本書除了包括經典計量經濟學內容 (如, 單方程回歸模型, 聯立方程模型, 時間序列模型) 外, 還包括近年來比較新的計量經濟學研究成果、如單位根檢驗、單方程誤差修正模型、向量自回歸模型和面板數據模型等內容。本書除了介紹計量經濟學的知識點, 還給出很多實用中國案例, 并配有軟件EViews和STATA的相應操作步驟, 方便讀者運算。
本書除了包括經典計量經濟學內容，還包括近年來比較新的計量經濟學研究成果；除了介紹計量經濟學的知識點，還給出很多實用中國案例，并配有軟件EViews和STATA的相應操作步驟。
本書主要由回歸模型、時間序列ARIMA模型、單位根檢驗和誤差修正模型、面板數據模型等內容組成。讀者對象是大專院校的本科生、碩士研究生以及從事經濟、管理等領域研究的學者、工作者和教師。若講授完本書全部內容再加上安排上機時間，大約需要100學時。
本書共分14章。其中第1~9章基本上屬于經典計量經濟學的內容。第10章介紹時間序列ARIMA模型，第11章和第12章介紹非平穩時間序列以及單位根檢驗。第13章介紹單方程誤差修正模型。第14章介紹面板數據模型。第11~14章屬于計量經濟學中比較新的內容，系統介紹第11~14章內容的本科生教材以往并不多見。
本書具有如下一些特點。
用現代手段和視角分析經典計量經濟學知識和非平穩相關統計量的分布特征。例如，對OLS回歸估計量、異方差、自相關、多重共線性、動態模型回歸系數估計量分布的討論，既給出理論推導，又給出蒙特卡洛模擬結果，將會使讀者更容易理解所學習的內容。蒙特卡洛模擬方法是分析統計量分布特征的重要方法，但是對于十多年前的國內來說，是不可能做到的事情，主要是受計算機運算速度的影響。現在，計算機運算速度早已今非昔比，所以是用蒙特卡洛模擬方法研究、講授統計量分布特征的時候了。本書還給出了非平穩時間序列建模，虛假回歸，虛假相關，單整、協整相關統計量分布特征的蒙特卡洛模擬結果。蒙特卡洛模擬方法有助于讀者對統計量分布特征的理解。
把時間序列ARIMA模型引入計量經濟學教材。從當前看，ARIMA模型是計量經濟學理論的重要組成部分。而20世紀的計量經濟學教材則主要以介紹回歸模型為主，很少或根本不涉及ARIMA模型部分。計量經濟學理論發展到今天，如果不學習ARIMA模型，則單位根檢驗，單整、協整理論，組合（regARIMA）模型，誤差修正模型等知識根本無法掌握。
在介紹計量經濟模型的方式上堅持3個環節并舉： 介紹計量經濟模型的理論知識，介紹與其相聯系的典型案例分析，介紹與案例分析相對應的計量經濟建模的EViews 9操作。如果讀者自己再運用專用軟件EViews和STATA進行練習，則一定會完美掌握本書所提供的計量經濟學知識。
凡是樣本容量不大的數據在書中相應例子和案例的位置都已經給出，而書中全部例子和案例的樣本數據則以EViews和STATA數據文件的形式在清華大學出版社官方網站（http://www.tup.com.cn）和書中的二維碼上給出。讀者可免費下載，也可以直接向作者索取。所有數據文件的編號都與書中例子和案例的編號相對應。用li表示例子的編號，case表示案例的編號。比如，li 133表示第13章第3個例子； case 151表示第15章第1個案例。STATA文件名與EViews數據文件的命名方法相同。
EViews數據文件
STATA數據文件
書中所提供的案例基本上都是中國建模案例。因為讀者對中國的國情最為熟悉，用中國案例分析建模過程和估計結果，讀者最容易理解，同時也為計量經濟學理論與分析中國經濟實際相結合提供切實的范例。
書中在表達模型時，所有的變量都用英文字母，所有模型的參數都用希臘字母表示。
書的最后提供三個附錄。附錄A給出推斷統計學與矩陣知識的簡要介紹，供讀者查閱。附錄B給出15個假設檢驗用表。附錄C給出EViews 9 使用簡介，有助于讀者對計量經濟學軟件EViews 9的運用與掌握。書中每一個知識點都給出EViews 9操作的簡要說明。
非平穩序列相關統計量極限分布的推導過程本書未給出，作者認為已超出了本科生和碩士研究生的知識范圍，如果讀者感興趣，可以參考更高層次的計量經濟學著作。
本書第4章和第5章初稿由趙娜博士撰寫，其余部分則均由張曉峒撰寫。張曉峒為全書最終定稿。
本書是作者在多年教學講稿基礎之上撰寫而成的。徐鵬博士、何永濤博士、郭小稚博士、涂曉楓博士生、劉笑時博士生等參與了本書的案例數據收集工作，以及計算機操作方法的整理等大量工作，博士生梁方參與了第11章編程工作，在此表示感謝。
本書在撰寫過程中得到清華大學出版社的支持，在此向清華大學出版社表示感謝。本書在出版過程中策劃編輯張偉付出很多，在此一并表示感謝。
書中難免存在不足和錯誤，還請讀者不吝賜教、指正。
張曉峒
zhangnk710@126.com
2017年1月10日
張曉峒，南開大學數量經濟研究所所長，南開大學經濟學院教授，數量經濟學專業博士生導師。日本大阪市立大學經濟學博士。
第1章 一元線性回歸模型
1．1 計量經濟學簡介與建模步驟
1．2 模型的建立及其假定條件
1．2．1 建立模型的意義
1．2．2 一元線性回歸模型的定義
1．2．3 一元線性回歸模型的經濟含義與特征
1．2．4 模型的假定條件
1．3 一元線性回歸模型的參數估計
1．3．1 估計方法初探
1．3．2 最小二乘估計法原理
1．3．3 最小二乘估計的計算
1．4 yt，鈄1和鈄0的分布
1．4．1 yt的分布
1．4．2 鈄1的分布
1．4．3 鈄0的分布
1．5 ？2的估計
1．6 最小二乘估計量的統計性質
1．6．1 線性特性
1．6．2 無偏性
1．6．3 最小方差性
1．6．4 漸近無偏性
1．6．5 一致性
1．7 最小二乘回歸函數的性質
1．8 擬合優度的測量
1．9 回歸系數的顯著性檢驗
1．10 回歸系數的置信區間
1．11 單方程回歸模型的預測
1．11．1 單個yT+1的點預測
1．11．2 單個yT+1的區間預測
1．11．3 E（yT+1）的區間預測
1．12 相關分析
1．12．1 相關的定義與分類
1．12．2 相關系數
1．12．3 線性相關系數的局限性
1．12．4 簡單相關系數的檢驗
1．13 回歸系數鈄1與相關系數r的關系
1．14 案例分析
第2章 多元線性回歸模型
2．1 多元線性回歸模型及其假定條件
2．1．1 模型的建立
2．1．2 模型的假定條件
2．2 最小二乘法
2．3 最小二乘估計量的特性
2．3．1 線性特性
2．3．2 無偏特性
2．3．3 最小方差性
2．3．4 漸近無偏性
2．3．5 一致性
2．4 殘差的方差
2．5 Y與最小二乘估計量 鈄的分布
2．6 多重可決系數（多重確定系數）
2．6．1 總平方和、回歸平方和與殘差平方和
2．6．2 多重確定系數R2
2．6．3 調整的多重確定系數2
2．7 F檢驗
2．8 t檢驗和回歸系數的置信區間
2．9 預測
2．9．1 yT+1的點預測
2．9．2 單個yT+1的置信區間預測
2．9．3 E（yT+1）的置信區間預測
2．9．4 預測的評價指標
2．10 多元線性回歸計算舉例
2．11 偏相關與復相關
2．11．1 偏相關
2．11．2 復相關
2．12 案例分析
2．13 實際建模過程中應該注意的若干問題
第3章 可線性化的非線性回歸模型
3．1 可線性化的7種非線性函數
3．1．1 冪函數模型
3．1．2 指數函數模型
3．1．3 對數函數模型
3．1．4 雙曲線函數模型
3．1．5 多項式函數模型
3．1．6 生長曲線函數模型
3．1．7 龔伯斯曲線函數模型
3．2 可線性化的非線性模型綜合案例
3．3 可線性化的非線性模型一覽表
第4章 特殊解釋變量
4．1 虛擬變量
4．1．1 測量截距移動
4．1．2 測量斜率變化
4．2 工具變量
4．2．1 工具變量在一元線性回歸模型中的應用
4．2．2 工具變量在多元線性回歸模型中的應用
4．3 滯后變量
4．3．1 分布滯后模型
4．3．2 自回歸模型
4．4 隨機解釋變量
第5章 異方差
5．1 同方差假定
5．2 異方差的表現與來源
5．3 模型存在異方差的后果
5．4 異方差檢驗
5．4．1 定性分析異方差
5．4．2 戈德菲爾德-匡特檢驗
5．4．3 懷特檢驗
5．4．4 戈列瑟檢驗
5．4．5 ARCH（自回歸條件異方差）檢驗
5．5 克服異方差的方法
5．5．1 用解釋變量或解釋變量的算術根除原回歸式克服異方差
5．5．2 用戈列瑟檢驗式克服異方差
5．5．3 通過對數據取自然對數消除異方差
5．5．4 克服異方差的矩陣描述
5．6 案例分析
第6章 自相關
6．1 非自相關假定
6．2 自相關的來源與后果
6．3 自相關檢驗
6．3．1 圖示法
6．3．2 DW檢驗法
6．3．3 LM檢驗（亦稱BG檢驗）法
6．3．4 回歸檢驗法
6．4 自相關的解決方法
6．5 克服自相關的矩陣描述
6．6 自相關系數的估計
6．7 案例分析
第7章 多重共線性
7．1 非多重共線性假定
7．2 多重共線性的來源
7．3 多重共線性的后果
7．3．1 完全多重共線性對參數估計的影響
7．3．2 近似共線性對參數估計的影響
7．3．3 多重共線性后果的矩陣描述與蒙特卡洛模擬
7．4 多重共線性的檢測
7．5 多重共線性的解決方法
7．5．1 直接合并解釋變量
7．5．2 利用已知信息合并解釋變量
7．5．3 增加樣本容量或重新抽取樣本
7．5．4 合并截面數據與時間序列數據
7．5．5 剔除引起多重共線性的變量
7．6 案例分析
7．7 多重共線性與解釋變量的不正確剔除
7．8 違反模型假定條件的其他幾種情形
7．8．1 被解釋變量存在測量誤差
7．8．2 被解釋變量、解釋變量同時存在測量誤差
7．8．3 隨機解釋變量
7．8．4 模型的設定誤差
第8章 聯立方程模型
8．1 聯立方程模型的概念
8．2 聯立方程模型的分類
8．2．1 結構模型
8．2．2 簡化型模型
8．2．3 遞歸模型
8．3 聯立方程模型的識別
8．3．1 識別概念
8．3．2 結構模型的識別方法
8．4 聯立方程模型的估計方法
8．4．1 遞歸模型的估計方法
8．4．2 簡化型模型的估計方法
8．4．3 結構模型的估計方法
8．5 聯立方程模型舉例
第9章 模型診斷常用統計量與檢驗
9．1 檢驗模型中全部解釋變量都無解釋作用的F統計量
9．2 檢驗單個回歸系數顯著性的t統計量
9．3 檢驗回歸系數線性約束條件是否成立的F統計量
9．4 似然比統計量
9．5 沃爾德（Wald）統計量
9．6 拉格朗日乘子統計量
9．7 赤池、施瓦茨和漢南奎因統計量
9．8 檢驗正態分布性的JB統計量
9．9 格蘭杰因果性檢驗
9．10 鄒突變點檢驗
9．11 回歸系數穩定性的鄒檢驗
9．12 遞歸分析
第10章 時間序列ARIMA模型
10．1 隨機過程與時間序列定義
10．2 ARIMA模型的分類
10．2．1 自回歸模型
10．2．2 移動平均模型
10．2．3 自回歸移動平均模型
10．2．4 單整自回歸移動平均模型
10．3 伍爾德（Wold）分解定理
10．3．1 伍爾德分解定理
10．3．2 隨機過程期望與漂移項的關系
10．4 自相關函數及其估計
10．4．1 自相關函數
10．4．2 自回歸過程的自相關函數
10．4．3 移動平均過程的自相關函數
10．4．4 ARMA過程的自相關函數
10．4．5 自相關函數的估計（相關圖）
10．5 偏自相關函數及其估計
10．5．1 偏自相關函數定義
10．5．2 偏自相關函數的計算
10．5．3 AR、MA、ARMA過程偏自相關函數特征
10．5．4 偏自相關函數的估計
10．5．5 ARIMA過程自相關函數和偏自相關函數特征總結
10．6 ARIMA模型的建立、估計過程與預測
10．6．1 模型的識別
10．6．2 模型參數的估計
10．6．3 模型的診斷與檢驗
10．6．4 ARIMA模型預測
10．7 ARIMA模型建模案例
10．8 季節時間序列ARIMA模型
10．8．1 季節時間序列模型定義
10．8．2 季節隨機過程的自相關函數和偏自相關函數
10．8．3 季節ARIMA模型的識別、擬合、檢驗與預測
10．8．4 季節ARIMA模型建模案例
10．9 回歸與ARMA組合模型（regARIMA模型）
10．9．1 回歸與ARMA組合模型定義
10．9．2 回歸與ARMA組合模型案例分析
第11章 虛假回歸
11．1 問題的提出
11．2 單整性定義
11．3 單整序列的統計特征
11．4 虛假回歸
第12章 單位根檢驗
12．1 4種典型的非平穩過程
12．1．1 隨機游走過程
12．1．2 隨機趨勢過程
12．1．3 趨勢平穩過程
12．1．4 趨勢非平穩過程
12．2 DF，T（鈄-1）統計量的分布特征
12．2．1 DF統計量的分布特征
12．2．2 AR（p）含單位根過程的DF統計量分布特征
12．2．3 誤差項為ARMA形式的I（1）過程DF分布特征
12．2．4 DF檢驗式中t（醊），t（鉤）和F統計量的分布特征
12．2．5 T（鈄-1）統計量的分布特征
12．2．6 趨勢過程中t統計量的分布特征
12．3 單位根檢驗
12．3．1 單位根檢驗原理
12．3．2 單位根檢驗步驟
12．4 單位根檢驗的EViews 9操作
12．5 單位根檢驗案例分析
12．6 結構突變序列的單位根檢驗
第13章 單方程誤差修正模型
13．1 均衡概念
13．2 誤差修正模型
13．2．1 自回歸分布滯后模型
13．2．2 誤差修正模型定義
13．3 協整定義
13．4 協整檢驗
13．4．1 以殘差為基礎的協整檢驗法
13．4．2 協整系數的分布滯后模型估計法
13．5 格蘭杰定理
13．5．1 多項式矩陣
13．5．2 格蘭杰（Granger）定理
13．5．3 舉例驗證格蘭杰定理
13．6 建立單方程誤差修正模型的EG兩步法
13．6．1 EG兩步法
13．6．2 單方程誤差修正模型案例分析
第14章 面板數據模型
14．1 面板數據的定義
14．2 面板數據模型分類
14．2．1 混合模型
14．2．2 固定效應模型
14．2．3 隨機效應模型
14．3 面板數據模型估計方法
14．3．1 混合最小二乘估計
14．3．2 組內估計
14．3．3 最小二乘虛擬變量估計法
14．3．4 一階差分估計
14．3．5 可行GLS估計法（隨機效應估計法）
14．3．6 面板數據模型擬合優度的測量
14．4 面板數據模型的設定與檢驗
14．4．1 F檢驗
14．4．2 H檢驗
14．4．3 Wald檢驗
14．4．4 F檢驗和LR檢驗
14．5 面板數據建模案例分析
14．6 面板數據建模的EViews 9操作
14．6．1 Pool（混合）數據工作文件的建立，模型的估計、檢驗與預測
14．6．2 面板數據panel型工作文件的建立，模型估計與檢驗
附錄A 隨機變量、概率極限、矩陣代數知識簡介
附錄B 統計分布表
附表1 相關系數臨界值表
附表2 標準正態分布函數表
附表3 t分布百分位數表
附表4 ？2分布百分位數表
附表5 F分布百分位數表
附表6 DW檢驗臨界值表（?=0．05）
附表7 DF分布百分位數表
附表8 t（醊）檢驗臨界值表（膟t=?+駓t-1+ut中檢驗?=0）
附表9 F檢驗臨界值表（膟t=?+駓t-1+ut中檢驗?=?=0）
附表10 t（醊）檢驗臨界值表（膟t=?+鉻+駓t-1+ut中檢驗?=0）
附表11 t（鉤）檢驗臨界值表（膟t=?+鉻+駓t-1+ut中檢驗?=0）
附表12 F檢驗臨界值表（膟t=?+鉻+駓t-1+ut中檢驗?=?=0）
附表13 T（鈄-1）分布百分位數表
附表14 EG和AEG協整檢驗臨界值表
附表15 協整檢驗臨界值表
附錄C EViews 9使用簡介
參考文獻
新書資訊