计量经济学|学习笔记以及学习感悟

        初级计量经济学着重于介绍基本的统计工具和经济模型,以帮助理解经济数据和经济现象之间的关系。它包括回归分析、假设检验和预测方法等内容。中级计量经济学则深入研究这些方法的理论基础和实际应用,包括更复杂的模型和技术,如面板数据分析、时间序列分析和因果推断等。中级课程还探讨了更多的计量经济学理论,如内生性问题、工具变量和因果推断的困难等。

一、回归模型

(一)常用—实证模型选择及结果解读

1.常用实证模型选择

名称用途功能stata代码
OLS回归(普通最小二乘回归)适用于连续因变量,假设因变量和自变量之间有线性关系。最基本的线性回归模型。
它试图找到一个线性方程,使得所有观察点与回归线之间的距离的平方和最小。
例: 研究教育水平《自变量)如何影响个人收入《因变量)eg y xx1 x2 x3火导出结果
reg 被解释变量 解释变量 控制变量 1控制变量 2yeariindustrest store regusing 主变量回归结果.rtt, replace nogap ar2 b (%6.4f)t (9%6. 4f) star(* 01 ** 0.05 *** 0.01)
分位数回归它提供了不同分位数(如下四分位数、中位数、上四分位数)的回归系数估计。与OLS不同,分位数回归不是最小化误差的平方和,而是关注特定分位数(如中位数)的误差。例:研究培训项目《自变量)对员工工资(因变量)在不同工资水平(如中位数上四分位数)的影响
分位数为 0.1 0.25 0.50,75 0.9,可根据研究问题自行调整5qreg y x x2 x3,9 (1.25.5.75.9 )
Probit模型适用于需要估计某事件发生的概率的情境。Probit模型用于处理二元因变量的情况,例如“是/否”类型的响应。
它使用正态分布累积分布函数来预测二元结果的概率。
例:分析个人的某些特征《如年龄、教育水平)如影响其是否选择退休《二元因变量:退休/不退休)y为虚拟变量 01
probit y x xl x2 x3
Logit模型它是分析二元响应变量的常用方法,尤其在医学和社会科学研究中。类似于Probit模型,但使用的是逻辑分布函数。
Logit模型同样适用于二元因变量,如“成功/失败”。
*y为虑拟变量01
ogit y x xl x2 x3
Tobit模型:常用于处理非负数据或有上限的数据。用于处理有下限或上限的因变量,例如测量值不能低于零。
Tobit模型考虑了截断数据的问题,可以提供对截断数据更准确的估计
xttobit y x x x2 x3,11 (0)
nolog tobit
固定效应模型适用于研究个体(如国家、公司、个人)随时间变化的行为。在面板数据(时间序列和横截面数据的组合)分析中常用。
通过控制不随时间变化的个体特定效应,从而减少遗漏变量偏误
例:分析公司政策对员工生产力的影响,固定效应模型可以控制每个公司的特定持征《如公司文化》。
设为面板数据
xtsetid year
*固定效应模型
treg y xx1 x2 x3, feest sttore reg!
随机效应模型随机效应模型更适用于个体效应被假设为随机且与其他解释变量不相关的情况。
它可以提供固定效应模型无法提供的跨个体比较
也用于面板数据,但假设个体效应与解释变量无关。例:在分析多个国家的经济增长数据时,每个国家的特定效应可能被视为随机随机效应模型
ktreg y xx1 x2 x3,reest store reg2
导出回归结果
xtreg 被解释变里var1 var2 var3. year i. industry, fe
est store reg2
esttab reg1reg2 using 回以结果. rtf,replace b(%6.4f) t (%6.4f)nogapar2 star("01**0.05·.0.011

2.回归分析实证结果解读

1)相关分析
        表一展示的是变量Y与X1和X2的 Pearson相关系数结果:能够看出,Y与X1之间的相关系数为0.4574,大于0,可见二者之间呈现正向的相关关系,并且其相应的P值为.0003,小于0.05,可见在5%的显著性水平下,两个变量之间的相关程度能够很好的反映总体Y与X2的相关系数为0.2441,大于0,二者之间呈现正向的相关关系,且相应的P值为0.0672,大于0.05,小于0.10,可见在10%的显著性水平下,这两个变量之间的相关程度也能够较好的反映总体。
虽然Y与X1和X2之间存在正向的相关关系,但是要判断具体的影响程度,还需要通过构建线性回归模型进行分析。
2)多元线性回归分析
        表二展示的是回归分析的估计结果:能够看出,变量1对应的估计系数为5.09*10^(-7),经过T检验对应的统计值为3.2548,相应的P值为0.0020,小于0.05,可见在5%的显著性水平下,该自变量对因变量的影响是显著的;变量X2的估计系数为0.0001,T统计值为0.5636,相对应的P值为0.5754,大于0.05,可见在5%的显著性水平下,2对因变量Y的影响并不显著。
两个变量的经济意义解释为:在保持另一个变量不变的情况下,X1每增加一个单位,Y平均增加5.09*10^(-7)个单位;且在保持另一个变量不变的情况下,X2每增加一个单位,Y平均增加0.0001个单位。
        该方程对应的修正后的拟合优度为0.1847,与1相距较大,可见该方程的拟合程度相对较差,并且其F统计值为7.340,相应的P值为0.0015,小于0.05,可见在5%的显著性水平下自变量整体对因变量的影响是显著的。

(二)简单线性回归模型

1.简单线性回归笔记


 

2.

二、时间序列模型

(一)时间序列基本定义与概念

1.时间序列—给定时间段以及每个时间点的随机变量得到一个观测值后的数值序列

# 基于聚宽接口
prices = get_price('000300.XSHG', start_date='2018-01-01', end_date='2019-12-13', frequency='daily', fields='close')
fig = plt.figure(figsize=(10, 6))
ax = fig.add_axes([0.2, 0.2, 1.2, 1.2])ax.plot(prices, color="blue", linewidth=1.5, linestyle="-", label=r'hs300')
plt.legend(loc='upper right', frameon=False)

 2.平稳性—较为宽松的条件就是使它们的统计特征保持不变

3.自相关系数—同一个时间序列内的两个不同的时间段的相关性

(二)常见的时间序列模型

1.白噪声—非常简单的一种建模时间序列的模型

2.随机游走—random walk是对白噪声的简单延伸。

3.AR、MA以及ARMA—时间序列分析中常见的模型

1)自回归模型(AR)
自回归模型是一种用于描述时间序列数据内部相关性的模型。在自回归模型中,当前时刻的数值由过去时刻的数值线性组合得到,即当前值与过去值之间存在相关性。AR模型通常表示为AR(p),其中p代表模型中考虑的过去时刻的数量。例如,AR(1)模型表示当前值仅由一个时间步长前的值影响。

 2)移动平均模型(MA)
移动平均模型是另一种用于时间序列建模的方法。在移动平均模型中,当前时刻的数值由随机误差或残差项的线性组合得到,而不是依赖于过去时刻的数值。MA模型通常表示为MA(q),其中q代表模型中考虑的过去误差的数量。例如,MA(1)模型表示当前值仅由一个时间步长前的误差项影响。

3)自回归移动平均模型(ARMA)
自回归移动平均模型是将AR模型和MA模型结合起来的模型。ARMA模型结合了考虑过去数值相关性的自回归部分和考虑误差影响的移动平均部分。ARMA模型通常表示为ARMA(p, q),其中p代表自回归部分的阶数,q代表移动平均部分的阶数。ARMA模型能够更灵活地捕捉复杂的时间序列数据内部结构。

(三)平稳性检验

        白噪声、MA模型一定是平稳的(这里的平稳都是弱平稳);随机游走一定是不平稳的;ARMA模型取决于其AR部分。所以唯一需要做平稳性检验的就是AR模型。

1.单位根检验—检验AR序列是否平稳,就是检验是否存在某个根大于等于1

2.ADF检验—经典的单位根检验方法

        ADF检验的全称是Augmented Dickey-Fuller test,它是Dickey-Fuller(DF)检验的扩展。DF检验只能应用于一阶AR模型的情况。当序列为高阶时,存在滞后相关性,于是可以使用更适用的ADF检验。

        ADF检验(Augmented Dickey-Fuller test)是一种用于检验时间序列数据是否具有单位根(unit root)的统计检验方法。单位根存在意味着时间序列数据具有非平稳性,即其均值或方差随时间变化而不稳定。

1)检验原理
        ADF检验建立在自回归模型(AR)的基础上,用于判断时间序列数据是否具有单位根。其原假设(H0)是时间序列数据具有单位根,即非平稳;备择假设(H1)是时间序列数据不具有单位根,即平稳。通过对序列进行差分运算,可以将具有单位根的非平稳序列转化为平稳序列。

        ADF检验的关键是引入滞后项(lagged terms),以考虑时间序列数据中的自相关性。通过比较包含不同滞后项的回归模型,可以确定序列是否具有单位根。

2)检验步骤
        1. 提出原假设和备择假设。
        2. 构建带有滞后项的回归模型,其中包括一阶差分项来探索时间序列数据的特性。
        3. 使用所构建的回归模型进行统计检验,其中检验统计量与相应的临界值进行比较。
        4. 根据检验统计量的显著性水平,判断是否拒绝原假设,从而得出时间序列数据的平稳性结论。

3)结果解释
        如果检验统计量小于临界值,我们可以拒绝原假设,并得出时间序列数据是平稳的结论;反之,如果检验统计量大于临界值,则无法拒绝原假设,表明时间序列数据具有单位根,即非平稳。

        4) 应用领域
ADF检验常用于金融、经济学等领域,用于验证时间序列数据的平稳性,从而为后续的时间序列分析和建模提供基础。

        当我们采用ADF进行检验的时候,我们实际上已经假设用AR模型对序列进行建模了。

3.图形判法—直观且主观的判断方法

  1)主要步骤
1. 时序图(Time Series Plot):** 首先绘制时间序列数据的时序图,即将时间序列的数值随时间的变化进行简单的折线图展示。时序图可以帮助我们观察时间序列数据是否在整体上呈现出趋势或季节性变化。

2. 自相关图(Autocorrelation Plot):** 绘制时间序列数据的自相关图,用于观察不同滞后阶数下的自相关系数。自相关图可以帮助我们了解时间序列数据是否存在明显的自相关性,以及可能的非平稳特征。

3. 部分自相关图(Partial Autocorrelation Plot):** 绘制时间序列数据的部分自相关图,用于观察不同滞后阶数下的部分自相关系数。部分自相关图有助于识别时间序列数据中的滞后效应,从而揭示可能的非平稳性特征。

2)图形解读
- 时序图:** 如果时序图呈现出明显的趋势、季节性或周期性,通常意味着时间序列数据可能不具有平稳性。
- 自相关图和部分自相关图:** 如果自相关图和部分自相关图显示出长期的自相关性结构,或者在较大滞后阶数上仍然存在显著的相关性,这也可能表明时间序列数据存在非平稳性。

3)注意事项
- 图形判断法通常作为初步分析的手段,为后续的严格统计检验提供参考。
- 单独使用图形判断法可能会产生主观偏差,因此最好与定量的统计检验方法相结合,以得出更可靠的结论。

参考引用

[1](时间序列相关介绍)

[2]stata实证分析代码🫡模型篇-(常用实证模型)

[3]回归结果怎么看?✅手把手教你看懂回归结果---(回归结果解读)

[4]计量经济----(简单线性回归笔记来源)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/226800.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【验证概括 SV的数据类型_2023.12.18】

验证概括 验证的过程是保证芯片实现符合规格说明书(Specification,spec)的过程 验证的两项任务: RTL sim:前仿真,验证功能 GLS-Gate (Level Simulation):后仿真,验证功能和时序 验…

SourceTree的安装和使用

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言一、安装:二、使用步骤1.获取地址2.放入sourceTree 3.点击推送 前言 提示:这里可以添加本文要记录的大概内容: 简单讲解一…

SpringBoot 2 集成Spark 3

前提条件: 运行环境&#xff1a;Hadoop 3.* Spark 3.* ,如果还未安装相关环境&#xff0c;请参考&#xff1a; Spark 初始 CentOS 7 安装Hadoop 3 单机版 SpringBoot 2 集成Spark 3 pom.xml <?xml version"1.0" encoding"UTF-8"?> <pro…

stm32中的i2c协议

stm32中I2C 文章目录 stm32中I2CI2C 协议简介I2C物理层协议层I2C基本读写过程 **通讯的起始和停止信号****数据有效性****地址及数据方向****响应** STM32的I2C特性及架构**STM32** **的** I2C外设简介STM32 的 I 2C 架构剖析通讯引脚 通讯过程主发送器主接收器 I2C初始化结构体…

【数据结构】快速排序(4种方式实现)

前言&#xff1a;前面我们学习了几种相对比较简单的排序&#xff0c;今天我们要一起学习的是快速排序&#xff0c;我们将通过四种方式来模拟实现快排。 &#x1f496; 博主CSDN主页:卫卫卫的个人主页 &#x1f49e; &#x1f449; 专栏分类:数据结构 &#x1f448; &#x1f4a…

【23.12.29期--Spring篇】Spring的 IOC 介绍

介绍一下Spring的IOC ✔️引言✔️ lOC的优点✔️Spring的IOC✔️ 拓展知识仓✔️IOC是如何实现的&#xff1f; ✔️引言 所谓的IOC (inversion of control) &#xff0c;就是控制反转的意思。何为控制反转? 在传统的程序设计中&#xff0c;应用程序代码通常控制着对象的创建和…

车载毫米波雷达及芯片新趋势研究2--“CMOS+AiP+SoC”与4D毫米波雷达推动产业越过大规模发展临界点

2.1 MMIC芯片工艺发展至CMOS时代&#xff0c;芯片集成度更高、体积与成本下降  MMIC芯片工艺经GaAs、SiGe已发展至CMOS时代&#xff0c;CMOS MMIC具有更低成本、更高集成度的优势。 工艺的主要变化发生在MMIC芯片的射频材料部分&#xff0c;目前SiGe仍为主流工艺。 SiGe虽在…

Maven配置教程

一&#xff1a;下载 Maven – Download Apache Maven 二&#xff1a;解压 三&#xff1a;修改setting 1.在<localRepository>标签内添加自己的本地位置路径 <!-- localRepository| The path to the local repository maven will use to store artifacts.|| Default:…

Redis主从

一、为何需要主从 单节点Redis的并发能力是有上限的&#xff0c;要进一步提高Redis的并发能力&#xff0c;就需要搭建主从集群&#xff0c;实现读写分离 二、如何设置主从 有临时和永久两种模式&#xff1a; 修改配置文件&#xff08;永久生效&#xff09; 在redis.conf中添…

网站服务器被入侵,如何排查,该如何预防入侵呢?

在我们日常使用服务器的过程中&#xff0c;当公司的网站服务器被黑客入侵时&#xff0c;导致整个网站以及业务系统瘫痪&#xff0c;将会给企业带来无法估量的损失。作为服务器的维护人员应当在第一时间做好安全响应&#xff0c;对入侵问题做到及时处理&#xff0c;以最快的时间…

【基础篇】八、Arthas实现热部署

文章目录 1、Arthas实现热部署2、示例3、注意点 1、Arthas实现热部署 实现热部署指的是在服务不停止的情况下&#xff0c;动态地更新字节码文件到内存中&#xff0c;即&#xff1a;把修复后的类的字节码文件更新到内存中&#xff0c;让类加载器重新加载 背景&#xff1a;修复了…

[RoarCTF 2019]Easy Java(java web)

题目 页面如下 页面长得像sql注入 点击help看一下 这里需要了解java web目录结构 WEB INF:Java的web应用安全目录&#xff1b; 此外如果想在页面访问WEB-INF应用里面的文件&#xff0c;必须要通过web.xml进行相应的映射才能访问&#xff1b; WEB-INF是Java Web应用程序中的一…

基于Python的短视频APP大学生用户数据分析预测

温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长 QQ 名片 :) 1. 项目背景 本项目以国内高校大学生在一段时间内对某短视频平台的使用数据为基础。通过数据分析和建模方法&#xff0c;我们深入挖掘这些数据中所蕴含的信息&#xff0c;以实现对高校和大学生维度的统计分析。…

Modbus转Profinet,不会编程也能用!轻松快上手!

Modbus转Profinet是一种用于工业自动化领域的通信协议转换器&#xff0c;可以将Modbus协议转换为Profinet协议&#xff0c;实现设备之间的数据交换与通信。这个工具的使用非常简单&#xff0c;即使没有编程经验的人也可以轻松上手。即使不会编程的人也可以轻松快速上手使用Modb…

【成功案例】起量时间缩短30%,超额达成目标!看初创厂商如何从0-1?

在非游出海的大浪潮中&#xff0c;工具类应用占据了半壁江山&#xff0c;不管是持续变现能力和收益周期&#xff0c;都跑出了优异成绩。 这股增长之风也吹到初创厂商这里&#xff0c;KP公司公司带着他们的首款产品JoySteps&#xff0c;勇敢地踏出了这一步。 从零到一的过程少…

鸿蒙原生应用再添新丁!爱奇艺入局鸿蒙

鸿蒙原生应用再添新丁&#xff01;爱奇艺 入局鸿蒙 来自 HarmonyOS 微博12月29日消息&#xff0c;#爱奇艺完成鸿蒙原生应用Beta版#作为中国头部在线视频平台&#xff0c;爱奇艺 完成鸿蒙原生应用Beta版&#xff0c;将以丰富的正版高清视频资源促进鸿蒙生态的进一步繁荣&#x…

[鹏城杯 2022]简单包含

[鹏城杯 2022]简单包含 wp 题目代码如下&#xff1a; <?php highlight_file(__FILE__); include($_POST["flag"]); //flag in /var/www/html/flag.php; 直接 POST 传参&#xff1a; flag/var/www/html/flag.php 会触发 waf 。 尝试用伪协议读取&#xff1a; …

SpringBoot+modbus4j实现ModebusTCP通讯读取数据

场景 Windows上ModbusTCP模拟Master与Slave工具的使用&#xff1a; Windows上ModbusTCP模拟Master与Slave工具的使用-CSDN博客 Modebus TCP Modbus由MODICON公司于1979年开发&#xff0c;是一种工业现场总线协议标准。 1996年施耐德公司推出基于以太网TCP/IP的Modbus协议&…

搬运机器人RFID传感器CNS-RFID-01|1S的RS485(MODBUS|HS协议)通讯连接方法

搬运机器人RFID传感器CNS-RFID-01|1S支持RS485通信&#xff0c;可支持RS485&#xff08;MODBUS RTU&#xff09;协议、RS485-HS协议&#xff0c;广泛应用于物流仓储&#xff0c;立库 AGV|无人叉车|搬送机器人等领域&#xff0c;常用定位、驻车等&#xff0c;本篇重点介绍CNS-RF…

机器视觉在医学影像与医疗领域的应用及前景

引言 随着人工智能技术的飞速发展&#xff0c;机器视觉在医学影像和医疗领域中扮演着越来越重要的角色。机器视觉技术如何在医院领域提高诊断准确性、加快治疗流程以及改善患者体验。本文将探讨机器视觉算法的重要性、使用场景&#xff0c;并对其在医院领域应用的前景提出个人见…