计量经济学研究方法

㈠ 如何运用计量经济学研究经济问题

经济计量学(Econometrics) 是西方经济学中关于如何计量经济关系实际数值的分支学科，也常译为计量经济学，量读liàng（《现代汉语辞典》2012年6月第6版“计量”条）。这两种译名的区别在于，前者试图从名称上强调它是一门计量经济活动方法论的学科，后者试图通过名称强调它是一门经济学科。经济计量学在20世纪30年代诞生之初，研究多限于计量方法的探讨，实际计量工作还较少，且多集中于需求分析，能够算做实际宏观经济计量分析的，只有丁伯根关于美国经济周期的研究。第二次世界大战以后，美国经济学家克莱因等人不断提高丁伯根开创的宏观经济计量的规模和深度，到20世纪60年代形成一个向企业出售经济计量预测服务的兴旺行业。
经济计量学的具体计量方法主要包括四个连续工作步骤：

建造模型
把经济学在论述某一特定问题时，对有关的主要经济变量之间存在相互关系的理论作为假说，表述成结构方程式体系，作为研究对象的缩影，便于分析处理，就叫做模型。在每个结构方程式中，列作自变量的只能是起主要作用的少数几个经济变量，但实际影响因变量数值发生变化的，还有未列入方程式的、为数众多但影响细微的其他因素，它们的联合作用往往形成一个随机干扰因素，使得因变量的每一次数值变动不可能全部由列入方程式的自变量的数值变动来解释，而必然留下一个残差由这样的随机干扰因素来承担，从而使因变量成为随机变量。经济变量分为因变量和自变量，只是就它们在一个结构方程式以内的相互关系来说的，如果按照它们的数值在整个模型范围以内如何决定来看，又分为内生变量和外生变量，前者的数值是在模型的范围以内决定的，例如研究某地某时某种农产品的市场局部均衡问题时，该产品的供给量、需求量、价格等都是，后者的数值是在模型的范围以外决定的，它们的数值变化影响前者的数值，但不受前者的影响，例如影响该农产品产量而不反过来受其影响的因素有：自然因素，如雨量；内生变量的过去时期的数值，如该农产品前一年度的价格；政府政策，如政府对生产该种产品的限制或鼓励措施等。内生变量在各个结构方程式内不一定都处于因变量的地位，但全部内生变量的数值最终是由整个模型的全体方程式共同决定的，所以又称联合因变量；建造模型就是要用全体外生变量和随机干扰因素作为已知条件来解释全部内生变量的数值最终是怎样决定的。
克莱因

估算参数数值
通常是用普通最小平方法对观测统计资料配合线性回归方程式。这种方法要求回归方程式的因变量是随机变量，自变量是作为已知条件的外生变量。因此要按照代数学解联立方程式的原理，将原模型的结构方程式体系化为以内生变量为因变量、以外生变量为自变量的简化式才能进行。因而要求原模型的结构方程式互相独立，不相矛盾，其数目必须等于内生变量数目，而且能从简化式的系数估算值还原成结构式的参数值，即具备能够被识别的条件。

验证理论
即检验估算结果是否符合模型根据的经济理论，主要是运用数理统计学关于统计假设检验的原理，检验估算的参数值是否显着地大于零。只有大于零，有关变量之间存在相互关系的理论，才得到证明；否则须继续收集资料，再进行估算；或修改模型，甚至修订根据的理论，再进行估算，直到得出显着的参数估算值为止。
库普曼斯

使用模型
估算出参数值的模型，主要用于三个方面：①对所研究的经济体系内潜在的相互关系进行结构分析，以便了解和解释有关的经济现象。常用的方法是利用偏微分原理进行所谓比较静态分析，即对模型的两个均衡点进行对比：一个是原来假定达到的均衡点，另一个是假定只有一个外生变量（或结构参数）的数值发生变化而其他情况不变时，模型达到的新的均衡点，两点对比可以看出外生变量或参数值变化时对内生变量发生多大影响。通常所谓各种弹性和乘数等都是用的这种分析方法。②用于预测。可利用已经估算出系数值的简化式进行，因为简化式的因变量都是内生变量，自变量都是外生变量，把预期将来某时期外生变量可能达到的数值代入简化式，就可以得到有关的内生变量在将来同时期的预测值。③用于规划政策。即对各种政策方案的后果进行评价，以供决策人择优采纳。常用办法是把代表各种政策方案的外生变量（又称政策变量，如税收）在将来某时期的各种不同数值代入模型，然后计算作为因变量的内生变量（即政策目标，如国民收入）的各种相应预测值，以便对比。这叫做模拟运算，实际上是一种以政策变量的给定数值为条件的预测。

㈡ 如何用计量经济学方法分析影响因素大小

一、理论模型的设计对所要研究的经济现象进行深入的分析，根据研究的目的，选择模型中将包含的因素，根据数据的可得性选择适当的变量来表征这些因素，并根据经济行为理论和样本数据显示出的变量间的关系，设定描述这些变量之间关系的数学表达式，即理论模型。例如上节中的生产函数就是一个理论模型。理论模型的设计主要包含三部分工作，即选择变量、确定变量之间的数学关系、拟定模型中待估计参数的数值范围。1.确定模型所包含的变量在单方程模型中，变量分为两类。作为研究对象的变量，也就是因果关系中的“果”，例如生产函数中的产出量，是模型中的被解释变量；而作为“原因”的变量，例如生产函数中的资本、劳动、技术，是模型中的解释变量。确定模型所包含的变量，主要是指确定解释变量。可以作为解释变量的有下列几类变量：外生经济变量、外生条件变量、外生政策变量和滞后被解释变量。其中有些变量，如政策变量、条件变量经常以虚变量的形式出现。严格他说，上述生产函数中的产出量、资本、劳动、技术等，只能称为“因素”，这些因素间存在着因果关系。为了建立起计量经济学模型，必须选择适当的变量来表征这些因素，这些变量必须具有数据可得性。于是，我们可以用总产值来表征产出量，用固走资产原值来表征资本，用职工人数来表征劳动，用时间作为一个变量来表征技术。这样，最后建立的模型是关于总产值、固定资产原值、职工人数和时间变量之间关系的数学表达式。下面，为了叙述方便，我们将“因素”与“变量”间的区别暂时略去，都以“变量”来表示。关键在于，在确定了被解释变量之后，怎样才能正确地选择解释变量。首先，需要正确理解和把握所研究的经济现象中暗含的经济学理论和经济行为规律。这是正确选择解释变量的基础。例如，在上述生产问题中，已经明确指出属于供给不足的情况，那么，影响产出量的因素就应该在投入要素方面，而在当前，一般的投入要素主要是技术、资本与劳动。如果属于需求不足的情况，那么影响产出量的因素就应该在需求方面，而不在投入要素方面。这时，如果研究的对象是消费品生产，应该选择居民收入等变量作为解释变量；如果研究的对象是生产资料生产，应该选择固定资产投资总额等变量作为解释变量。由此可见，同样是建立生产模型，所处的经济环境不同、研究的行业不同，变量选择是不同的。其次，选择变量要考虑数据的可得性。这就要求对经济统计学有透彻的了解。计量经济学模型是要在样本数据，即变量的样本观测值的支持下，采用一定的数学方法估计参数，以揭示变量之间的定量关系。所以所选择的变量必须是统计指标体系中存在的、有可靠的数据来源的。如果必须引入个别对被解释变量有重要影响的政策变量、条件变量，则采用虚变量的样本观测值的选取方法。第三，选择变量时要考虑所有入选变量之间的关系，使得每一个解释变量都是独立的。这是计量经济学模型技术所要求的。当然，在开始时要做到这一点是困难的，如果在所有入选变量中出现相关的变量，可以在建模过程中检验并予以剔除。从这里可以看出，建立模型的第一步就已经体现了计量经济学是经济理论、经济统计学和数学三者结合的思想。在选择变量时，错误是容易发生的。下面的例子都是从已有的计量经济学应用研究成果中发现的，代表了几类容易发生的错误。例如农副产品出口额＝-107.66＋0.13×社会商品零售总额十0.22×农副产品收购额这里选择了无关的变量，因为社会商品零售总额与农副产品出口额无直接关系，更不是影响农副产品出口额的原因。再如生产资料进口额＝0.73×轻工业投资＋0.21×出口额＋0.18×生产消费＋67.60×进出口政策这里选择了不重要的变量，因为轻工业投资对生产资料进口额虽有影响，但不是重要的，或者说是不完全的，重要的是全社会固定资产投资额，应该选择这个变量。再如农业总产值＝0.78＋0.24×粮食产量＋0.05×农机动力—0.21×受灾面积这里选择了不独立的变量，因为粮食产量是受农机动力和受灾面积影响的，它们之间存在相关性。值得注意的是上述几个模型都能很好地拟合样本数据，所以绝对不能把对样本数据的拟合程度作为判断模型变量选择是否正确的主要标准。变量的选择不是一次完成的，往往要经过多次反复。2.确定模型的数学形式选择了适当的变量，接下来就要选择适当的数学形式描述这些变量之间的关系，即建立理论模型。选择模型数学形式的主要依据是经济行为理论。在数理经济学中，已经对常用的生产函数、需求函数、消费函数、投资函数等模型的数学形式进行了广泛的研究，可以借鉴这些研究成果。需要指出的是，现代经济学尤其注重实证研究，任何建立在一定经济学理论假设基础上的理论模型，如果不能很好地解释过去，尤其是历史统计数据，那么它是不能为人们所接受的。这就要求理论模型的建立要在参数估计、模型检验的全过程中反复修改，以得到一种既能有较好的经济学解释又能较好地反映历史上已经发生的诸变量之间关系的数学模型。忽视任何一方面都是不对的。也可以根据变量的样本数据作出解释变量与被解释变量之间关系的散点图，由散点图显示的变量之间的函数关系作为理论模型的数学形式。这也是人们在建模时经常采用的方法。在某些情况下，如果无法事先确定模型的数学形式，那么就采用各种可能的形式进行试模拟，然后选择模拟结果较好的一种。3.拟定理论模型中待估参数的理论期望值理论模型中的待估参数一般都具有特定的经济含义，它们的数值，要待模型估计、检验后，即经济数学模型完成后才能确定，但对于它们的数值范围，即理论期望值，可以根据它们的经济含义在开始时拟定。这一理论期望值可以用来检验模型的估计结果。拟定理论模型中待估参数的理论期望值，关键在于理解待估参数的经济含义。例如上述生产函数理论模型中有4个待估参数和α、β、γ和A。其中，α是资本的产出弹性，β是劳动的产出弹性，γ近似为技术进步速度，A是效率系数。根据这些经济含义，它们的数值范围应该是于集中的问题。经济变量在时间序列上的变化往往是缓慢的，例如，居民收入每年的变化幅度只有5%左右。如果在一个消费函数模型中，以居民消费作为被解释变量，以居民收入作为解释变量，以它的时间序列数据作为解释变量的样本数据，由于样本数据过于集中，所建立的模型很难反映两个变量之间的长期关系。这也是时间序列不适宜于对模型中反映长期变化关系的结构参数的估计的一个主要原因。四是模型随机误差项的序列相关问题。用时间序列数据作样本，容易引起模型随机误差项产生序列相关。这个问题后面还要专门讨论。截面数据是一批发生在同一时间截面上的调查数据。例如，工业普查数据、人口普查数据、家计调查数据等，主要由统计部门提供。用截面数据作为计量经济学模型的样本数据，应注意以下几个问题。一是样本与母体的一致性问题。计量经济学模型的参数估计，从数学上讲，是用从母体中随机抽取的个体样本估计母体的参数，那么要求母体与个体必须是一致的。例如，估计煤炭企业的生产函数模型，只能用煤炭企业的数据作为样本，不能用煤炭行业的数据。那么，截面数据就很难用于一些总量模型的估计，例如，建立煤炭行业的生产函数模型，就无法得到合适的截面数据。二是模型随机误差项的异方差问题。用截面数据作样本，容易引起模型随机误差项产生异方差。这个问题后面还要专门讨论。虚变量数据也称为二进制数据，一般取0或1。虚变量经常被用在计量经济学模型中，以表征政策、条件等因素。例如，建立我国的粮食生产计量经济学模型，以粮食产量作为被解释变量，解释变量中除了播种面积、化肥使用量、农机总动力、成灾面积等变量外，显然，政策因素是不可忽略的。1980年前后，由于实行了不同的政策，即使上述变量都没有变化，粮食产量也会发生大的变化。于是必须在解释变量中引人政策变量，用一个虚变量表示，对于1980年以后的年份，该虚变量的样本观测值为1，对于1980年以前的年份，该虚变量的样本观测值为0。也可以取0、l以外的数值，表示该因素的变化程度。例如，在工业生产模型中用虚变量表示气候对工业生产的影响，可以将不同年份气候的影响程度，分别用0、1、-1，甚至0.5、-0.5等表示。不过，这种方法应慎用，以免违背客观性。2.样本数据的质量样本数据的质量问题大体上可以概括为完整性、准确性、可比性和一致性四个方面。完整性，即模型中包含的所有变量都必须得到相同容量的样本观测值。这既是模型参数估计的需要，也是经济现象本身应该具有的特征。但是，在实际中，“遗失数据”的现象是经常发生的，尤其在中国，经济体制和核算体系都处于转轨之中。在出现“遗失数据”时，如果样本容量足够大，样本点之间的联系并不紧密的情况下，可以将“遗失数据”所在的样本点整个地去掉；如果样本容量有限，或者样本点之间的联系紧密，去掉某个样本点会影响模型的估计质量，则要采取特定的技术将“遗失数据”补上。准确性，有两方面含义，一是所得到的数据必须准确反映它所描述的经济因素的状态，即统计数据或调查数据本身是准确的；二是它必须是模型研究中所准确需要的，即满足模型对变量口径的要求。前一个方面是显而易见的，而后一个方面则容易被忽视。例如，在生产函数模型中，作为解释变量的资本、劳动等必须是投入到生产过程中的、对产出量起作用的那部分生产要素，以劳动为例，应该是投入到生产过程中的、对产出量起作用的那部分劳动者。于是，在收集样本数据时，就应该收集生产性职工人数，而不能以全体职工人数作为样本数据，尽管全体职工人数在统计上是很准确的，但其中有相当一部分与生产过程无关，不是模型所需要的。可比性，也就是通常所说的数据口径问题，在计量经济学模型研究中可以说无处不在。而人们容易得到的经济统计数据，一般可比性较差，其原因在于统计范围口径的变化和价格口径的变化，必须进行处理后才能用于模型参数的估计。计量经济学方法，是从样本数据中寻找经济活动本身客观存在的规律性，如果数据是不可比的，得到的规律性就难以反映实际。不同的研究者研究同一个经济现象，采用同样的变量和数学形式，选择的样本点也相同，但可能得到相差甚远的模型参数估计结果。为什么？原因在于样本数据的可比性。例如，采用时间序列数据作为生产函数模型的样本数据，产出量用不变价格计算的总产值，在不同年份间是可比的；资本用当年价格计算的固定资产原值，在不同年份间是不可比的。对于统计资料中直接提供的这个用当年价格计算的固定资产原值，有人直接用于模型估计，有人进行处理后再用于模型的估计，结果当然不会相同。一致性，即母体与样本的一致性。上面在讨论用截面数据作为计量经济学模型的样本数据时已经作了介绍。违反一致性的情况经常会发生，例如，用企业的数据作为行业生产函数模型的样本数据，用人均收入与消费的数据作为总量消费函数模型的样本数据，用31个省份的数据作为全国总量模型的样本数据，等等。三、模型参数的估计模型参数的估计方法，是计量经济学的核心内容。在建立了理论模型并收集整理了符合模型要求的样本数据之后，就可以选择适当的方法估计模型，得到模型参数的估计量。模型参数的估计是一个纯技术的过程，包括对模型进行识别（对联立方程模型而言）、估计方法的选择、软件的应用等内容。在后面的章节中将用大量的篇幅讨论估计问题，在此不重复叙述。四、模型的检验在模型的参数估计量已经得到后，可以说一个计量经济学模型已经初步建立起来了。但是，它能否客观揭示所研究的经济现象中诸因素之间的关系，能否付诸应用，还要通过检验才能决定。一般讲，计量经济学模型必须通过四级检验，即经济意义检验、统计学检验、计量经济学检验和预测检验。1.经济意义检验经济意义检验主要检验模型参数估计量在经济意义上的合理性。主要方法是将模型参数的估计量与预先拟定的理论期望值进行比较，包括参数估计量的符号、大小、相互之间的关系，以判断其合理性。首先检验参数估计量的符号。例如，有下列煤炭行业生产模型：煤炭产量＝-108.5427＋0.00067×固定资产原值＋0.01527×职工人数-0.00681×电力消耗量＋0.00256×木材消耗量在该模型中，电力消耗量前的参数估计量为负，意味着电力消耗越多，煤炭产量越低，从经济行为上无法解释。模型不能通过检验，应该找出原因重新建立模型。不管其他方面的质量多么高，模型也是没有实际价值的。2.统计检验统计检验是由统计理论决定的，目的在于检验模型的统计学性质。通常最广泛应用的统计检验准则有拟合优度检验、变量和方程的显着性检验等。3.计量经济学检验计量经济学检验是由计量经济学理论决定的，目的在于检验模型的计量经济学性质。通常最主要的检验准则有随机误差项的序列相关检验和异方差性检验，解释变量的多重共线性检验等。4.模型预测检验预测检验主要检验模型参数估计量的稳定性以及相对样本容量变化时的灵敏度，确定所建立的模型是否可以用于样本观测值以外的范围，即模型的所谓超样本特性。具体检验方法为：（1）利用扩大了的样本重新估计模型参数，将新的估计值与原来的估计值进行比较，并检验二者之间差距的显着性；（2）将所建立的模型用于样本以外某一时期的实际预测，并将该预测值与实际观测值进行比较，并检验二者之间差距的显着性。经历并通过了上述步骤的检验后，可以说已经建立了所需要的计量经济学模型，可以将它应用于预定的目的。五、计量经济学模型成功三要素从上述建立计量经济学模型的步骤中，不难看出，任何一项计量经济学研究、任何一个计量经济学模型赖以成功的要素应该有三个：理论、方法和数据。理论，即经济理论，所研究的经济现象的行为理论，是计量经济学研究的基础。方法，主要包括模型方法和计算方法，是计量经济学研究的工具与手段，是计量经济学不同于其他经济学分支学科的主要特征。数据，反映研究对象的活动水平、相互间联系以及外部环境的数据，或更广义讲是信息，是计量经济学研究的原料。这三方面缺一不可。一般情况下，在计量经济学研究中，方法的研究是人们关注的重点，方法的水平往往成为衡量一项研究成果水平的主要依据。这是正常的。计量经济学理论方法的研究是计量经济学研究工作者义不容辞的义务。但是，不能因此而忽视对经济学理论的探讨，一个不懂得经济学理论、不了解经济行为的人，是无法从事计量经济学研究工作的，是不可能建立起一个哪怕是极其简单的计量经济学模型的。所以，计量经济学家首先应该是一个经济学家。相比之下，人们对数据，尤其是数据质量问题的重视更显不足，在申请一项研究项目或评审一项研究成果时，对数据的可得性、可用性、可靠性缺乏认真的推敲；在研究过程中出现问题时，较少从数据质量方面去找原因。而目前的实际情况是，数据已经成为制约计量经济学发展的重要问题。六、相关分析、回归分析和因果分析从上述建立计量经济学模型的步骤中进一步看出，经典计量经济学方法的核心是采用回归分析的方法揭示变量之间的因果关系。但是，变量之间具有相关性并不等于具有因果性。这是建立计量经济学模型中一个十分重要的概念，那么首先需要对相关关系与因果关系作一简要的说明。所谓相关关系，是指两个以上的变量的样本观测值序列之间表现出来的随机数学关系，用相关系数来衡量。如果两个变量样本观测值序列之间相关系数的绝对值为1，则二者之间具有完全相关性（完全正相关或完全负相关）；如果相关系数的绝对值比较大，或接近于1，则二者之间具有较强相关性；如果相关系数的绝对值为0，或接近于0，则二者之间不具有相关性。如果一个变量与其他两个或两个以上变量的线性组合之间具有相关性，那么它与每一个变量之间的相关系数称为偏相关系数。相关关系是变量之间所表现出来的一种纯数学关系，判断变量之间是否具有相关关系的依据只有数据。所谓因果关系，是指两个或两个以上变量在行为机制上的依赖性，作为结果的变量是由作为原因的变量所决定的，原因变量的变化引起结果变量的变化。因果关系有单向因果关系和互为因果关系之分。例如，劳动力与国内生产总值之间具有单向因果关系，在经济行为上是劳动力影响国内生产总值，而不是相反；但是，在国内生产总值与消费总额之间则存在经济行为上的互为因果关系，国内生产总值既决定消费总额，反过来又受消费的拉动。具有因果关系的变量之间一定具有数学上的相关关系。而具有相关关系的变量之间并不一定具有因果关系。例如中国的国内生产总值与印度的人口之间具有较强的相关性，因为二者都以较快的速度增长，但显然二者之间不具有因果关系。相关分析是判断变量之间是否具有相关关系的数学分析方法，通过计算变量之间的相关系数来实现。回归分析也是判断变量之间是否具有相关关系的一种数学分析方法，它着重判断一个随机变量与一个或几个可控变量之间是否具有相关关系。由于它的特定的功能，所以也被用来进行变量之间的因果分析。但是，仅仅依靠回归分析尚不能对变量之间的因果关系作出最后判断，必须与经济行为的定性分析相结合。这就是上面强调的建立计量经济学模型的三要素。

㈢ 什么是计量经济学计量经济学方法与

是不是大学经济学就一定比小学经济学高深呢？不一定，可能很难，但未必是对的。你所接触到最稳定的科学，是中学教科书，那些都是公认的基础。而越往上，越容易被推翻。

拖了这么久，因为这种文章人们是不愿意读的，对科学没有一点兴趣，所以我也懒得写。最近又有人搬出来了，那我来科普一下。

你可能听说过奥派鄙视计量经济学，但是没有任何人解释一下他所鄙视的是什么东西。

计量经济学算是比较难的课，分为上下两部分。第一部分很简单，初中毕业的人应该也能理解，学过方程就可以。

比如我们统计了全班上课的时间设定为a, 做作业的成绩为b，这学期的考试成绩估值为E。那我们把所有的数据汇总后解方程，总结成公式，得出的就是E= 10a+5b+u。10和5就是你解方程得出来的系数。

也就是当你上了1个小时课，作业成绩为10的时候，你的预期成绩就是60（a=1,b=10时，E=60+u）。当你上了10个小时课，没交过作业的时候，预期成绩是100（a=10,b=0时，E=100+u）

u是什么，是“不可观测量”。现实中总有一些东西是可能影响你成绩的，但是又无法察觉出来，比如你家距离学校的路程l。因为路程会耽误时间，导致你回家做功课的时间减少，或者消耗你更多的精力，让你提前疲惫。

如果我们确定l对成绩有相关性，比如每增加一公里最后让你的成绩减少0.5分。那我们的公式就变成了E=10a+5b-0.5l+u

还有，家庭情况，是否单亲，也会影响孩子的心情，进而影响成绩，有可能单亲的孩子更厌学。还有可能单亲的孩子见证了老妈的辛苦，从而更加的上进。通过统计数据后我们发现单亲家庭普遍比非单亲家庭的成绩低20分。那这个“是否单亲”，也要在公式中体现出来。当单亲时，我们的变量取值为1，非单亲时，这个变量取值为0,平时用m来代替，这个就叫做“虚拟变量”。公式为E=10a+5b-0.5l-20m+u

单亲时m=1，公式成为E=10a+5b-0.5l-20+u

这个公式也叫做模型，数学模型。你总听到“建模建模”，就是指得出一个这样one for all的公式。

你可能发现了个问题，就是这个公式可以无限延长。比如跟气候有没有关系，你说下雨天w多了就影响了上课时间，进而影响成绩，可以，去调天气数据。你又说谈恋爱o会影响成绩，可以，统计下有对象的和没对象的数据。

把这两个变量加进去得出的模型是：E=10a+5b-0.5l-20m-100w+5o+u

翻译过来是每多下一天雨，成绩就减少100分。看意思天气这个影响好大啊？

这违背我们的常识了，我们就要去检测上面这个模型。去测它的方差（R square）。

得出的结论是天气它不是一个有效的典型因素。这个公式里应该把天气因素剔除掉。怎么理解？当天气对成绩有影响时，他下一天雨会让成绩减少100分。但是，99%的情况下天气是对成绩没有影响的。

举个例子就是当天气下特大暴雨的时候，整个城市就水漫金山，直接瘫痪了，根本没法去考场，但是这种情况微乎其微，根本不值得加入进公式里。

这就是经典的统计参误。类似的还有很多种，比如人均gdp 1万美金，和你挣了1万美金，就差飞了。小编们无数次用数据来误导你，制造个大新闻。只要瞎J8分析就会得出不同的结论。

公式有一个缺陷，就是外部世界是在不断变化的，今天可以用的模型，到了明天再用可能就不准了。当我们考虑到了事物的动态变化，这就引出了计量经济学的第二部分：时间序列。

也就是说，公式是会随着时间的推进而实时变化。

这算是计量的一个革命，动态公式。时间(t)在变化，你的预测的模型和结果也在变化。

举例如果拿来预测股价，比如今年的时间我们视为t，去年是t-1，明年就是t+1。

当你写公式时，今年的股价是和去年的股价是有关的。我们要把去年的数据带进去。但是呢，去年的数据又是和前年的数据相关的，前年的数据又是和大前年的数据相关。

类似于俄罗斯套娃。非常复杂，但最后用数学公式，大数定理等等都消掉了，可以出一个简易的公式。

时间序列大概的原理就是这样，剩下的不讲了，跳过。大概就是这个样子：



就是这种数理概念，应用在计算经济上，就成为了计量经济学。平时的经济学是可以告诉你趋势的。比如增加最高工资会降低就业率，但是每增加1美金的最低工资会让就业率降低几个百分点呢？这个传统经济学就答不上来了。计量经济学家大喊一声，我知道！回答了老爷的问题，就受到了青睐。

比如预测明年的GDP，新增就业人口为p亿， 产值人均1万美金，去年的gdp是80亿美金，如果出现新冠疫情c则会减少20亿，统计后得出的公式为：E(gdp)= 80+0.0001p-20c+u

把现实公式化。有了公式，我们再查出几个变量，就可以推测出今年的gdp。

但是这个是非常粗糙的预测，即使你再加10个变量也不够，影响经济的因素实在是太多了，比如闹海啸了，闹旱灾了，中美断交了。世上有太多的黑天鹅，在不可观测量u里，却对经济影响巨大。可能中美断交这一件事的权重，就比你前面的所有变量加一块的影响都大，那你那公式还有什么意义？

“模型动态变化”是一个非常好的理念，但我觉得要来预测经济还是远远不够。黑天鹅太多的时期里，你或许更应该和新闻，消息相关。

比如说这一秒你的模型是今年GDP= 106%*去年的GPD。

下一秒电视下面突然弹出了个Breaking News，特大新闻：川普已当选总统，会发生贸易战，那动态公式也应该改成GDP=105%*去年的GDP。

或者新闻弹出来的是川普被抗议者给击毙了，爆发内战，US解体，美金作废，帼成为世界老大，1RMB换7美金，一带十路，万国来朝。那公式瞬间就该变成GDP=去年GDP乘5。

没有这种能力，计量对一个这么大的社会的预测，还是太嫩了。

公式化看着给人一种很科学的印象，以至于券商们可以出个人工智能大数据预测股价涨跌的IP来忽悠股民入市：亲，我公司有“量化交易”，根据数据起伏自动交易，保你稳赚不赔，充钱试试吧？

但很多事是无法量化的，我认为GDP的预测都不可靠，对GDP的预测完全是错的，就不该预测。

这种数理预测适用于在工业革命以前，工业革命之前你问一个农民，明天你做什么，他会说跟今天做的一样。我告诉你前十年每年的gdp增幅是6%，那我让你预测下明年的涨幅，你会蒙哪个数？还是6对吧。所以在这种情况下，历年gdp连起来是可以接近直线的。



顺着图片的曲线，可以描出19年，20年，2021年点在哪里，做出预测。但科技爆发之后，可能明年的GDP就一飞冲天了，或者来了地震疫情，gdp又突然跌入谷底了。

你前年的gdp是90亿，去年的GDP是95亿，今年的GDP是100亿，明年的gdp是多少？完全可能是130亿。因为今年路通了。要想富，先修路。

同理，在微信产生之前，运营商们每年收着几百亿的短信费。有了微信后就几乎清零了，可能当年的GDP就减少了。

㈣ 建立经典单方程计量经济学模型的步骤和要点有哪些

建立经典单方程计量经济学模型的步骤和要点

1、所研究的经济现象的行为理论，是计量经济学研究的基础。方法，主要包括模型方法和计算方法，是计量经济学研究的工具与手段，是计量经济学不同于其他经济学分支学科的主要特征。

2、数据反映研究对象的活动水平、相互间联系以及外部环境的数据，或更广义讲是信息，是计量经济学研究的原料。这三方面缺一不可。

3、在计量经济学研究中，方法的研究是人们关注的重点，方法的水平往往成为衡量一项研究成果水平的主要依据。这是正常的。计量经济学理论方法的研究是计量经济学研究工作者义不容辞的义务。

数据分析

数据质量问题的重视更显不足，在申请一项研究项目或评审一项研究成果时，对数据的可得性、可用性、可靠性缺乏认真的推敲。

一般在研究过程中出现问题时，较少从数据质量方面去找原因。而实际情况是，数据已经成为制约计量经济学发展的重要问题。