验(Normality Test)是一种用于判断数据是否服从正态分布的重要统计方法,许多统计模型,如线性回归、VAR模型等,要求残差或误差项服从正态分布。这一假设是保证模型估计有效性和推断准确性的关键条件,误差项的正态性有助于确保参数估计无偏、方差最小以及检验结果的可靠性。在时间序列分析中,
阅读全文
摘要:向量自回归(VAR,Vector Autoregression)模型是一种广泛用于时间序列分析的统计工具,特别是在经济学和金融学领域中。VAR模型的关键优势在于其可以捕捉多个变量之间的相互依赖关系,而无需预设变量之间的因果顺序。这使得VAR模型在处理复杂动态系统时极具灵活性。VAR模型的基本结构是将
阅读全文
摘要:格兰杰因果模型(Granger Causality Model)是时间序列分析中的一种重要工具,用于检测两个变量之间的动态因果关系。该模型由经济学家克莱夫·格兰杰于1969年提出,旨在确定一个时间序列变量能否通过其过去的信息来有效预测另一个变量的变化。格兰杰因果模型并不代表实际的因果关系,而是通过比
阅读全文
摘要:金融市场中的波动性建模是金融计量经济学的重要研究内容。时间序列数据,尤其是金融市场数据,往往表现出强烈的波动聚集现象,这意味着波动率在某些时期较高,而在其他时期较低,波动性具有异方差性(heteroskedasticity)。为了有效描述这种现象,Engle(1982年)提出了ARCH(自回归条件异
阅读全文
摘要:滞后变量模型(Lagged Variable Models)是一种时间序列分析方法,主要通过引入自变量和因变量的滞后项来解释当前变量的行为。该模型在经济学、金融学中广泛应用,尤其在预测和政策评估时。滞后变量反映了过去事件对当前变量的持续影响,揭示变量间的动态关系。它包括自回归模型、分布滞后模型及自回
阅读全文
摘要:时间序列分析(ARIMA)模型是一种广泛用于预测和分析随时间变化的数据模型。ARIMA模型由自回归(AutoRegressive,AR)、差分(Integrated,I)和移动平均(Moving Average,MA)三部分构成。它通过对过去数据的自回归和移动平均来预测未来数据点,广泛应用于经济学、
阅读全文
摘要:序列相关性(Serial Correlation)是指在时间序列或截面数据的回归模型中,误差项之间存在相关性。这种现象意味着当前误差项的值会受到前期误差项的影响,误差项之间并不是独立的。这与经典线性回归模型假设的误差项是独立同分布的(i.i.d.)违背了高斯-马尔可夫定理(Gauss-Markov
阅读全文
摘要:Probit和Logit回归模型都是处理二分类(binary classification)问题的经典模型,它们主要用于研究自变量对二元因变量(如“成功”或“失败”、“是”或“否”)的影响。二分类问题中的因变量𝑌通常取值为0或1,而自变量X则可以是连续的、离散的或二者的混合。在经典的线性回归模型中
阅读全文
摘要:多元线性回归(Multiple Linear Regression, MLR)是一种统计模型,被广泛认为是计量经济学的核心基础。多元线性回归为经济研究者提供了一种有效的方法来建模和分析多个自变量与因变量之间的线性关系。 在计量经济学中,研究者常常面临复杂的经济现象,这些现象往往受多种因素影响。通过建
阅读全文
摘要:在计量经济学和时间序列分析中,Ping稳性是建模和预测的重要前提条件。Ping稳时间序列能够帮助分析师和研究人员更好地理解和预测数据的行为。研究时间序列是依据已知的历史数据,来预测未来的趋势、季节性和变化情况。时间序列数据与一般数据的最大区别在于数据点之间存在时间的依赖关系,时间是数据的重要自变量。
阅读全文
摘要:因果推断(Causal Inference)是统计学和数据科学中的重要分支,用于理解事件之间的因果关系,而不仅仅是相关性。与相关性分析不同,因果推断追求揭示因变量(结果)如何受到自变量(原因)的直接或间接影响。特别是,因果推断为科学研究、政策制定和商业决策提供了至关重要的工具。随着数据科学的快速发展
阅读全文
1