两阶段最小二乘法：2SLS, Two Stage Least Squares：两阶段最小二乘法是一种既适用于恰好识别的结构方程，以适用于过度识别的结构方程的单方程估计方法。
方差膨胀因子：是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比，VIF=1⁄1 –r^2。容忍度的倒数，VIF越大，显示共线性越严重。经验判断方法表明:当0<VIF<10，不存在多重共线性;当10≤VIF<100，存在较强的多重共线性;当VIF≥100，存在严重多重共线性
量子态隐形传输技术
完全共线性：如果存在 不全为零，即某一解释变量可以用其他解释变量的线性组合表示，则称为解释变量间存在完全共线性。 异方差稳健标准误法：
极大似然估计：也称为最大概似估计或最大似然估计，是求估计的另一种方法，到参数 θ 的一个估计值，使得当前样本出现的可能性最大。
平稳性：是指时间序列的统计规律不会随着时间的推移而发生变化。
加权最小二乘法：是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数的方法。 序列相关性：多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。如果模型的随机干扰项违背了相互独立的基本假设，称为存在序列相关性。 多重共线性：在经典回归模型中总是假设解释变量之间是相互独立的。如果某两个或多个解释变量之间出现了相关性，则称为多重共线性 。
解释变量的内生性：解释变量与随机误差项之间往往存在某种程度的相关性此时就称模型存在内生性问题，与随机误差项相关的解释变量称为内生解释变量。
虚拟变量：根据定性因素的属性类别，构造的只取“0”或“1”的人工变量，通常称为虚拟变量。人工构造的作为属性因素代表的变量。
高斯－马尔可夫定理：在给定经典假定下， 普通最小二乘（OLS）估计量具有线性性、无偏性和有效性等性质，即OLS 估计量是最佳线性无偏估计量。
异方差性：对于不同的解释向量，被解释变量的随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性。
最佳线性无偏估计量：拥有线性性、无偏性、有效性的性质的估计量被称为最佳线性无偏估计量。
调整的可决系数：将残差平方和与总离差平方和分别除以各自的自由度，以剔除量个数对拟合优度的影响。则有，其中：n-k-1 为残差平方和的自由度， n-1 为总体平方和的自由度。
OLS：已知一组样本观测值 ，普通最小二乘法要求样本回归函数尽可以好地拟合这组值，即样本回归线上的点与真实观测点Yt的“总体误差”尽可能地小。普通最小二乘法给出的判断标准是：被解释变量的估计值与实际观测值之差的平方和最小。
经典假定：1、随机误差项是一个期望值或平均值为0的随机变量；2、对于解释变量的所有观测值，随机误差项有相同的方差；3、随机误差项彼此不相关；4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间相互独立；5、解释变量之间不存在精确的（
完全的）线性关系，即解释变量的样本观测值矩阵是满秩矩阵；6、随机误差项服从正态分布
广义差分法：
拟合优度（检验）：对样本回归直线与样本观测值之间拟合程度（的检验。）
随机误差项：称为观察值Y围绕它的期望值E(Y X)的离差（deviation），记，它是一个不可观测的随机变量，称为随机误差项（stochastic error），通常又不加区别地称为随机干扰项
偏回归系数：总体回归函数：描述在给定解释变量 Xi 条件下被解释变量 Yi 的条件均值。
无偏性：是指参数估计量的均值（期望）等于模型的参数值。
在可可西里回头残差：样本的实际观测值与模型估计值之间的差值ei
尼威-韦斯特序列相关稳健标准误法
Granger表述定理
随机游走过程：是指自回归模型中r=1的序列生成的非平稳的过程就叫单位根过程
ADF单位根检验
岐山县中医医院
d阶单整序列：一般地，如果一个时间序列经过 d 次差分后变成平稳序列，则称原序列是 d 阶单整序列，记为 I(d)。 I(0)代表平稳时间序列
谬误回归：如果一回归产生了虚的R^2和 DW 值，以及虚的 t 统计值，类似这种回归称为虚回归或谬误回归。
协整：如果两个或者多个一阶单整变量的线性组合是平稳时间序列，那么这些变量存在协整关系，也就是说这些变量存在长期均衡关系
自回归模型：指模型中的解释变量仅是X的当期值与被解释变量Y的若干期滞后值。由于被解释变量的滞后期值对被解释变量现期做了回归，故叫做自回归模型
两变量X、Y格兰杰因果关系: 格兰杰因果关系：对于时间序列变量X和Y，如果X是Y变化的原因，则X的变化应该发生在Y变化之前，而且X的过去值应该有助于预测Y的未来值，但Y的过去值不应该能预测X的未来值。
工具变量：在模型估计过程中被作为工具使用，以替代模型中与随机误差项相关的解释变量。选择为工具变量(Z)的变量必须满足以下条件：(1)与所替代的解释变量 X 高度相关 COV(Z，Xj)≠ 0 ；(2)与随机误差项μ不相关COV(Z， μ)=0 ；(3)与模型中其它解释变量不相关，以避免出现多重共线性。
过度识别约束检验：当一个内生解释变量有多于一个工具变量时，就可以对该组工具变量的外生性进行检验，这就是过度识别约束检验。 检验思路：检验该组工具变量与随机扰动项μ不存在同期相关
同期内生：内生解释变量与随机干扰项同期相关，
两阶段最小二乘法：2SLS, Two Stage Least Squares：两阶段最小二乘法是一种既适用于恰好识别的结构方程，以适用于过度识别的结构方程的单方程估计方法。
方差膨胀因子：是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比，VIF=1⁄1 –r^2。容忍度的倒数，VIF越大，显示共线性越严重。经验判断方法表明:当0<VIF<10，不存在多重共线性;当10≤VIF<100，存在较强的多重共线性;当VIF≥100，存在严重多重共线性
完全共线性：如果存在 不全为零，即某一解释变量可以用其他解释变量的线性组合表示，则称为解释变量间存在完全共线性。
异方差稳健标准误法：
极大似然估计：也称为最大概似估计或最大似然估计，是求估计的另一种方法，到参数 θ 的一个估计值，使得当前样本出现的可能性最大。
平稳性：是指时间序列的统计规律不会随着时间的推移而发生变化。
加权最小二乘法：是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数的方法。
序列相关性：多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。如果模型的随机干扰项违背了相互独立的基本假设，称为存在序列相关性。
多重共线性：在经典回归模型中总是假设解释变量之间是相互独立的。如果某两个或多个解释变量之间出现了相关性，则称为多重共线性 。
解释变量的内生性：解释变量与随机误差项之间往往存在某种程度的相关性此时就称模型存在内生性问题，与随机误差项相关的解释变量称为内生解释变量。
虚拟变量：根据定性因素的属性类别，构造的只取“0”或“1”的人工变量，通常称为虚拟变量。人工构造的作为属性因素代表的变量。
高斯－马尔可夫定理：在给定经典假定下， 普通最小二乘（OLS）估计量具有线性性、无偏性和有效性等性质，即OLS 估计量是最佳线性无偏估计量。
异方差性：对于不同的解释向量，被解释变量的随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性。
最佳线性无偏估计量：拥有线性性、无偏性、有效性的性质的估计量被称为最佳线性无偏估计量。
调整的可决系数：将残差平方和与总离差平方和分别除以各自的自由度，以剔除量个数对拟合优度的影响。则有，其中：n-k-1 为残差平方和的自由度， n-1 为总体平方和的自由度。
OLS银针秀：已知一组样本观测值 ，普通最小二乘法要求样本回归函数尽可以好地拟合这组值，即样本回归线上的点与真实观测点Yt的“总体误差”尽可能地小。普通最小二乘法给出的判断标准是：被解释变量的估计值与实际观测值之差的平方和最小。
very much经典假定：1、随机误差项是一个期望值或平均值为0的随机变量；2、对于解释变量的所有观测值，随机误差项有相同的方差；3、随机误差项彼此不相关；4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间相互独立；5、解释变量之间不存在精确的（完全的）线性关系，即解释变量的样本观测值矩阵是满秩矩阵；6、随机误差项服从正态分布
广义差分法：
拟合优度（检验）：对样本回归直线与样本观测值之间拟合程度（的检验。）
随机误差项：称为观察值Y围绕它的期望值E(Y X)的离差（deviation意识的作用），记，它是一个不可观测的随机变量，称为随机误差项（stochastic error），通常又不加区别地称为随机干扰项
偏回归系数：总体回归函数：描述在给定解释变量 Xi 条件下被解释变量 Yi 的条件均值。
无偏性：是指参数估计量的均值（期望）等于模型的参数值。
残差：样本的实际观测值与模型估计值之间的差值ei
尼威-韦斯特序列相关稳健标准误法
Granger表述定理
随机游走过程：是指自回归模型中r=1的序列生成的非平稳的过程就叫单位根过程
ADF单位根检验
d阶单整序列：一般地，如果一个时间序列经过 d 次差分后变成平稳序列，则称原序列是 d 阶单整序列，记为 I(d)。 I(0)代表平稳时间序列
谬误回归：如果一回归产生了虚的R^2和 DW 值，以及虚的 t 统计值，类似这种回归称为虚回归或谬误回归。
协整：如果两个或者多个一阶单整变量的线性组合是平稳时间序列，那么这些变量存在协整关系，也就是说这些变量存在长期均衡关系
自回归模型：指模型中的解释变量仅是X的当期值与被解释变量Y的若干期滞后值。由于被解释变量的滞后期值对被解释变量现期做了回归，故叫做自回归模型
两变量X、Y格兰杰因果关系: 格兰杰因果关系：对于时间序列变量X和Y，如果X是Y变化的原因，则X的变化应该发生在Y变化之前，而且X的过去值应该有助于预测Y的未来值，但Y的过去值不应该能预测X的未来值。
工具变量：在模型估计过程中被作为工具使用，以替代模型中与随机误差项相关的解释变量。选择为工具变量(Z)的变量必须满足以下条件：(1)与所替代的解释变量 X 高度相关 COV(Z，Xj)≠ 0 ；(2)与随机误差项μ不相关COV(Z， μ)=0 ；(3)与模型中其它解释变量不相关，以避免出现多重共线性。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议