计量经济学第三版潘省初第1章【经济学经典】.ppt

图1.3显示的是一种近似线性而非严格线性的关系。为什么不是所有6个点都位于数学模型（1）所规定的直线上呢？这是因为我们在导出需求曲线时假定所有影响Q的其它变量保持不变，而实际上它们通常要变，这种变动会对Q产生一些影响。结果是，观测到的Q和P 的关系可能不精确。 结论：现实中经济变量之间 的关系一般是一种不精确的关系，因此用（1）式这样的数学模型描述是不合适的，因为它不能正确反映客观实际情况。 （2）扰动项(disturbance term ) 为了解决这个问题，我们用一个“一揽子”变量u加进原数学模型中， u代表所有影响Q的其它因素的影响，u称为扰动项或误差项。 扰动项u可以理解为这样一个变量，它反映的是除了价格以外的其它所有帮助决定需求量的因素。这些因素包括相对而言不重要因而未引入模型的变量（如消费者的口味，他们的收入，替代商品的价格等），还包括纯粹的随机因素。 （3）计量经济模型 引入扰动项u后，将需求函数写为： Q = α+βP + u (2) 这是一个计量经济模型，这种类型的计量经济模型也叫做线性回归模型。在这样一个模型中，扰动项u代表所有那些影响Q但未被显式地引入模型的因素以及纯粹的随机因素。 没有扰动项的关系称为精确的或确定的关系，而有扰动项的关系称为随机的关系。当我们用一个随机关系式来预测被解释变量的精确值时，结果往往有误差，扰动项被用来估量这些“误差”的大小。 第三步：收集数据 在估计所设定的计量经济模型的参数之前，我们必须首先得到适当的数据。 计量经济分析所需要的数据，既可来自各种官方统计资料，亦可通过调查获得。 在经验分析中常用的数据有两种： 时间序列数据和横截面数据（time series and cross-section ） 时间序列和横截面数据 时间序列数据是按时间周期（即按固定的时间间隔）收集的数据，如年度或季度的国民生产总值、就业、货币供给、财政赤字或某人一生中每年的收入都是时间序列的例子。 横截面数据是在同一时点收集的不同个体（如个人、公司、国家等）的数据。如人口普查数据，世界各国2000年国民生产总值，全班学生计量经济学成绩等都是横截面数据的例子。 混合数据和面板数据 兼有时间序列和横截面成分的数据称为混合数据（pooled data），如1985－2005世界各国GDP数 据。 面板数据（panel data）是混合数据的一种特殊 类型，指对相同的一批横截面单元（如家庭或厂家）在时间轴上进行跟踪调查的数据，如我国统计部门定期进行的城、乡居民收入和消费调查数据。 第四步：估计参数 有了如表1.1中的Q和P数据，如何估计模型的参数α和β？也就是说，如何求出这些参数的数值呢？我们将在后面的课程中详细讨论估计方法，其基础是大家熟悉的最小二乘法。这里，假设我们用表1.1中Q和P的数据估计 （2）式的参数α和β后得到估计好的需求函数： = 76.05 - 3.88P (3） 其中 表示Q的拟合值或预测值，76.05和 –3.88是将P和Q的数据代入最小二乘法公式计算得出的参数α和β的数值,称为α和β的估计值 （estimates）。 估计好的需求函数 图 1.4 = 76.05 - 3.88 P P Q 估计值和估计量（Estimates and Estimators） 我们通常用希腊字母表示未知参数的真值。假设β是一个我们想知道的参数值，应用统计技术，我们可以得到β的合理估计值。在任何实际应用中，β的估计值就是一个数字，如β被估计为 –3.88。 一般来说，经济理论所关注的焦点并不是估计值，而是估计量，估计量是用于将数据转换成估计值的公式。之所以更关注后者，是因为从一特定样本计算的估计值是不是好，取决于估计方法（估计量）是不是好。β的估计量通常表示为 和 。 第五步：假设检验 估计好需求函数后，我们可能想知道估计的模型是否有经济意义，即得到的结果是否符合所依据的经济理论。 例如，P的系数是否为预期的负数？（3）式表明确实如此。 有些假设就不那么容易验证，比如说，若假设为 β= -4.0，我们能不能说-3.88的观测值实际上与假设值相同？也就是说我们的数据是否支持β= -4.0的假设？要检