第Ⅰ部分 数据分析基础

第1章 概率与统计基础

1.1 随机变量

1.1.1 概率分布

1.1.2 随机变量的数字特征

1.1.3 随机变量的联合分布

1.2 从总体到样本

1.2.1 基本统计量

1.2.2 估计量性质

1.3 一些重要的概率分布

1.3.1 正态分布

1.3.2 x2分布

1.3.3 t分布

1.3.4 F分布

1.4 统计推断

1.4.1 参数估计

1.4.2 假设检验

1.5 EViews软件的相关操作

1.5.1 单序列的统计量、检验和分布

1.5.2 多序列的显示和统计量

第2章 经济时间序列的处理、季节调整与分解

2.1 经济时间序列的处理和频率转换方法

2.1.1 经济指标几种数据类型的概念

2.1.2 频率转换

2.2 季节调整

2.2.1 移动平均公式

2.2.2 Census X-13-ARIMA-SEATS季节调整方法

2.2.3 TRAMO/SEATS方法

2.3 趋势分解

2.3.1 Hodrick-Prescott滤波方法

2.3.2 频谱滤波（BP滤波）方法

2.4 EViews软件的相关操作

2.4.1 频率转换

2.4.2 X-13-ARIMA-SEATS季节调整

2.4.3 TRAMO/SEATS季节调整

2.4.4 Hodrick-Prescott滤波

2.4.5 BP滤波

第Ⅱ部分 基本的单方程分析

第3章 基本回归模型

3.1 古典线性回归模型

3.1.1 一元线性回归模型

3.1.2 最小二乘法

3.1.3 多元线性回归模型

3.1.4 系数估计量的性质

3.1.5 线性回归模型的检验

3.1.6 AIC准则和Schwarz准则

3.2 回归方程的函数形式

3.2.1 双对数线性模型

3.2.2 半对数模型

3.2.3 双曲函数模型

3.2.4 多项式回归模型

3.2.5 Box-Cox转换

3.3 包含虚拟变量的回归模型

3.3.1 回归中的虚拟变量

3.3.2 季节调整的虚拟变量方法

3.4 模型设定和假设检验

3.4.1 系数检验

3.4.2 残差检验

3.4.3 模型稳定性检验

3.5 方程模拟与预测

3.5.1 预测误差与方差

3.5.2 预测评价

3.6 EViews软件的相关操作

3.6.1 设定回归方程形式和估计方程

3.6.2 方程输出结果

3.6.3 与回归方程有关的操作

3.6.4 模型设定和假设检验

3.6.5 预测

第4章 其他回归方法

4.1 异方差

4.1.1 异方差检验

4.1.2 加权最小二乘估计

4.1.3 存在异方差时参数估计量的一致协方差

4.2 二阶段最小二乘法

4.3 非线性最小二乘法

4.4 广义矩方法

4.4.1 矩法估计量

4.4.2 广义矩估计

4.5 多项式分布滞后模型

4.6 逐步最小二乘回归

4.7 分位数回归

4.7.1 分位数回归的基本思想和系数估计

4.7.2 系数协方差的估计

4.7.3 模型评价和检验

4.8 非参数回归模型

4.8.1 密度函数的非参数估计

4.8.2 一元非参数计量经济模型

4.9 稳健最小二乘法（robust）

4.9.1 M估计

4.9.2 S估计

4.9.3 MM估计

4.9.4 系数协方差的计算方法

4.10 有限信息极大似然估计和K类估计

4.10.1 有限信息极大似然估计（LIML）

4.10.2 K类估计

4.11 EViews软件的相关操作

4.11.1 异方差检验

4.11.2 加权最小二乘法估计

4.11.3 White异方差一致协方差和Newey-West异方差自相关一致协方差

4.11.4 二阶段最小二乘法（TSLS）估计

4.11.5 非线性最小二乘估计

4.11.6 GMM估计

4.11.7 估计包含PDLs的模型

4.11.8 逐步回归估计

4.11.9 分位数回归

4.11.10 非参数估计

4.11.11 Robust最小二乘估计

4.11.12 在EViews中进行LIMI和K类估计

4.12 附录 广义最小二乘估计

第5章 时间序列模型

5.1 序列相关及其检验

5.1.1 序列相关及其产生的后果

5.1.2 序列相关的检验方法

5.1.3 扰动项存在序列相关的线性回归方程的修正与估计

5.2 平稳时间序列建模

5.2.1 平稳时间序列的概念

5.2.2 ARMA模型

5.2.3 ARMA模型的平稳性

5.2.4 ARMA模型的识别

5.3 非平稳时间序列建模

5.3.1 非平稳序列和单整

5.3.2 非平稳序列的单位根检验

5.3.3 突变点单位根检验（breakpoint unit root test）

5.3.4 ARIMA模型

5.3.5 ARFIMA模型

5.3.6 自回归分布滞后模型

5.4 协整和误差修正模型

5.4.1 协整关系

5.4.2 基于残差的协整检验

5.4.3 误差修正模型（ECM）

5.5 EViews软件的相关操作

5.5.1 检验序列相关性

5.5.2 修正序列相关

5.5.3 ARMA（p,q）模型的估计

5.5.4 单位根检验

5.5.5 非平稳时间序列估计

5.5.6 基于残差的EG协整检验（EG和PO协整检验方法）

第Ⅲ部分 扩展的单方程分析

第6章 条件异方差模型

6.1 自回归条件异方差模型

6.1.1 ARCH模型

6.1.2 ARCH的检验

6.1.3 GARCH模型

6.1.4 IGARCH模型

6.1.5 约束及回推

6.1.6 GARCH模型的残差分布假设

6.1.7 GARCH-M模型

6.2 非对称的ARCH模型

6.2.1 TARCH模型

6.2.2 EGARCH模型

6.2.3 PARCH模型

6.2.4 非对称的信息冲击曲线

6.3 成分ARCH模型

6.4 EViews软件的相关操作

6.4.1 ARCH检验

6.4.2 ARCH模型的建立

6.4.3 ARCH模型的视图和过程

6.4.4 ARCH模型的输出

6.4.5 绘制估计的信息冲击曲线

第7章 离散因变量和受限因变量模型

7.1 二元选择模型

7.1.1 线性概率模型及二元选择模型的形式

7.1.2 二元选择模型的估计问题

7.1.3 二元选择模型的变量假设检验问题

7.2 排序选择模型

7.3 受限因变量模型

7.3.1 审查、选择性样本和截断数据

7.3.2 受限因变量数据为什么不能用普通最小二乘估计

7.3.3 审查回归模型

7.3.4 截断回归模型

7.4 Heckman样本选择模型

7.5 计数模型

7.5.1 泊松模型的形式与参数估计

7.5.2 负二项式模型的形式与参数估计

7.5.3 准—极大似然估计

7.6 广义线性模型

7.6.1 广义线性模型的形式

7.6.2 广义线性模型的参数估计

7.7 EViews软件的相关操作

7.7.1 二元选择模型

7.7.2 排序选择模型

7.7.3 审查回归模型

7.7.4 截断回归模型

7.7.5 Heckman选择模型

7.7.6 计数模型

7.7.7 广义线性模型

第8章 对数极大似然估计

8.1 对数极大似然估计的基本原理

8.1.1 极大似然估计的基本原理

8.1.2 极大似然估计量的计算方法

8.1.3 优化算法

8.2 对数极大似然的估计实例

8.2.1 一元线性回归模型的极大似然函数

8.2.2 AR（1）模型的极大似然函数

8.2.3 GARCH（q,p）模型的极大似然函数

8.2.4 具有异方差的一元线性回归模型的极大似然函数

8.3 EViews软件的相关操作

8.3.1 似然对象的建立

8.3.2 似然对象的估计、视图和过程

8.3.3 问题解答

第9章 具有结构变化特征的回归模型

9.1 间断点回归模型

9.1.1 多个间断点的检验

9.1.2 包含多个间断点时的方程估计

9.2 门限回归模型

9.2.1 门限回归（TR）模型

9.2.2 自激励门限自回归（SETAR）模型

9.3 转换回归模型

9.3.1 转换回归的基本模型

9.3.2 马尔可夫区制转换模型

9.3.3 动态转换模型

9.4 EViews软件的相关操作

9.4.1 间断点检验和间断点模型估计

9.4.2 门限模型的估计

9.4.3 转换方程对象的建立与估计

第Ⅳ部分 多方程分析

第10章 向量自回归和向量误差修正模型

10.1 向量自回归理论

10.1.1 VAR模型的一般表示

10.1.2 结构VAR模型（SVAR）

10.2 结构VAR（SVAR）模型的识别条件

10.2.1 SVAR模型的识别条件

10.2.2 SVAR模型的约束形式

10.3 VAR模型的检验

10.3.1 Granger因果检验

10.3.2 滞后阶数p的确定

10.4 脉冲响应函数

10.4.1 脉冲响应函数的基本思想

10.4.2 VAR模型的脉冲响应函数

10.4.3 广义脉冲响应函数

10.4.4 SVAR模型的脉冲响应函数

10.5 方差分解

10.6 Johansen协整检验

10.6.1 特征根迹检验（trace检验）

10.6.2 最大特征值检验

10.6.3 协整方程的形式

10.7 向量误差修正模型

10.8 贝叶斯VAR模型

10.8.1 贝叶斯VAR模型的基本思想

10.8.2 先验分布

10.9 EViews软件的相关操作

10.9.1 VAR模型的建立和估计

10.9.2 VAR模型的视图

10.9.3 VAR模型的过程

10.9.4 脉冲响应函数的计算

10.9.5 方差分解的实现

10.9.6 协整检验

10.9.7 VEC模型的建立和估计

10.9.8 BVAR模型的估计

第11章 基本的Panel Data模型

11.1 Panel Data模型的基本原理

11.1.1 Panel Data模型概述

11.1.2 Panel Data模型分类

11.2 模型形式设定检验

11.3 变截距模型

11.3.1 固定影响变截距模型

11.3.2 随机影响变截距模型

11.3.3 Hausman检验

11.4 变系数模型

11.4.1 固定影响变系数模型

11.4.2 随机影响变系数模型

11.5 Panel Data模型系数协方差的估计方法

11.6 EViews软件的相关操作

11.6.1 含有Pool对象的工作文件

11.6.2 Pool对象中数据处理

11.6.3 Pool对象的模型估计

第12章 扩展的Panel Data模型

12.1 面板数据的单位根检验

12.1.1 相同根情形下的单位根检验

12.1.2 不同根情形下的单位根检验

12.2 面板数据的协整检验

12.2.1 Pedroni检验

12.2.2 Kao检验

12.2.3 Fisher面板协整检验

12.3 面板数据广义矩（GMM）方法

12.3.1 面板数据GMM方法的基本原理

12.3.2 面板数据GMM的估计方法

12.4 动态面板数据回归模型

12.4.1 动态面板数据回归模型简介

12.4.2 动态面板数据模型的估计

12.5 EViews软件的相关操作

12.5.1 构建面板工作文件

12.5.2 面板数据的基本分析

12.5.3 面板数据模型的建立与估计

第13章 状态空间模型和卡尔曼滤波

13.1 状态空间模型的定义

13.2 卡尔曼滤波

13.2.1 Kalman滤波的一般形式

13.2.2 Kalman滤波的解释和性质

13.2.3 修正的Kalman滤波递推公式

13.2.4 非时变模型及Kalman滤波的收敛性

13.2.5 Kalman滤波的初始条件

13.3 状态空间模型超参数的估计

13.3.1 似然函数形式的预测误差分解

13.3.2 超参数的估计方法

13.4 状态空间模型的应用

13.4.1 可变参数模型的状态空间表示

13.4.2 季节调整的状态空间形式

13.4.3 ARMAX模型的状态空间形式

13.5 EViews软件的相关操作

13.5.1 定义状态空间模型

13.5.2 估计状态空间模型

13.5.3 状态空间模型的视窗和过程

第14章 联立方程模型的估计与模拟

14.1 联立方程系统概述

14.1.1 联立方程系统的基本概念

14.1.2 联立方程系统的识别

14.1.3 一个小型中国宏观经济联立方程模型

14.2 联立方程系统的估计方法

14.2.1 单方程估计方法

14.2.2 系统估计方法

14.2.3 多变量ARCH方法

14.3 联立方程模型的模拟

14.3.1 联立方程模型概述

14.3.2 模型模拟的分类

14.3.3 模型的评估

14.3.4 情景分析

14.4 EViews软件的相关操作

14.4.1 联立方程系统的基本操作

14.4.2 联立方程模型的模拟与预测

14.4.3 联立方程模型的求解

14.4.4 联立方程模型的数据操作

第15章 主成分分析和因子分析

15.1 主成分分析

15.1.1 主成分分析的基本思想

15.1.2 总体主成分求解及其性质

15.1.3 样本的主成分

15.2 因子分析

15.2.1 基本的因子分析模型

15.2.2 正交因子模型的性质

15.2.3 因子载荷的估计方法

15.2.4 因子数目的确定方法及检验

15.2.5 因子旋转

15.2.6 因子得分

15.3 EViews软件的相关操作

15.3.1 主成分分析的实现

15.3.2 因子分析的实现

15.3.3 因子旋转的操作

15.3.4 计算因子得分

15.3.5 因子视图

15.3.6 因子过程

附录A EViews中的常用函数

A1．公式中的运算符号及其含义

A2．时间序列函数及其含义

A3．序列描述性统计量的＠函数及其含义

A4．三角函数

A5．统计函数

A6．回归统计量的＠函数及其含义

参考文献