第Ⅰ篇 引论与背景
第1章 引论
1.1 因果关系与其余条件不变分析
1.2 随机设置与渐近分析
1.2.1 数据结构
1.2.2 渐近分析
1.3 一些例子
1.4 为什么不使用固定的解释变量?
第2章 计量经济学中条件期望与相关概念
2.1 条件期望在计量经济学中的作用
2.2 条件期望的特征
2.2.1 定义与例子
2.2.2 偏效应、弹性与半弹性
2.2.3 条件期望模型的误差形式
2.2.4 条件期望的若干性质
2.2.5 平均偏效应
2.3 线性投影
习题
附录2A
2A.1 条件期望的性质
2A.2 条件方差与协方差的性质
2A.3 线性投影的性质
第3章 基本渐近理论
3.1 确定性序列收敛
3.2 依概率收敛与依概率有界
3.3 依分布收敛
3.4 随机样本的极限定理
3.5 估计量与检验统计量的极限特性
3.5.1 估计量的渐近性质
3.5.2 检验统计量的渐近性质
习题
第Ⅱ篇 线性模型
第4章 单方程线性模型与普通最小二乘法估计
4.1 单方程线性模型概述
4.2 普通最小二乘法的渐近性质
4.2.1 一致性
4.2.2 利用普通最小二乘法的渐近推断
4.2.3 异方差性稳健的推断
4.2.4 拉格朗日乘子(得分)检验
4.3 遗漏变量问题的普通最小二乘法解
4.3.1 忽略被遗漏变量的普通最小二乘法
4.3.2 代理变量——普通最小二乘法解
4.3.3 含有在不可观测项中存在的交互作用的模型:随机系数模型
4.4 测量误差下普通最小二乘法的性质
4.4.1 因变量的测量误差
4.4.2 解释变量的测量误差
习题
第5章 单方程线性模型的工具变量估计
5.1 工具变量与两阶段最小二乘法
5.1.1 工具变量估计的动机
5.1.2 多重工具:两阶段最小二乘法
5.2 两阶段最小二乘法的一般处理
5.2.1 一致性
5.2.2 两阶段最小二乘法的渐近正态性
5.2.3 两阶段最小二乘法的渐近有效性
5.2.4 使用两阶段最小二乘法的假设检验
5.2 两阶段最小二乘法的异方差性稳健推断
5.2.6 使用两阶段最小二乘法的潜在陷阱
5.3 遗漏变量与测量误差问题的IV解
5.3.1 误差项中的遗漏因素
5.3.2 利用不可观测指示符求解
习题
第6章 附加的单方程专题
6.1 使用生成回归元与工具的估计
6.1.1 使用生成回归元的普通最小二乘法
6.1.2 使用生成工具的二阶段最小二乘法
6.1.3 生成工具与回归元
6.2 处理内生性的控制函数法
6.3 一些设定检验
6.3.1 内生性检验
6.3.2 过度识别约束检验
6.3.3 函数形式检验
6.3.4 异方差性检验
6.4 相关的随机系数模型
6.4.1 何时一般的IV估计量是一致的?
6.4.2 控制函数法
6.5 混合的截面数据与倍差法估计
6.5.1 跨时间混合横截面
6.5.2 政策分析和倍差法估计
习题
附录6A
第7章 利用普通最小二乘法与广义最小二乘法估计方程组
7.1 简介
7.2 一些例子
7.3 多变量线性方程组的系统普通最小二乘法估计
7.3.1 预备知识
7.3.2 系统普通最小二乘法的渐近性质
7.3.3 多重假设检验
7.4 广义最小二乘法的一致性与渐近正态性
7.4.1 一致性
7.4.2 渐近正态性
7.5 可行的广义最小二乘法
7.5.1 渐近性质
7.5.2 标准假设下可行的广义最小二乘法的渐近方差
7.5.3 含有对无条件方差矩阵(可能不正确)约束的可行广义最小二乘法的性质
7.6 检验可行广义最小二乘法的使用
7.7 似无关回归的再研究
7.7.1 关于似无关回归方程组的普通最小二乘法与可行广义最小二乘法之间的比较
7.7.2 含有方程间约束的方程组
7.7.3 似无关回归方程组中的奇异方差矩阵
7.8 线性面板数据模型的再研究
7.8.1 混合普通最小二乘法的假设
7.8.2 动态完备性
7.8.3 时间序列持久性的一个评注
7.8.4 稳健渐近方差矩阵
7.8.5 检验混合普通最小二乘法的序列相关性与异方差性
7.8.6 严格外生性下可行的广义最小二乘法估计
习题
第8章 利用工具变量的系统估计
8.1 简介与例子
8.2 一般线性方程组
8.3 广义矩估计方法
8.3.1 一般加权矩阵
8.3.2 系统两阶段最小二乘法估计量
8.3.3 最优加权矩阵
8.3.4 广义矩三阶段最小二乘法估计量
8.4 广义工具变量估计量
8.4.1 广义工具变量估计量的推导及其渐近性质
8.4.2 广义矩方法、广义工具变量及传统的三阶段最小二乘估计量之比较
8.5 利用广义矩方法的检验
8.5.1 检验古典假设
8.5.2 检验过度识别约束
8.6 更有效估计与最优工具
8.7 对如何选择一个估计量的总结评论
习题
第9章 联立方程模型
9.1 联立方程模型的范围
9.2 线性方程组的识别
9.2.1 排除约束与约简型
9.2.2 一般线性约束与结构方程
9.2.3 不可识别、恰好识别以及过度识别方程
9.3 识别后估计
9.3.1 稳健性与有效性的权衡
9.3.2 什么时候2SLS与3SLS是等价的?
9.3.3 估计约简型参数
9.4 附加的线性联立方程方法的若干专题
9.4.1 利用跨方程约束达到识别
9.4.2 利用协方差约束达到识别
9.4.3 关于线性方程组中的识别与有效性的一些微妙之处
9.5 关于内生变量为非线性的联立方程模型
9.5.1 识别
9.5.2 估计
9.5.3 三角形方程组的控制函数估计
9.6 不同方程的不同工具
习题
.
第10章 基本线性不可观测效应面板数据模型
10.1 动机:遗漏变量问题
10.2 不可观测效应与解释变量的假设
10.2.1 随机效应还是固定效应?
10.2.2 解释变量的严格外生性假设
10.2.3 不可观测效应面板数据模型的一些例子
10.3 通过混合普通最小二乘法估计不可观测效应模型
10.4 随机效应方法
10.4.1 基本随机效应假设下的估计与推断
10.4.2 稳健方差矩阵估计量
10.4.3 一般可行广义最小二乘法分析
10.4.4 检验不可观测效应的存在
10.5 固定效应方法
10.5.1 固定效应估计量的一致性
10.5.2 含有固定效应的渐近推断
10.5.3 虚拟变量回归
10.5.4 序列相关与稳健方差矩阵估计量
10.5.5 固定效应广义最小二乘法
10.5.6 利用固定效应对政策分析进行估计
10.6 一阶差分方法
10.6.1 推断
10.6.2 稳健方差矩阵
10.6.3 序列相关检验
10.6.4 利用一阶差分的政策分析
10.7 估计量的比较
10.7.1 固定效应与一阶差分
10.7.2 随机效应估计量与固定效应估计量之间的关系
10.7.3 比较随机效应估计量与固定效应估计量的豪斯曼检验
习题
.
第11章 线性不可观测效应模型的更多专题
11.1 标准线性不可观测效应模型的广义矩方法(GMM)
11.1.1 GMM的3SLS和标准估计量之间的等价性
11.1.2 不可观测效应模型的张伯伦方法
11.2 随机和固定效应工具变量法
11.3 豪斯曼和泰勒式模型
11.4 一阶差分工具变量法
11.5 含测量误差的不可观测效应模型
11.6 序贯外生性下的估计
11.6.1 一般框架
11.6.2 含滞后因变量的模型
11.7 含有个体特有斜率的模型
11.7.1 随机趋势模型
11.7.2 含有个体特有斜率的一般模型
11.7.3 标准固定效应方法的稳健性
11.7.4 相关随机斜率检验
习题
第Ⅲ篇非线性估计的一般方法
第12章 M估计、非线性回归以及分位数回归
12.1 简介
12.2 识别、一致收敛性与一致性
12.3 渐近正态性
12.4 两步骤M估计量
12.4.1 一致性
12.4.2 渐近正态性
12.5 估计渐近方差
12.5.1 不含多余参数的估计
12.5.2 调整两步估计
12.6 假设检验
12.6.1 瓦尔德检验
12.6.2 得分(或拉格朗日乘子)检验
12.6.3 基于目标函数中变化的检验
12.6.4 备择假设下的统计量表现
12.7 最优化方法
12.7.1 牛顿拉夫森方法
12.7.2 伯恩特霍尔霍尔豪斯曼算法
12.7.3 广义高斯牛顿方法
12.7.4 出自目标函数的集成参数
12.8 模拟与再抽样方法
12.8.1 蒙特卡罗模拟
12.8.2 自助法
12.9 多元非线性回归方法
12.9.1 多元非线性最小二乘法
12.9.2 加权多元非线性最小二乘法
12.10 分位数估计
12.10.1 分位数、估计问题和一致性
12.10.2 渐近推断
12.10.3 面板数据的分位数回归
习题
第13章 极大似然法
13.1 简介
13.2 预备知识与例子
13.3 条件极大似然估计的一般框架
13.4 条件极大似然估计的一致性
13.5 渐近正态性与渐近方差估计
13.5.1 渐近正态性
13.5.2 估计渐近方差
13.6 假设检验
13.7 设定检验
13.8 面板数据的偏(或混合)似然方法
13.8.1 面板数据设置
13.8.2 渐近推断
13.8.3 动态完备模型的推断
13.9 含有不可观测效应的面板数据模型
13.9.1 含严格外生解释变量的模型
13.9.2 含滞后因变量的模型
13.10 涉及极大似然的两步法估计量
13.10.1 第二步估计量为极大似然估计量
13.10.2 当第一步估计量是条件极大似然估计量时令人惊讶的有效性结果
13.11 准极大似然估计
13.11.1 一般误设
13.11.2 模型选择检验
13.11.3 线性指数族中的准极大似然估计
13.11.4 面板数据的广义估计方程
习题
附录13A
第14章 广义矩方法与最小距离估计
14.1 广义矩方法的渐近性质
14.2 在正交性条件下的估计
14.3 非线性方程组
14.4 有效估计
14.4.1 一般有效性框架
14.4.2 极大似然估计的有效性
14.4.3 在条件矩约束下对工具的有效选取
14.5 古典最小距离估计
14.6 面板数据的应用
14.6.1 非线性动态模型
14.6.2 不可观测效应模型的最小距离方法
14.6.3 含有关于不可观测效应的时变系数的模型
习题
附录14A
第Ⅳ篇 非线性模型与相关专题
第15章 二值响应模型
15.1 简介
15.2 二值响应的线性概率模型
15.3 二值响应的指标模型:Probit与Logit
15.4 二值响应指标模型的极大似然估计
15.5 二值响应指标模型检验
15.5.1 多重排除约束检验
15.5.2 关于β的非线性假设检验
15.5.3 针对更一般备择假设的检验
15.6 Probit与Logit的结果报告
15.7 二值响应模型的设定问题
15.7.1 可忽略的异质性
15.7.2 连续内生解释变量
15.7.3 二值内生解释变量
15.7.4 潜变量模型的异方差性与非正态性
15.7. 5 在更弱假设下的估计
15.8 面板数据的二值响应模型
15.8.1 混合的probit与logit
15.8.2 严格外生性下不可观测效应的probit模型
15.8.3 严格外生性下不可观测效应的logit模型
15.8.4 动态不可观测效应模型
15.8.5 含异质性与内生解释变量的probit模型
15.8.6 半参数方法
习题
第16章 多项响应与有序响应模型
16.1 简介
16.2 多项响应模型
16.2.1 多项logit
16.2.2 概率选择模型
16.2.3 内生解释变量
16.2.4 面板数据方法
16.3 有序响应模型
16.3.1 有序logit与有序probit
16.3.2 有序模型中的设定问题
16.3.3 内生解释变量
16.3.4 面板数据方法
习题
第17章 角点解响应
17.1 动机和例子
17.2 第Ⅰ类Tobit回归的有用表达式
17.3 第Ⅰ类Tobit模型的估计和推断
17.4 结果报告
17.5 Tobit模型中的设定问题
17.5 .1 可忽略的异质性
17.5.2 内生解释变量
17.5.3 潜变量模型中的异方差性与非正态性
17.5.4 更弱假设下的参数估计
17.6 两部模型和角点解的第Ⅱ类Tobit回归
17.6.1 断尾正态栅栏模型
17.6.2 对数正态栅栏模型和指数条件均值
17.6.3 指数的第Ⅱ类Tobit模型
17.7 双限Tobit模型
17.8 面板数据方法
17.8.1 混合方法
17.8.2 严格外生性下的不可观测效应模型
17.8.3 动态不可观测效应Tobit模型
习题
第18章 计数响应、分数响应及其他非负响应
18.1 简介
18.2 泊松回归
18.2.1 用于泊松回归及所关注的量的假设
18.2.2 泊松QMLE的一致性
18.2.3 泊松QMLE的渐近正态性
18.2.4 假设检验
18.2. 5 设定检验
18.3 其他计数数据回归模型
18.3.1 负二项回归模型
18.3.2 二项回归模型
18.4 伽玛(指数)回归模型
18.5 指数回归函数中的内生性
18.6 分数响应
18.6.1 外生解释变量
18.6.2 内生解释变量
18.7 面板数据方法
18.7.1 混合QMLE
18.7.2 对含不可观测效应的条件期望设定模型
18.7.3 随机效应方法
18.7.4 固定效应泊松估计
18.7.5 放松严格外生性假设
18.7.6 面板数据的分数响应模型
习题
第19章 截取数据、样本选择及损耗
19.1 简介
19.2 数据截取
19.2.1 二值截取
19.2.2 区间加密
19.2.3 上部截取和下部截取
19.3 样本选择概述
19.4 样本选择何时可被忽略?
19.4.1 线性模型:利用OLS与2SLS的估计
19.4.2 非线性模型
19.5 以响应变量为基础的选择:断尾回归
19.6 从属断尾:一个probit选择方程
19.6.1 外生解释变量
19.6.2 内生解释变量
19.6.3 含有样本选择的二值响应模型
19.6.4 一个指数响应函数
19.7 从属断尾:一个Tobit选择方程
19.7.1 外生解释变量
19.7.2 内生解释变量
19.7.3 估计含有样本选择的结构Tobit方程
19.8 缺失数据的逆概率加权
19.9 线性面板数据的样本选择与损耗
19.9.1 含有非平衡面板数据的固定和随机效应估计
19.9.2 对样本选择偏误的检验与校正
19.9.3 损耗
习题
第20章 分层抽样与整群抽样
20.1 简介
20.2 分层抽样
20.2.1 标准分层抽样与可变概率抽样
20.2.2 用加权估计量解释分层
20.2.3 基于外生变量的分层
20.3 整群抽样
20.3.1 关于整群数量多且整群规模小的推断
20.3.2 含单元特有面板数据的整群样本
20.3.3 对于大的组规模,我们应当应用整群—稳健的推断吗?
20.3.4 整群数量少时的推断
20.4 复杂的调查抽样
习题
第21章 估计平均处理效应
21.1 简介
21.2 反事实设置与自选择问题
21.3 假设处理的可忽略性(或无混性)的方法
21.3.1 识别
21.3.2 回归调整
21.3.3 倾向得分方法
21.3.4 使回归调整和倾向得分加权相结合
21.3.5 匹配方法
21.4 工具变量方法
21.4.1 利用IV估计平均处理效应
21.4.2 校正和控制函数法
21.4.3 利用IV估计局部平均处理效应
21.5 断点回归设计
21.5.1 清晰断点回归设计
21.5.2 模糊断点回归设计
21.5.3 与模糊断点回归相对比的无混性
21.6 进一步探讨的问题
21.6.1 关于含离散性或取值范围有限响应的特殊考虑
21.6.2 多值处理
21.6.3 多重处理
21.6.4 面板数据
习题
第22章 期限分析
22.1 简介
22.2 风险函数
22.2.1 不带协变量的风险函数
22.2.2 以非时变协变量为条件的风险函数
22.2.3 以时变协变量为条件的风险函数
22.3 含有非时变协变量的单个时段数据分析
22.3.1 流量抽样
22.3.2 使用截取流量数据的极大似然估计
22.3.3 存量抽样
22.3.4 不可观测异质性
22.4 分组期限数据分析
22.4.1 非时变协变量
22.4.2 时变协变量
22.4.3 不可观测异质性
22.5 进一步探讨的问题
22.5.1 比例风险模型的考克斯偏似然方法
22.5.2 多重时段数据
22.5.3 互竞风险模型
习题
译后记
第二版译后记
· · · · · · (
收起)