Chapter 3 計量經(jīng)濟學導讀（Econometrics, a guided tour）
數(shù)據(jù)收集
· 能夠運用到計量經(jīng)濟模型中去的經(jīng)濟數(shù)據(jù)來源很多，主要有以下三種：
橫截面數(shù)據(jù)（cross-section data）
通常是關于n個個體（廣義上理解，可以是企業(yè)或國家之類的實體單位）的觀測值。重復觀測的橫截面數(shù)據(jù)（repeated cross-section data）
即隨時間變化而觀測到的各個個體行為。若時間序列所涉及到的都是同一橫截面的個體，則所得到的數(shù)據(jù)稱為面板數(shù)據(jù)（panel data）?？紤]使用面板數(shù)據(jù)的主要原因是，時間序列中的各個不同個體具有共同的性質，沒有必要考察幾個獨立的回歸模型。縮并的面板數(shù)據(jù)（condensed panel data）
該類型的數(shù)據(jù)涉及的個體數(shù)目只有一個或者由n個個體求平均后縮并而成的單一的變量，前者如騰訊公司每日股票收益率（時間序列數(shù)據(jù)），后者如港交所股票平均收益率。
· 一般而言，如果觀測數(shù)據(jù)都十分可靠，數(shù)據(jù)越多，得到的結果就可能越準確。然而，更多的數(shù)據(jù)也意味著更加宏大的模型，模型會變得更加復雜，相應的參數(shù)估計量也會變得更加困難（more involved）。
· 對于數(shù)據(jù)收集，有一點可以肯定，如果能夠收集到非匯總數(shù)據(jù)（disaggregated data），則應首先考慮采集此種數(shù)據(jù)，原因很簡單，非匯總數(shù)據(jù)可以匯總為匯總數(shù)據(jù)（aggregated data），而反之，則通常不可為。
· 數(shù)據(jù)中存在的問題有很多種，最為常見的情況是缺失數(shù)據(jù)（missing data）以及收集到的數(shù)據(jù)可能非隨機（collected data are not random）。缺失數(shù)據(jù)可能是①遺漏了相關變量的一些觀測值②遺漏變量（omitted variables）。對于遺漏變量，彌補的方法之一是把這些所謂的不可觀測異質性（unobserved heterogeneity）轉變?yōu)橐恍┳兓膮?shù)（varying parameters）。
·關于數(shù)據(jù)的“終極三問”：在進行數(shù)據(jù)分析時，應該弄清楚如下問題：“數(shù)據(jù)是從哪里得來的？”“這些數(shù)據(jù)又是如何收集的？”“是否存在并非所有相關數(shù)據(jù)都可以得到，因而樣本并不是隨機的可能性？”只有能確信這些問題都不存在，才能進一步地利用適當?shù)哪Ｐ屠^續(xù)研究，否則就應該首先收集更多或更好的數(shù)據(jù)，或根據(jù)實際情況修正估計量。（評：私以為很多情況下數(shù)據(jù)的獲取難度是非常大的，可能對于普通的研究人員來說，根據(jù)情況修正估計量才是現(xiàn)實的選擇。）
模型選擇
· 選擇一個適當?shù)挠嬃拷?jīng)濟模型主要取決于被解釋變量yi的性質，而與解釋變量xi的關聯(lián)性相對要小一些。
實證分析（Empirical analysis）
· 參數(shù)估計方法
OLS（ordinary least squares）、廣義最小二乘法（generalized least squares）、非線性最小二乘法（nonlinear least squares）
最大似然法（ML, Maximum Likelihood）
貝葉斯方法（Bayesian method）
· 自由度（degrees of freedom）：等于樣本觀測數(shù)據(jù)個數(shù)與需要估計的未知參數(shù)個數(shù)之差。如果沒有不確定性情況存在，自由度就為零。擁有較多的自由度可以使我們所作出的結論更有可信度，而沒有自由度則使數(shù)據(jù)得到完全擬合。盡可能多地擁有自由度，也就是說盡量使模型包含的變量不太多，因而不必估計太多的參數(shù)。
· 杜賓-瓦爾森檢驗（Dubin-Watson test），曾是最早出現(xiàn)的檢驗方法之一，標志著檢驗計量經(jīng)濟模型時代的開始，但現(xiàn)在看來，該檢驗只有在極其特殊的情形下方能有用。
· 模型和數(shù)據(jù)擬合的度量通?？梢杂门卸ㄏ禂?shù)（coeffcient of determination）或R^2（R-squared）來表示。值總是居于0和1之間，值為1時表示擬合的相當好，為0時表示擬合的很差。
