計(jì)量經(jīng)濟(jì)分析方法與建模：EViews應(yīng)用及實(shí)例（第二版）

第Ⅰ部分 數(shù)據(jù)分析基礎(chǔ)
第1章 概率與統(tǒng)計(jì)基礎(chǔ)
1．1 隨機(jī)變量
1．1．1 概率分布
1．1．2 隨機(jī)變量的數(shù)字特征
1．1．3 隨機(jī)變量的聯(lián)合分布
1．2 從總體到樣本
1．2．1 基本統(tǒng)計(jì)量
1．2．2 估計(jì)量性質(zhì)
1．3 一些重要的概率分布
1．3．1 正態(tài)分布
1．3．2 X分布
1．3．3 t分布
1．3．4 F分布
1．4 統(tǒng)計(jì)推斷
1．4．1 參數(shù)估計(jì)
1．4．2 假設(shè)檢驗(yàn)
1．5 EViews軟件的相關(guān)操作
1．5．1 單序列的統(tǒng)計(jì)量、檢驗(yàn)和分布
1．5．2 多序列的顯示和統(tǒng)計(jì)量
第2章 經(jīng)濟(jì)時間序列的季節(jié)調(diào)整、分解與平滑
2．1 移動平均方法
2．1．1 簡單的移動平均公式
2．1．2 中心化移動平均
2．1．3 加權(quán)移動平均
2．2 季節(jié)調(diào)整
2．2．1 X11季節(jié)調(diào)整方法
2．2．2 CensusX12季節(jié)調(diào)整方法
2．2．3 移動平均比率方法
2．2．4 TRAMO／SEATS方法
2．3 趨勢分解
2．3．1 Hodrick—Prescott濾波方法
2．3．2 頻譜濾波(BP濾波)方法
2．4 指數(shù)平滑方法
2．4．1 單指數(shù)平滑
2．4．2 雙指數(shù)平滑
2．4．3 Holt—winters乘法模型
2．4．4 Holt—winters加法模型
2．4．5 Holt—Winters——無季節(jié)性模型
2．5 EViews軟件的相關(guān)操作
2．5．1 X11季節(jié)調(diào)整方法的操作
2．5．2 X12季節(jié)調(diào)整方法
2．5．3 移動平均比率方法
2．5．4 Tramo／Seats方法
2．5．5 Hodrick—Prescott濾波
2．5．6 BP濾波
2．5．7 指數(shù)平滑法
第Ⅱ部分 基本的單方程分析
第3章 基本回歸模型
3．1 古典線性回歸模型
3．1．1 一元線性回歸模型
3．1．2 最小二乘法
3．1．3 多元線性回歸模型
3．1．4 系數(shù)估計(jì)量的性質(zhì)
3．1．5 線性回歸模型的檢驗(yàn)
3．1．6 AIC準(zhǔn)則和Schwarz準(zhǔn)則
3．2 回歸方程的函數(shù)形式
3．2．1 雙對數(shù)線性模型
3．2．2 半對數(shù)模型
3．2．3 雙曲函數(shù)模型
3．2．4 多項(xiàng)式回歸模型
3．2．5 Box—Cox轉(zhuǎn)換
3．3 包含虛擬變量的回歸模型
3．3．1 回歸中的虛擬變量
3．3．2 季節(jié)調(diào)整的虛擬變量方法
3．4 模型設(shè)定和假設(shè)檢驗(yàn)
3．4．1 系數(shù)檢驗(yàn)
3．4．2 殘差檢驗(yàn)
3．4．3 模型穩(wěn)定性檢驗(yàn)
3．5 方程模擬與預(yù)測
3．5．1 預(yù)測誤差與方差
3．5．2 預(yù)測評價
3．6 Eviews軟件的相關(guān)操作
3．6．1 設(shè)定回歸方程形式和估計(jì)方程
3．6．2 方程輸出結(jié)果
3．6．3 與回歸方程有關(guān)的操作
3．6．4 模型設(shè)定和假設(shè)檢驗(yàn)
3．6．5 預(yù)測
第4章 其他回歸方法
4．1 異方差
4．1．1 異方差檢驗(yàn)
4．1．2 加權(quán)最小二乘估計(jì)
4．1．3 存在異方差時參數(shù)估計(jì)量的一致協(xié)方差
4．2 二階段最小二乘法
4．3 非線性最小二乘法
4．4 廣義矩方法
4．4．1 矩法估計(jì)量
4．4．2 廣義矩估計(jì)
4．5 多項(xiàng)式分布滯后模型
4．6 逐步最小二乘回歸
4．7 分位數(shù)回歸
4．7．1 分位數(shù)回歸的基本思想和系數(shù)估計(jì)
4．7．2 系數(shù)協(xié)方差的估計(jì)
4．7．3 模型評價和檢驗(yàn)
4．8 非參數(shù)回歸模型
4．8．1 密度函數(shù)的非參數(shù)估計(jì)
4．8．2 一元非參數(shù)計(jì)量經(jīng)濟(jì)模型
4．9 EViews軟件的相關(guān)操作
4．9．1 異方差檢驗(yàn)
4．9．2 加權(quán)最小二乘法估計(jì)
4．9．3 white異方差一致協(xié)方差和Newey—west異方差自相關(guān)一致協(xié)方差
4．9．4 在EViews中使用TsLs估計(jì)
4．9．5 在EViews中使用非線性最小二乘估計(jì)
4．9．6 在EViews中使用GMM進(jìn)行估計(jì)
4．9．7 在EViews中估計(jì)包含PDI。s的模型
4．9．8 在EVJews中進(jìn)行逐步回歸估計(jì)
4．9．9 在EViews中進(jìn)行分位數(shù)回歸
4．9．10 在EVieWS中進(jìn)行非參數(shù)估計(jì)
4．10 附錄廣義最小二乘估計(jì)
第5章 時間序列模型
5．1 序列相關(guān)及其檢驗(yàn)
5．1．1 序列相關(guān)及其產(chǎn)生的后果
5．1．2 序列相關(guān)的檢驗(yàn)方法
5．1．3 擾動項(xiàng)存在序列相關(guān)的線性回歸方程的估計(jì)與修正
5．2 平穩(wěn)時間序列建模
5．2．1 平穩(wěn)時間序列的概念
5．2．2 ARMA模型
5．2．3 ARMA模型的平穩(wěn)性
5．2．4 ARMA模型的識別
5．3 非平穩(wěn)時間序列建模
5．3．1 非平穩(wěn)序列和單整
5．3．2 非平穩(wěn)序列的單位根檢驗(yàn)
5．3．3 ARIMA模型
5．4 協(xié)整和誤差修正模型
5．4．1 協(xié)整關(guān)系
5．4．2 協(xié)整檢驗(yàn)
5．4．3 誤差修正模型(EcM)
5．5 EViews軟件的相關(guān)操作
5．5．1 檢驗(yàn)序列相關(guān)性
5．5．2 修正序列相關(guān)
5．5．3 ARMA(p，q)模型的估計(jì)
5．5．4 單位根檢驗(yàn)
第Ⅲ部分 擴(kuò)展的單方程分析
第6章 條件異方差模型
第7章 離散因變量和受限因變量模型
第8章 對數(shù)極大似然估計(jì)
第Ⅳ部分 多方程分析
第9章 向量自回歸和向量誤差修正模型
第10章 Panel Data模型
第11章 狀態(tài)空間模型和卡爾曼濾波
第12章 聯(lián)立方程模型的估計(jì)與模擬
第13章 主成分分析和因子分析
附錄A EViews軟件基礎(chǔ)
附錄B EViews程序設(shè)計(jì)
附錄C EViews中的常用函數(shù)
附錄D 數(shù)據(jù)
參考文獻(xiàn)