Simulation-based Inference in Econometrics pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:Cambridge University Press

作者:Roberto Mariano

出品人:

页数:476

译者:

出版时间:2009-3-9

价格:GBP 31.99

装帧:Paperback

isbn号码:9780521088022

丛书系列:

图书标签:

Econometrics
Simulation
Inference
Statistical Modeling
Applied Econometrics
Monte Carlo
Bayesian Inference
Time Series
Panel Data
Causal Inference

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到本本书屋

onlinetoolsland.com

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

This substantial volume has two principal objectives. First it provides an overview of the statistical foundations of Simulation-based inference. This includes the summary and synthesis of the many concepts and results extant in the theoretical literature, the different classes of problems and estimators, the asymptotic properties of these estimators, as well as descriptions of the different simulators in use. Second, the volume provides empirical and operational examples of SBI methods. Often what is missing, even in existing applied papers, are operational issues. Which simulator works best for which problem and why? This volume will explicitly address the important numerical and computational issues in SBI which are not covered comprehensively in the existing literature. Examples of such issues are: comparisons with existing tractable methods, number of replications needed for robust results, choice of instruments, simulation noise and bias as well as efficiency loss in practice.

《计量经济学中的统计推断》引言统计推断是经济学研究中不可或缺的工具，它为我们理解复杂的经济现象、检验理论假设以及预测未来趋势提供了坚实的基础。本书《计量经济学中的统计推断》旨在深入探讨计量经济学领域中的统计推断方法，从基础理论到前沿应用，为读者提供一套系统而全面的知识体系。我们希望通过本书，帮助读者不仅理解统计推断的基本原理，更能熟练运用这些工具来解决实际的经济学问题。第一部分：统计推断的基础统计推断的核心在于如何从样本数据中提取信息，并将其推广到更广泛的总体。在这一部分，我们将从最基础的概念入手，逐步构建起读者对统计推断的认识。第一章：数据与抽样经济学研究的对象是纷繁复杂的经济活动，而我们通常只能获取到有限的、部分的数据。因此，理解数据的性质和抽样方法至关重要。本章将介绍：数据的类型：定性数据、定量数据（离散型、连续型），以及它们在经济学中的常见形式，如国民收入、失业率、价格指数等。总体与样本：明确区分经济学研究中的总体（例如，所有家庭的消费行为）和样本（例如，随机抽取的一千个家庭的消费数据）。抽样方法：详细介绍各种抽样技术，包括简单随机抽样、分层抽样、整群抽样和系统抽样。我们将讨论各种方法的优缺点，以及在经济学研究中选择合适抽样方法的考量因素，例如如何减少抽样误差，如何确保样本的代表性。抽样误差：解释抽样误差的来源，以及如何量化和控制抽样误差，这对于理解推断的可靠性至关重要。第二章：概率分布与期望概率论是统计推断的基石。理解各种概率分布以及期望值、方差等概念，能够帮助我们描述经济现象的不确定性，并为后续的推断奠定基础。概率的基本概念：事件、概率、条件概率、独立性等。离散型概率分布：重点介绍二项分布、泊松分布，并讨论它们在经济学中的应用场景，例如，成功/失败的事件（如公司盈利）的次数。连续型概率分布：详细讲解正态分布，包括其重要性、性质以及在经济学中的广泛应用（例如，股票收益率的分布）。同时，我们将介绍其他重要的连续型分布，如均匀分布、指数分布、t分布、卡方分布和F分布，并说明它们在统计推断中的作用，特别是t分布、卡方分布和F分布在假设检验中的核心地位。期望值与方差：定义随机变量的期望值（平均值）和方差（离散程度），以及它们在经济学中的解释，例如，预期收益、风险度量。大数定律与中心极限定理：这两个定理是统计推断的理论基石，我们将深入浅出地解释它们的含义、重要性以及如何在计量经济学中应用它们，特别是中心极限定理如何保证样本均值的分布趋于正态，为参数估计和假设检验提供了理论依据。第三章：参数估计统计推断的主要目标之一是从样本数据中估计总体的未知参数。本章将聚焦于点估计和区间估计。点估计：矩估计法：介绍如何利用样本矩来估计总体的矩，以及其优点和局限性。最大似然估计法 (MLE)：这是最常用且理论性质优良的估计方法。我们将详细阐述最大似然函数的构造、求解方法，并讨论其渐进性质（一致性、渐进正态性、渐进有效性），以及在经济学中估计模型参数的应用。区间估计：置信区间：解释置信区间的概念，以及如何根据估计量及其方差来构造不同置信水平下的置信区间。我们将展示如何计算总体均值、比例以及回归系数的置信区间，并解读置信区间的含义，例如，我们有95%的信心认为真实的总体参数落在这个区间内。影响置信区间宽度的因素：分析样本量、置信水平和总体方差如何影响置信区间的长度，并讨论如何在实践中权衡这些因素。第二部分：参数估计与模型构建在掌握了统计推断的基础知识后，本部分将深入探讨计量经济学模型中参数的估计方法，以及如何构建和评估模型。第四章：线性回归模型的参数估计线性回归模型是计量经济学中最核心的模型之一，参数估计是其分析的关键。普通最小二乘法 (OLS)：详细讲解OLS估计量的推导过程，包括正规方程的由来。我们将深入分析OLS估计量的性质：无偏性、有效性（在满足高斯-马尔可夫假定下）。 OLS估计量的方差：介绍如何计算OLS估计量的方差，并解释其含义，这对于构建置信区间和进行假设检验至关重要。异方差与序列相关：探讨OLS方法的局限性，即当存在异方差（误差项方差不恒定）或序列相关（误差项之间存在相关性）时，OLS估计量虽然仍是无偏的，但不再是有效的，且标准的置信区间和假设检验可能失效。我们将简要介绍如何诊断和处理这些问题（如异方差稳健标准误）。最大似然估计在回归模型中的应用：在假设误差项服从正态分布的条件下，OLS估计量与最大似然估计量是等价的。本章将阐述当误差项分布不满足这些假设时，MLE的应用，例如，广义最小二乘法 (GLS)。第五章：假设检验假设检验是统计推断的另一个重要方面，它允许我们根据样本数据来判断关于总体参数的某个论断是否成立。假设检验的基本框架：介绍原假设（H0）和备择假设（H1）的设定，检验统计量的构造，以及P值和显著性水平（α）的概念。单边检验与双边检验：讲解如何根据研究问题的性质选择合适的检验类型。 t检验：详细介绍如何对单个回归系数进行t检验，以判断其是否显著不为零。我们将解释t统计量的构造以及如何解读t检验的结果。 F检验：介绍F检验在联合假设检验中的应用，例如，检验多个回归系数是否同时为零，或检验模型的整体显著性。卡方检验 (χ²-test)：介绍卡方检验在拟合优度检验、独立性检验以及在某些离散选择模型中的应用。检验的功效：讨论第二类错误（未能拒绝错误的原假设），并介绍检验功效的概念，以及如何提高检验的功效。第六章：模型选择与诊断构建一个有效的计量经济学模型需要选择合适的变量，并对模型的拟合情况进行诊断。变量选择：讨论在回归模型中包含哪些变量，以及如何进行变量筛选。介绍常用的信息准则，如赤池信息准则 (AIC) 和贝叶斯信息准则 (BIC)，用于在模型拟合优度和模型复杂度之间进行权衡。拟合优度检验：决定系数 (R²)：解释R²的含义，以及其局限性。调整R² (Adjusted R²): 介绍调整R²如何考虑了模型中变量的数量，避免R²的虚高。残差分析：深入讲解残差的含义，以及通过分析残差图来诊断模型是否存在异方差、序列相关、非线性关系等问题。多重共线性：解释多重共线性（解释变量之间高度相关）对OLS估计量的影响，以及如何诊断和应对。稳健性检验：讨论如何通过改变模型设定、样本或检验方法来评估模型结果的稳健性。第三部分：扩展计量模型与进阶推断在本部分，我们将介绍更复杂的计量经济学模型，以及处理非经典假定下的统计推断方法。第七章：时间序列分析中的统计推断经济数据往往具有时间依赖性，时间序列分析是处理这类数据的重要工具。平稳性：定义和检验时间序列的平稳性（均值、方差和协方差不随时间变化），并解释其在建模中的重要性。自相关与偏自相关：讲解自相关函数 (ACF) 和偏自相关函数 (PACF)，以及如何利用它们来识别时间序列的结构。 ARIMA模型：介绍自回归积分滑动平均 (ARIMA) 模型，包括AR、MA、ARMA和ARIMA模型的结构，以及如何估计和诊断这些模型。单位根检验：介绍单位根的存在性会破坏时间序列的平稳性，并讲解常用的单位根检验方法，如ADF检验和PP检验。协整：解释两个或多个非平稳时间序列之间可能存在的长期均衡关系，以及协整检验（如Engle-Granger检验、Johansen检验）的重要性。格兰杰因果关系检验：介绍如何检验一个时间序列是否能够“预测”另一个时间序列，从而探索变量之间的动态关系。第八章：面板数据分析中的统计推断面板数据（或称纵向数据）同时包含截面和时间维度，它能够更有效地控制不可观测的异质性。面板数据的特点与优势：解释面板数据如何克服纯截面数据和纯时间序列数据的局限性。混合OLS模型：介绍将面板数据视为一个大型截面数据集进行分析的方法，并讨论其局限性。固定效应模型 (Fixed Effects Model)：详细讲解固定效应模型如何通过包含个体固定效应（或时间固定效应）来控制不随时间变化的（或不随个体变化的）个体异质性。介绍其估计方法（如Within estimator）和对系数的解释。随机效应模型 (Random Effects Model)：介绍随机效应模型假设个体效应是随机的，并与解释变量无关。讲解其估计方法（如GLS）以及与固定效应模型的比较。固定效应与随机效应模型的选择：介绍Hausman检验等方法来帮助选择合适的模型。面板数据中的其他问题：简要提及面板数据中的异方差、序列相关和动态面板模型等问题。第九章：离散选择模型中的统计推断当因变量是定性变量（如购买/不购买、选择A/B/C）时，需要使用离散选择模型。 Logit与Probit模型：详细介绍二元选择模型，如Logit模型和Probit模型，它们如何通过概率函数来估计因变量为某个类别的概率。参数估计与似然函数：讲解这些模型通常使用最大似然估计法进行参数估计，并解释似然函数的构造。边际效应：解释边际效应的计算和解释，它衡量的是解释变量变化一个单位对因变量概率的影响，这与线性回归模型中的系数解释不同。多项Logit与多项Probit模型：介绍当因变量有多个类别时如何使用这些模型。排序Logit与排序Probit模型：介绍当因变量的类别存在排序关系时如何使用这些模型。模型诊断与选择：讨论离散选择模型的拟合优度检验，如Pseudo R²，以及模型选择准则。第十章：非参数与半参数统计推断除了传统的参数模型，非参数和半参数方法能够处理更广泛的模型设定，对数据的分布做出更少的假设。非参数回归：介绍核回归 (Kernel Regression) 和局部多项式回归 (Local Polynomial Regression) 等方法，它们不预设具体的函数形式，通过局部加权平均来估计回归函数。非参数密度估计：介绍核密度估计 (Kernel Density Estimation) 等方法，用于估计概率密度函数。半参数模型：介绍如何将参数模型和非参数模型相结合，例如，部分线性模型 (Partially Linear Models)，它包含一部分参数项和一部分非参数项。非参数统计推断的优势与挑战：讨论非参数方法的灵活性，以及其在解释性和计算效率方面的挑战。第四部分：计算方法与应用统计推断的实现离不开计算工具。本部分将探讨在经济学中常用的计算方法和软件。第十一章：模拟方法在统计推断中的应用模拟方法，特别是蒙特卡洛模拟 (Monte Carlo Simulation)，在计量经济学中扮演着越来越重要的角色。蒙特卡洛模拟的基础：介绍生成随机数的原理，以及如何利用计算机来模拟复杂的数据生成过程。参数估计的模拟研究：利用蒙特卡洛模拟来评估估计方法的性质，例如，估计量的偏倚、方差和均方误差，以及在小样本下的性能。假设检验的模拟研究：模拟检验的实际显著性水平和功效，以评估不同检验方法的表现。 Bootstrap方法：详细介绍Bootstrap方法，它是一种通过重抽样来估计参数的抽样分布和构造置信区间的方法，无需对总体分布做强假设。我们将讲解Bootstrap在估计回归系数方差、异方差稳健标准误等方面的应用。其他模拟技术：简要提及MCMC (Markov Chain Monte Carlo) 等更高级的模拟方法。第十二章：软件工具与实际应用实际的经济学研究离不开专业的统计软件。常用计量经济学软件介绍：简要介绍Stata, R, Python (Statsmodels, Scikit-learn) 等在计量经济学中常用的软件及其特点。软件操作与案例分析：通过具体的经济学案例，演示如何使用这些软件来执行本章前面介绍的各种统计推断方法，包括数据导入、模型估计、假设检验、结果解读等。实证研究流程：引导读者建立一个完整的实证研究流程，从数据收集、描述性统计、模型构建、估计与推断，到结果解释和报告撰写。经济学前沿研究中的统计推断：结合最新的经济学研究文献，展示统计推断在各个细分领域（如宏观经济学、微观经济学、发展经济学、劳动经济学、金融计量学等）的应用实例。结论本书《计量经济学中的统计推断》力求为读者提供一个扎实而全面的统计推断知识框架。从基础概念到复杂模型，我们希望读者不仅能够理解统计推断的理论精髓，更能掌握其在实际经济学研究中的应用。通过不断地学习和实践，读者将能够更加自信地运用统计推断工具，深入洞察经济世界的奥秘，并为经济学理论的发展和政策制定贡献力量。