計量經濟學研究方法

㈠ 如何運用計量經濟學研究經濟問題

經濟計量學(Econometrics) 是西方經濟學中關於如何計量經濟關系實際數值的分支學科，也常譯為計量經濟學，量讀liàng（《現代漢語辭典》2012年6月第6版「計量」條）。這兩種譯名的區別在於，前者試圖從名稱上強調它是一門計量經濟活動方法論的學科，後者試圖通過名稱強調它是一門經濟學科。經濟計量學在20世紀30年代誕生之初，研究多限於計量方法的探討，實際計量工作還較少，且多集中於需求分析，能夠算做實際宏觀經濟計量分析的，只有丁伯根關於美國經濟周期的研究。第二次世界大戰以後，美國經濟學家克萊因等人不斷提高丁伯根開創的宏觀經濟計量的規模和深度，到20世紀60年代形成一個向企業出售經濟計量預測服務的興旺行業。
經濟計量學的具體計量方法主要包括四個連續工作步驟：

建造模型
把經濟學在論述某一特定問題時，對有關的主要經濟變數之間存在相互關系的理論作為假說，表述成結構方程式體系，作為研究對象的縮影，便於分析處理，就叫做模型。在每個結構方程式中，列作自變數的只能是起主要作用的少數幾個經濟變數，但實際影響因變數數值發生變化的，還有未列入方程式的、為數眾多但影響細微的其他因素，它們的聯合作用往往形成一個隨機干擾因素，使得因變數的每一次數值變動不可能全部由列入方程式的自變數的數值變動來解釋，而必然留下一個殘差由這樣的隨機干擾因素來承擔，從而使因變數成為隨機變數。經濟變數分為因變數和自變數，只是就它們在一個結構方程式以內的相互關系來說的，如果按照它們的數值在整個模型範圍以內如何決定來看，又分為內生變數和外生變數，前者的數值是在模型的范圍以內決定的，例如研究某地某時某種農產品的市場局部均衡問題時，該產品的供給量、需求量、價格等都是，後者的數值是在模型的范圍以外決定的，它們的數值變化影響前者的數值，但不受前者的影響，例如影響該農產品產量而不反過來受其影響的因素有：自然因素，如雨量；內生變數的過去時期的數值，如該農產品前一年度的價格；政府政策，如政府對生產該種產品的限制或鼓勵措施等。內生變數在各個結構方程式內不一定都處於因變數的地位，但全部內生變數的數值最終是由整個模型的全體方程式共同決定的，所以又稱聯合因變數；建造模型就是要用全體外生變數和隨機干擾因素作為已知條件來解釋全部內生變數的數值最終是怎樣決定的。
克萊因

估算參數數值
通常是用普通最小平方法對觀測統計資料配合線性回歸方程式。這種方法要求回歸方程式的因變數是隨機變數，自變數是作為已知條件的外生變數。因此要按照代數學解聯立方程式的原理，將原模型的結構方程式體系化為以內生變數為因變數、以外生變數為自變數的簡化式才能進行。因而要求原模型的結構方程式互相獨立，不相矛盾，其數目必須等於內生變數數目，而且能從簡化式的系數估算值還原成結構式的參數值，即具備能夠被識別的條件。

驗證理論
即檢驗估算結果是否符合模型根據的經濟理論，主要是運用數理統計學關於統計假設檢驗的原理，檢驗估算的參數值是否顯著地大於零。只有大於零，有關變數之間存在相互關系的理論，才得到證明；否則須繼續收集資料，再進行估算；或修改模型，甚至修訂根據的理論，再進行估算，直到得出顯著的參數估算值為止。
庫普曼斯

使用模型
估算出參數值的模型，主要用於三個方面：①對所研究的經濟體系內潛在的相互關系進行結構分析，以便了解和解釋有關的經濟現象。常用的方法是利用偏微分原理進行所謂比較靜態分析，即對模型的兩個均衡點進行對比：一個是原來假定達到的均衡點，另一個是假定只有一個外生變數（或結構參數）的數值發生變化而其他情況不變時，模型達到的新的均衡點，兩點對比可以看出外生變數或參數值變化時對內生變數發生多大影響。通常所謂各種彈性和乘數等都是用的這種分析方法。②用於預測。可利用已經估算出系數值的簡化式進行，因為簡化式的因變數都是內生變數，自變數都是外生變數，把預期將來某時期外生變數可能達到的數值代入簡化式，就可以得到有關的內生變數在將來同時期的預測值。③用於規劃政策。即對各種政策方案的後果進行評價，以供決策人擇優採納。常用辦法是把代表各種政策方案的外生變數（又稱政策變數，如稅收）在將來某時期的各種不同數值代入模型，然後計算作為因變數的內生變數（即政策目標，如國民收入）的各種相應預測值，以便對比。這叫做模擬運算，實際上是一種以政策變數的給定數值為條件的預測。

㈡ 如何用計量經濟學方法分析影響因素大小

一、理論模型的設計對所要研究的經濟現象進行深入的分析，根據研究的目的，選擇模型中將包含的因素，根據數據的可得性選擇適當的變數來表徵這些因素，並根據經濟行為理論和樣本數據顯示出的變數間的關系，設定描述這些變數之間關系的數學表達式，即理論模型。例如上節中的生產函數就是一個理論模型。理論模型的設計主要包含三部分工作，即選擇變數、確定變數之間的數學關系、擬定模型中待估計參數的數值范圍。1.確定模型所包含的變數在單方程模型中，變數分為兩類。作為研究對象的變數，也就是因果關系中的「果」，例如生產函數中的產出量，是模型中的被解釋變數；而作為「原因」的變數，例如生產函數中的資本、勞動、技術，是模型中的解釋變數。確定模型所包含的變數，主要是指確定解釋變數。可以作為解釋變數的有下列幾類變數：外生經濟變數、外生條件變數、外生政策變數和滯後被解釋變數。其中有些變數，如政策變數、條件變數經常以虛變數的形式出現。嚴格他說，上述生產函數中的產出量、資本、勞動、技術等，只能稱為「因素」，這些因素間存在著因果關系。為了建立起計量經濟學模型，必須選擇適當的變數來表徵這些因素，這些變數必須具有數據可得性。於是，我們可以用總產值來表徵產出量，用固走資產原值來表徵資本，用職工人數來表徵勞動，用時間作為一個變數來表徵技術。這樣，最後建立的模型是關於總產值、固定資產原值、職工人數和時間變數之間關系的數學表達式。下面，為了敘述方便，我們將「因素」與「變數」間的區別暫時略去，都以「變數」來表示。關鍵在於，在確定了被解釋變數之後，怎樣才能正確地選擇解釋變數。首先，需要正確理解和把握所研究的經濟現象中暗含的經濟學理論和經濟行為規律。這是正確選擇解釋變數的基礎。例如，在上述生產問題中，已經明確指出屬於供給不足的情況，那麼，影響產出量的因素就應該在投入要素方面，而在當前，一般的投入要素主要是技術、資本與勞動。如果屬於需求不足的情況，那麼影響產出量的因素就應該在需求方面，而不在投入要素方面。這時，如果研究的對象是消費品生產，應該選擇居民收入等變數作為解釋變數；如果研究的對象是生產資料生產，應該選擇固定資產投資總額等變數作為解釋變數。由此可見，同樣是建立生產模型，所處的經濟環境不同、研究的行業不同，變數選擇是不同的。其次，選擇變數要考慮數據的可得性。這就要求對經濟統計學有透徹的了解。計量經濟學模型是要在樣本數據，即變數的樣本觀測值的支持下，採用一定的數學方法估計參數，以揭示變數之間的定量關系。所以所選擇的變數必須是統計指標體系中存在的、有可靠的數據來源的。如果必須引入個別對被解釋變數有重要影響的政策變數、條件變數，則採用虛變數的樣本觀測值的選取方法。第三，選擇變數時要考慮所有入選變數之間的關系，使得每一個解釋變數都是獨立的。這是計量經濟學模型技術所要求的。當然，在開始時要做到這一點是困難的，如果在所有入選變數中出現相關的變數，可以在建模過程中檢驗並予以剔除。從這里可以看出，建立模型的第一步就已經體現了計量經濟學是經濟理論、經濟統計學和數學三者結合的思想。在選擇變數時，錯誤是容易發生的。下面的例子都是從已有的計量經濟學應用研究成果中發現的，代表了幾類容易發生的錯誤。例如農副產品出口額＝-107.66＋0.13×社會商品零售總額十0.22×農副產品收購額這里選擇了無關的變數，因為社會商品零售總額與農副產品出口額無直接關系，更不是影響農副產品出口額的原因。再如生產資料進口額＝0.73×輕工業投資＋0.21×出口額＋0.18×生產消費＋67.60×進出口政策這里選擇了不重要的變數，因為輕工業投資對生產資料進口額雖有影響，但不是重要的，或者說是不完全的，重要的是全社會固定資產投資額，應該選擇這個變數。再如農業總產值＝0.78＋0.24×糧食產量＋0.05×農機動力—0.21×受災面積這里選擇了不獨立的變數，因為糧食產量是受農機動力和受災面積影響的，它們之間存在相關性。值得注意的是上述幾個模型都能很好地擬合樣本數據，所以絕對不能把對樣本數據的擬合程度作為判斷模型變數選擇是否正確的主要標准。變數的選擇不是一次完成的，往往要經過多次反復。2.確定模型的數學形式選擇了適當的變數，接下來就要選擇適當的數學形式描述這些變數之間的關系，即建立理論模型。選擇模型數學形式的主要依據是經濟行為理論。在數理經濟學中，已經對常用的生產函數、需求函數、消費函數、投資函數等模型的數學形式進行了廣泛的研究，可以借鑒這些研究成果。需要指出的是，現代經濟學尤其注重實證研究，任何建立在一定經濟學理論假設基礎上的理論模型，如果不能很好地解釋過去，尤其是歷史統計數據，那麼它是不能為人們所接受的。這就要求理論模型的建立要在參數估計、模型檢驗的全過程中反復修改，以得到一種既能有較好的經濟學解釋又能較好地反映歷史上已經發生的諸變數之間關系的數學模型。忽視任何一方面都是不對的。也可以根據變數的樣本數據作出解釋變數與被解釋變數之間關系的散點圖，由散點圖顯示的變數之間的函數關系作為理論模型的數學形式。這也是人們在建模時經常採用的方法。在某些情況下，如果無法事先確定模型的數學形式，那麼就採用各種可能的形式進行試模擬，然後選擇模擬結果較好的一種。3.擬定理論模型中待估參數的理論期望值理論模型中的待估參數一般都具有特定的經濟含義，它們的數值，要待模型估計、檢驗後，即經濟數學模型完成後才能確定，但對於它們的數值范圍，即理論期望值，可以根據它們的經濟含義在開始時擬定。這一理論期望值可以用來檢驗模型的估計結果。擬定理論模型中待估參數的理論期望值，關鍵在於理解待估參數的經濟含義。例如上述生產函數理論模型中有4個待估參數和α、β、γ和A。其中，α是資本的產出彈性，β是勞動的產出彈性，γ近似為技術進步速度，A是效率系數。根據這些經濟含義，它們的數值范圍應該是於集中的問題。經濟變數在時間序列上的變化往往是緩慢的，例如，居民收入每年的變化幅度只有5%左右。如果在一個消費函數模型中，以居民消費作為被解釋變數，以居民收入作為解釋變數，以它的時間序列數據作為解釋變數的樣本數據，由於樣本數據過於集中，所建立的模型很難反映兩個變數之間的長期關系。這也是時間序列不適宜於對模型中反映長期變化關系的結構參數的估計的一個主要原因。四是模型隨機誤差項的序列相關問題。用時間序列數據作樣本，容易引起模型隨機誤差項產生序列相關。這個問題後面還要專門討論。截面數據是一批發生在同一時間截面上的調查數據。例如，工業普查數據、人口普查數據、家計調查數據等，主要由統計部門提供。用截面數據作為計量經濟學模型的樣本數據，應注意以下幾個問題。一是樣本與母體的一致性問題。計量經濟學模型的參數估計，從數學上講，是用從母體中隨機抽取的個體樣本估計母體的參數，那麼要求母體與個體必須是一致的。例如，估計煤炭企業的生產函數模型，只能用煤炭企業的數據作為樣本，不能用煤炭行業的數據。那麼，截面數據就很難用於一些總量模型的估計，例如，建立煤炭行業的生產函數模型，就無法得到合適的截面數據。二是模型隨機誤差項的異方差問題。用截面數據作樣本，容易引起模型隨機誤差項產生異方差。這個問題後面還要專門討論。虛變數數據也稱為二進制數據，一般取0或1。虛變數經常被用在計量經濟學模型中，以表徵政策、條件等因素。例如，建立我國的糧食生產計量經濟學模型，以糧食產量作為被解釋變數，解釋變數中除了播種面積、化肥使用量、農機總動力、成災面積等變數外，顯然，政策因素是不可忽略的。1980年前後，由於實行了不同的政策，即使上述變數都沒有變化，糧食產量也會發生大的變化。於是必須在解釋變數中引人政策變數，用一個虛變數表示，對於1980年以後的年份，該虛變數的樣本觀測值為1，對於1980年以前的年份，該虛變數的樣本觀測值為0。也可以取0、l以外的數值，表示該因素的變化程度。例如，在工業生產模型中用虛變數表示氣候對工業生產的影響，可以將不同年份氣候的影響程度，分別用0、1、-1，甚至0.5、-0.5等表示。不過，這種方法應慎用，以免違背客觀性。2.樣本數據的質量樣本數據的質量問題大體上可以概括為完整性、准確性、可比性和一致性四個方面。完整性，即模型中包含的所有變數都必須得到相同容量的樣本觀測值。這既是模型參數估計的需要，也是經濟現象本身應該具有的特徵。但是，在實際中，「遺失數據」的現象是經常發生的，尤其在中國，經濟體制和核算體系都處於轉軌之中。在出現「遺失數據」時，如果樣本容量足夠大，樣本點之間的聯系並不緊密的情況下，可以將「遺失數據」所在的樣本點整個地去掉；如果樣本容量有限，或者樣本點之間的聯系緊密，去掉某個樣本點會影響模型的估計質量，則要採取特定的技術將「遺失數據」補上。准確性，有兩方面含義，一是所得到的數據必須准確反映它所描述的經濟因素的狀態，即統計數據或調查數據本身是准確的；二是它必須是模型研究中所准確需要的，即滿足模型對變數口徑的要求。前一個方面是顯而易見的，而後一個方面則容易被忽視。例如，在生產函數模型中，作為解釋變數的資本、勞動等必須是投入到生產過程中的、對產出量起作用的那部分生產要素，以勞動為例，應該是投入到生產過程中的、對產出量起作用的那部分勞動者。於是，在收集樣本數據時，就應該收集生產性職工人數，而不能以全體職工人數作為樣本數據，盡管全體職工人數在統計上是很准確的，但其中有相當一部分與生產過程無關，不是模型所需要的。可比性，也就是通常所說的數據口徑問題，在計量經濟學模型研究中可以說無處不在。而人們容易得到的經濟統計數據，一般可比性較差，其原因在於統計范圍口徑的變化和價格口徑的變化，必須進行處理後才能用於模型參數的估計。計量經濟學方法，是從樣本數據中尋找經濟活動本身客觀存在的規律性，如果數據是不可比的，得到的規律性就難以反映實際。不同的研究者研究同一個經濟現象，採用同樣的變數和數學形式，選擇的樣本點也相同，但可能得到相差甚遠的模型參數估計結果。為什麼？原因在於樣本數據的可比性。例如，採用時間序列數據作為生產函數模型的樣本數據，產出量用不變價格計算的總產值，在不同年份間是可比的；資本用當年價格計算的固定資產原值，在不同年份間是不可比的。對於統計資料中直接提供的這個用當年價格計算的固定資產原值，有人直接用於模型估計，有人進行處理後再用於模型的估計，結果當然不會相同。一致性，即母體與樣本的一致性。上面在討論用截面數據作為計量經濟學模型的樣本數據時已經作了介紹。違反一致性的情況經常會發生，例如，用企業的數據作為行業生產函數模型的樣本數據，用人均收入與消費的數據作為總量消費函數模型的樣本數據，用31個省份的數據作為全國總量模型的樣本數據，等等。三、模型參數的估計模型參數的估計方法，是計量經濟學的核心內容。在建立了理論模型並收集整理了符合模型要求的樣本數據之後，就可以選擇適當的方法估計模型，得到模型參數的估計量。模型參數的估計是一個純技術的過程，包括對模型進行識別（對聯立方程模型而言）、估計方法的選擇、軟體的應用等內容。在後面的章節中將用大量的篇幅討論估計問題，在此不重復敘述。四、模型的檢驗在模型的參數估計量已經得到後，可以說一個計量經濟學模型已經初步建立起來了。但是，它能否客觀揭示所研究的經濟現象中諸因素之間的關系，能否付諸應用，還要通過檢驗才能決定。一般講，計量經濟學模型必須通過四級檢驗，即經濟意義檢驗、統計學檢驗、計量經濟學檢驗和預測檢驗。1.經濟意義檢驗經濟意義檢驗主要檢驗模型參數估計量在經濟意義上的合理性。主要方法是將模型參數的估計量與預先擬定的理論期望值進行比較，包括參數估計量的符號、大小、相互之間的關系，以判斷其合理性。首先檢驗參數估計量的符號。例如，有下列煤炭行業生產模型：煤炭產量＝-108.5427＋0.00067×固定資產原值＋0.01527×職工人數-0.00681×電力消耗量＋0.00256×木材消耗量在該模型中，電力消耗量前的參數估計量為負，意味著電力消耗越多，煤炭產量越低，從經濟行為上無法解釋。模型不能通過檢驗，應該找出原因重新建立模型。不管其他方面的質量多麼高，模型也是沒有實際價值的。2.統計檢驗統計檢驗是由統計理論決定的，目的在於檢驗模型的統計學性質。通常最廣泛應用的統計檢驗准則有擬合優度檢驗、變數和方程的顯著性檢驗等。3.計量經濟學檢驗計量經濟學檢驗是由計量經濟學理論決定的，目的在於檢驗模型的計量經濟學性質。通常最主要的檢驗准則有隨機誤差項的序列相關檢驗和異方差性檢驗，解釋變數的多重共線性檢驗等。4.模型預測檢驗預測檢驗主要檢驗模型參數估計量的穩定性以及相對樣本容量變化時的靈敏度，確定所建立的模型是否可以用於樣本觀測值以外的范圍，即模型的所謂超樣本特性。具體檢驗方法為：（1）利用擴大了的樣本重新估計模型參數，將新的估計值與原來的估計值進行比較，並檢驗二者之間差距的顯著性；（2）將所建立的模型用於樣本以外某一時期的實際預測，並將該預測值與實際觀測值進行比較，並檢驗二者之間差距的顯著性。經歷並通過了上述步驟的檢驗後，可以說已經建立了所需要的計量經濟學模型，可以將它應用於預定的目的。五、計量經濟學模型成功三要素從上述建立計量經濟學模型的步驟中，不難看出，任何一項計量經濟學研究、任何一個計量經濟學模型賴以成功的要素應該有三個：理論、方法和數據。理論，即經濟理論，所研究的經濟現象的行為理論，是計量經濟學研究的基礎。方法，主要包括模型方法和計算方法，是計量經濟學研究的工具與手段，是計量經濟學不同於其他經濟學分支學科的主要特徵。數據，反映研究對象的活動水平、相互間聯系以及外部環境的數據，或更廣義講是信息，是計量經濟學研究的原料。這三方面缺一不可。一般情況下，在計量經濟學研究中，方法的研究是人們關注的重點，方法的水平往往成為衡量一項研究成果水平的主要依據。這是正常的。計量經濟學理論方法的研究是計量經濟學研究工作者義不容辭的義務。但是，不能因此而忽視對經濟學理論的探討，一個不懂得經濟學理論、不了解經濟行為的人，是無法從事計量經濟學研究工作的，是不可能建立起一個哪怕是極其簡單的計量經濟學模型的。所以，計量經濟學家首先應該是一個經濟學家。相比之下，人們對數據，尤其是數據質量問題的重視更顯不足，在申請一項研究項目或評審一項研究成果時，對數據的可得性、可用性、可靠性缺乏認真的推敲；在研究過程中出現問題時，較少從數據質量方面去找原因。而目前的實際情況是，數據已經成為制約計量經濟學發展的重要問題。六、相關分析、回歸分析和因果分析從上述建立計量經濟學模型的步驟中進一步看出，經典計量經濟學方法的核心是採用回歸分析的方法揭示變數之間的因果關系。但是，變數之間具有相關性並不等於具有因果性。這是建立計量經濟學模型中一個十分重要的概念，那麼首先需要對相關關系與因果關系作一簡要的說明。所謂相關關系，是指兩個以上的變數的樣本觀測值序列之間表現出來的隨機數學關系，用相關系數來衡量。如果兩個變數樣本觀測值序列之間相關系數的絕對值為1，則二者之間具有完全相關性（完全正相關或完全負相關）；如果相關系數的絕對值比較大，或接近於1，則二者之間具有較強相關性；如果相關系數的絕對值為0，或接近於0，則二者之間不具有相關性。如果一個變數與其他兩個或兩個以上變數的線性組合之間具有相關性，那麼它與每一個變數之間的相關系數稱為偏相關系數。相關關系是變數之間所表現出來的一種純數學關系，判斷變數之間是否具有相關關系的依據只有數據。所謂因果關系，是指兩個或兩個以上變數在行為機制上的依賴性，作為結果的變數是由作為原因的變數所決定的，原因變數的變化引起結果變數的變化。因果關系有單向因果關系和互為因果關系之分。例如，勞動力與國內生產總值之間具有單向因果關系，在經濟行為上是勞動力影響國內生產總值，而不是相反；但是，在國內生產總值與消費總額之間則存在經濟行為上的互為因果關系，國內生產總值既決定消費總額，反過來又受消費的拉動。具有因果關系的變數之間一定具有數學上的相關關系。而具有相關關系的變數之間並不一定具有因果關系。例如中國的國內生產總值與印度的人口之間具有較強的相關性，因為二者都以較快的速度增長，但顯然二者之間不具有因果關系。相關分析是判斷變數之間是否具有相關關系的數學分析方法，通過計算變數之間的相關系數來實現。回歸分析也是判斷變數之間是否具有相關關系的一種數學分析方法，它著重判斷一個隨機變數與一個或幾個可控變數之間是否具有相關關系。由於它的特定的功能，所以也被用來進行變數之間的因果分析。但是，僅僅依靠回歸分析尚不能對變數之間的因果關系作出最後判斷，必須與經濟行為的定性分析相結合。這就是上面強調的建立計量經濟學模型的三要素。

㈢ 什麼是計量經濟學計量經濟學方法與

是不是大學經濟學就一定比小學經濟學高深呢？不一定，可能很難，但未必是對的。你所接觸到最穩定的科學，是中學教科書，那些都是公認的基礎。而越往上，越容易被推翻。

拖了這么久，因為這種文章人們是不願意讀的，對科學沒有一點興趣，所以我也懶得寫。最近又有人搬出來了，那我來科普一下。

你可能聽說過奧派鄙視計量經濟學，但是沒有任何人解釋一下他所鄙視的是什麼東西。

計量經濟學算是比較難的課，分為上下兩部分。第一部分很簡單，初中畢業的人應該也能理解，學過方程就可以。

比如我們統計了全班上課的時間設定為a, 做作業的成績為b，這學期的考試成績估值為E。那我們把所有的數據匯總後解方程，總結成公式，得出的就是E= 10a+5b+u。10和5就是你解方程得出來的系數。

也就是當你上了1個小時課，作業成績為10的時候，你的預期成績就是60（a=1,b=10時，E=60+u）。當你上了10個小時課，沒交過作業的時候，預期成績是100（a=10,b=0時，E=100+u）

u是什麼，是「不可觀測量」。現實中總有一些東西是可能影響你成績的，但是又無法察覺出來，比如你家距離學校的路程l。因為路程會耽誤時間，導致你回家做功課的時間減少，或者消耗你更多的精力，讓你提前疲憊。

如果我們確定l對成績有相關性，比如每增加一公里最後讓你的成績減少0.5分。那我們的公式就變成了E=10a+5b-0.5l+u

還有，家庭情況，是否單親，也會影響孩子的心情，進而影響成績，有可能單親的孩子更厭學。還有可能單親的孩子見證了老媽的辛苦，從而更加的上進。通過統計數據後我們發現單親家庭普遍比非單親家庭的成績低20分。那這個「是否單親」，也要在公式中體現出來。當單親時，我們的變數取值為1，非單親時，這個變數取值為0,平時用m來代替，這個就叫做「虛擬變數」。公式為E=10a+5b-0.5l-20m+u

單親時m=1，公式成為E=10a+5b-0.5l-20+u

這個公式也叫做模型，數學模型。你總聽到「建模建模」，就是指得出一個這樣one for all的公式。

你可能發現了個問題，就是這個公式可以無限延長。比如跟氣候有沒有關系，你說下雨天w多了就影響了上課時間，進而影響成績，可以，去調天氣數據。你又說談戀愛o會影響成績，可以，統計下有對象的和沒對象的數據。

把這兩個變數加進去得出的模型是：E=10a+5b-0.5l-20m-100w+5o+u

翻譯過來是每多下一天雨，成績就減少100分。看意思天氣這個影響好大啊？

這違背我們的常識了，我們就要去檢測上面這個模型。去測它的方差（R square）。

得出的結論是天氣它不是一個有效的典型因素。這個公式里應該把天氣因素剔除掉。怎麼理解？當天氣對成績有影響時，他下一天雨會讓成績減少100分。但是，99%的情況下天氣是對成績沒有影響的。

舉個例子就是當天氣下特大暴雨的時候，整個城市就水漫金山，直接癱瘓了，根本沒法去考場，但是這種情況微乎其微，根本不值得加入進公式里。

這就是經典的統計參誤。類似的還有很多種，比如人均gdp 1萬美金，和你掙了1萬美金，就差飛了。小編們無數次用數據來誤導你，製造個大新聞。只要瞎J8分析就會得出不同的結論。

公式有一個缺陷，就是外部世界是在不斷變化的，今天可以用的模型，到了明天再用可能就不準了。當我們考慮到了事物的動態變化，這就引出了計量經濟學的第二部分：時間序列。

也就是說，公式是會隨著時間的推進而實時變化。

這算是計量的一個革命，動態公式。時間(t)在變化，你的預測的模型和結果也在變化。

舉例如果拿來預測股價，比如今年的時間我們視為t，去年是t-1，明年就是t+1。

當你寫公式時，今年的股價是和去年的股價是有關的。我們要把去年的數據帶進去。但是呢，去年的數據又是和前年的數據相關的，前年的數據又是和大前年的數據相關。

類似於俄羅斯套娃。非常復雜，但最後用數學公式，大數定理等等都消掉了，可以出一個簡易的公式。

時間序列大概的原理就是這樣，剩下的不講了，跳過。大概就是這個樣子：



就是這種數理概念，應用在計算經濟上，就成為了計量經濟學。平時的經濟學是可以告訴你趨勢的。比如增加最高工資會降低就業率，但是每增加1美金的最低工資會讓就業率降低幾個百分點呢？這個傳統經濟學就答不上來了。計量經濟學家大喊一聲，我知道！回答了老爺的問題，就受到了青睞。

比如預測明年的GDP，新增就業人口為p億， 產值人均1萬美金，去年的gdp是80億美金，如果出現新冠疫情c則會減少20億，統計後得出的公式為：E(gdp)= 80+0.0001p-20c+u

把現實公式化。有了公式，我們再查出幾個變數，就可以推測出今年的gdp。

但是這個是非常粗糙的預測，即使你再加10個變數也不夠，影響經濟的因素實在是太多了，比如鬧海嘯了，鬧旱災了，中美斷交了。世上有太多的黑天鵝，在不可觀測量u里，卻對經濟影響巨大。可能中美斷交這一件事的權重，就比你前面的所有變數加一塊的影響都大，那你那公式還有什麼意義？

「模型動態變化」是一個非常好的理念，但我覺得要來預測經濟還是遠遠不夠。黑天鵝太多的時期里，你或許更應該和新聞，消息相關。

比如說這一秒你的模型是今年GDP= 106%*去年的GPD。

下一秒電視下面突然彈出了個Breaking News，特大新聞：川普已當選總統，會發生貿易戰，那動態公式也應該改成GDP=105%*去年的GDP。

或者新聞彈出來的是川普被抗議者給擊斃了，爆發內戰，US解體，美金作廢，幗成為世界老大，1RMB換7美金，一帶十路，萬國來朝。那公式瞬間就該變成GDP=去年GDP乘5。

沒有這種能力，計量對一個這么大的社會的預測，還是太嫩了。

公式化看著給人一種很科學的印象，以至於券商們可以出個人工智慧大數據預測股價漲跌的IP來忽悠股民入市：親，我公司有「量化交易」，根據數據起伏自動交易，保你穩賺不賠，充錢試試吧？

但很多事是無法量化的，我認為GDP的預測都不可靠，對GDP的預測完全是錯的，就不該預測。

這種數理預測適用於在工業革命以前，工業革命之前你問一個農民，明天你做什麼，他會說跟今天做的一樣。我告訴你前十年每年的gdp增幅是6%，那我讓你預測下明年的漲幅，你會蒙哪個數？還是6對吧。所以在這種情況下，歷年gdp連起來是可以接近直線的。



順著圖片的曲線，可以描出19年，20年，2021年點在哪裡，做出預測。但科技爆發之後，可能明年的GDP就一飛沖天了，或者來了地震疫情，gdp又突然跌入谷底了。

你前年的gdp是90億，去年的GDP是95億，今年的GDP是100億，明年的gdp是多少？完全可能是130億。因為今年路通了。要想富，先修路。

同理，在微信產生之前，運營商們每年收著幾百億的簡訊費。有了微信後就幾乎清零了，可能當年的GDP就減少了。

㈣ 建立經典單方程計量經濟學模型的步驟和要點有哪些

建立經典單方程計量經濟學模型的步驟和要點

1、所研究的經濟現象的行為理論，是計量經濟學研究的基礎。方法，主要包括模型方法和計算方法，是計量經濟學研究的工具與手段，是計量經濟學不同於其他經濟學分支學科的主要特徵。

2、數據反映研究對象的活動水平、相互間聯系以及外部環境的數據，或更廣義講是信息，是計量經濟學研究的原料。這三方面缺一不可。

3、在計量經濟學研究中，方法的研究是人們關注的重點，方法的水平往往成為衡量一項研究成果水平的主要依據。這是正常的。計量經濟學理論方法的研究是計量經濟學研究工作者義不容辭的義務。

數據分析

數據質量問題的重視更顯不足，在申請一項研究項目或評審一項研究成果時，對數據的可得性、可用性、可靠性缺乏認真的推敲。

一般在研究過程中出現問題時，較少從數據質量方面去找原因。而實際情況是，數據已經成為制約計量經濟學發展的重要問題。