时间序列计量经济学模型概述

3.3时间序列分析3.3.1时间序列概述1.基本概念(1)一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。

它是系统中某一变量受其它各种因素影响的总结果。

(2)研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。

它不研究事物之间相互依存的因果关系。

(3)假设基础：惯性原则。

即在一定条件下，被预测事物的过去变化趋势会延续到未来。

暗示着历史数据存在着某些信息，利用它们可以解释与预测时间序列的现在和未来。

近大远小原理（时间越近的数据影响力越大）和无季节性、无趋势性、线性、常数方差等。

(4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。

时间序列的预测和评估技术相对完善，其预测情景相对明确。

尤其关注预测目标可用数据的数量和质量，即时间序列的长度和预测的频率。

2.变动特点(1)趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。

(2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。

(3)随机性：个别为随机变动，整体呈统计规律。

(4)综合性：实际变化情况一般是几种变动的叠加或组合。

预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。

3.特征识别认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。

(1)随机性：均匀分布、无规则分布，可能符合某统计分布。

(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。

)(2)平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。

样本序列的自相关函数只是时间间隔的函数，与时间起点无关。

其具有对称性，能反映平稳序列的周期性变化。

特征识别利用自相关函数ACF：ρk =γk/γ其中γk是y t的k阶自协方差，且ρ0=1、-1<ρk<1。

时间序列计量经济模型时间序列计量经济模型是经济学中常用的一种统计方法，它通过对时间序列数据进行建模和分析，帮助经济学家研究经济现象并做出预测。

本文将对时间序列计量经济模型进行详细介绍，包括模型的基本概念、建模方法和应用领域等。

时间序列计量经济模型的基本概念是指对于一组按时间顺序排列的经济数据，通过建立数学模型来描述变量之间的关系和变化趋势。

时间序列数据是对同一经济变量在不同时间点上的观察结果，通常用于反映经济变量的长期走势和季节性变化等特征。

时间序列计量经济模型的建模方法主要有两种，即参数估计法和非参数估计法。

参数估计法通过估计模型中的参数，来确定变量之间的关系和影响程度。

常见的参数估计方法包括最小二乘法、极大似然法和广义矩估计法等。

非参数估计法则不对模型中的参数进行具体估计，而是通过对数据进行平滑处理和插值操作来求解模型。

常用的非参数估计方法有核密度估计法、局部加权回归法和样条插值法等。

时间序列计量经济模型的应用领域非常广泛，包括经济增长分析、商业周期研究、金融市场预测等。

在经济增长分析中，可以利用时间序列计量经济模型来研究经济发展的长期趋势和周期性波动。

在商业周期研究中，可以利用时间序列计量经济模型来识别和预测经济的周期性波动，以便制定相应的经济政策。

在金融市场预测中，可以利用时间序列计量经济模型来分析和预测金融市场的走势，以便投资者做出合理的投资决策。

总结起来，时间序列计量经济模型是经济学中重要的统计方法，它能够帮助经济学家研究经济现象并做出预测。

通过对时间序列数据进行建模和分析，时间序列计量经济模型可以揭示经济变量之间的关系和变化趋势，为经济政策制定和投资决策提供参考依据。

同时，时间序列计量经济模型也有一定的局限性，例如无法考虑实际经济环境中的各种不确定因素。

因此，在实际应用中需综合考虑不同的经济模型和方法，以获得更准确和可靠的分析结果。

继续写：时间序列计量经济模型是经济学中非常有用的工具，可以帮助我们理解和解释经济现象，并做出相应的预测。

计量经济学中的时间序列分析时间序列分析是计量经济学中的重要内容之一，它主要研究特定变量随时间变化的规律性和趋势。

通过时间序列分析，我们可以更好地理解经济现象，预测未来变化趋势，制定合适的政策和策略。

本文将从时间序列的概念入手，介绍时间序列分析的基本原理、方法和应用。

一、时间序列的概念时间序列是按照时间顺序排列的一系列数据观测值的集合。

在计量经济学中，时间序列通常用来观察和研究某一经济变量在不同时间点上的变化情况。

时间序列数据可以是连续的，也可以是间断的，常见的时间单位包括年、季、月、周等。

通过对时间序列数据的分析，我们可以揭示出其中的规律性和特征。

二、时间序列分析的基本原理时间序列分析的基本原理是利用过去的数据来预测未来的发展趋势。

在时间序列分析中，常用的方法包括趋势分析、周期性分析、季节性分析和不规则波动分析。

趋势分析主要用来观察时间序列数据的长期变化趋势，周期性分析则是研究数据是否存在固定长度的周期性波动，季节性分析则是研究数据是否呈现出固定的季节性变化规律，而不规则波动分析则是研究一些随机因素对数据的影响。

三、时间序列分析的方法时间序列分析的方法有很多种，其中常用的包括移动平均法、指数平滑法、回归分析法、ARIMA模型等。

移动平均法通过计算连续几个期间的平均值来平滑数据，达到去除数据波动的目的；指数平滑法则是通过计算加权平均来对数据进行平滑处理，使得预测值更加准确；回归分析法则是通过建立经济模型来研究时间序列数据之间的关系，进行预测和分析；ARIMA模型则是一种时间序列的自回归与移动平均模型，可以对时间序列数据进行拟合和预测。

四、时间序列分析的应用时间序列分析在经济学、金融学、管理学等领域有着广泛的应用。

在经济学中，时间序列分析可以用来研究经济增长、通货膨胀、失业等经济现象的发展趋势；在金融学中，时间序列分析可以用来预测股票价格、汇率、利率等金融变量的变化情况；在管理学中，时间序列分析可以用来制定企业的生产计划和销售策略，提高企业的运营效率。

时间序列计量经济学模型概述时间序列计量经济学模型是在经济学研究中广泛使用的一种方法，用于分析经济变量随时间的变化。

该模型基于时间序列数据，即经济变量在一段时间内的观测值。

时间序列计量经济学模型的核心是建立经济变量之间的关系，以解释和预测经济现象的变化。

其中最常用的模型是自回归移动平均模型（ARMA）、自回归条件异方差模型（ARCH）和季节性时间序列模型。

自回归移动平均模型（ARMA）是一个包含自回归项和移动平均项的线性模型。

该模型以过去的观测值和随机项为输入，预测当前观测值。

ARMA模型基于假设，即经济变量的行为受到历史观测值的影响。

自回归条件异方差模型（ARCH）是一种考虑了随时间变化方差的模型。

该模型通过引入一个条件异方差项，模拟经济变量中的波动性。

ARCH模型的应用范围广泛，特别是在金融市场波动性分析中。

季节性时间序列模型用于分析具有明显季节性特征的经济变量，如销售额、就业人数等。

这些模型通常基于季节、趋势和随机成分的组合，以预测未来观测值。

在建立时间序列计量经济学模型时，常常需要进行模型识别、参数估计和模型诊断等步骤。

识别模型的目标是确定适当的模型结构，参数估计则是利用历史数据估计模型的参数值。

模型诊断用于检验模型的拟合程度和误差分布是否符合模型假设。

时间序列计量经济学模型在经济研究中有广泛的应用，例如预测未来经济指标、分析经济周期和波动性、评估政策效果等。

它提供了一种量化的方法，使经济学家可以更好地理解和解释经济变量的演变。

时间序列计量经济学模型是经济学研究中一种重要的统计工具，广泛应用于宏观经济、金融市场和企业经营等领域。

它可以帮助我们理解和解释经济变量随时间的变化规律，进行预测和政策分析。

本文将进一步探讨时间序列计量经济学模型的相关概念和应用。

在构建时间序列计量经济学模型之前，首先需要了解时间序列数据的特点。

时间序列数据是按照时间顺序排列的一系列观测值，通常具有趋势性、季节性、周期性和随机性等特征。

计量经济学中的时间序列是指按照时间顺序排列的一系列数据，这些数据可以是同一指标在不同时间点的观测值，也可以是多个指标在不同时间点的观测值组合。

时间序列数据的分析主要涉及两个方面：一是数据平稳性检验，二是数据建模与分析。

数据平稳性检验是时间序列分析中非常重要的一个步骤。

平稳性是指时间序列数据的统计特性不随时间推移而发生变化。

如果数据不满足平稳性条件，那么传统的回归分析方法可能会出现问题。

因此，在利用回归分析方法讨论经济变量有意义的经济关系之前，必须对经济变量时间序列的平稳性与非平稳性进行判断。

如果数据是非平稳的，可能需要采用适当的处理方法，如差分、对数转换等，使其满足平稳性条件。

在数据平稳性检验通过后，接下来需要进行数据建模与分析。

在计量经济学中，自回归模型（AR模型）是一种常用的时间序列模型。

自回归模型是统计上一种处理时间序列的方法，它用同一变数例如x 的之前各期，亦即x 1至x t-1来预测本期x t的表现，并假设它们为一线性关系。

除了自回归模型外，还有其他的模型可用于时间序列分析，如移动平均模型（MA模型）、自回归移动平均模型（ARMA模型）等。

这些模型的参数估计与假设检验方法也是计量经济学中研究的重点内容之一。

总之，计量经济学中的时间序列分析是一个相对独立且完整的领域，它为经济学、金融学等领域的研究提供了重要的方法论支持和实践指导。

时间序列计量经济学模型经济分析中所用到的三大类重要数据中，时间序列数据是其中最常见，也是最重要的一类数据。

迄今为止，对时间序列的分析是通过建立因果关系为基础的结构模型。

时间序列模型反映动态特征，通常是运用时间序列的过去值、当期值及滞后扰动项的加权和建立模型来“解释”时间序列的变化规律。

时间序列资料具有相关性，大部分资料具有非平稳性，而无论是单方程计量经济学模型还是联立方程计量经济学模型，这种分析背后有一个隐含的假设，即这些数据是平稳的（stationary）。

------目录-------一．简介1.时间序列数据处理二．时间序列的平稳性及其检验1．非平稳时间序列简介2．单位根检验3．非平稳时间序列的平稳化三．平稳时间序列模型1．AR(P)过程2．MA(q)过程3．ARIMA模型四．协整与误差修正模型五．条件异方差六．向量自回归模型（VAR）一、简介1时间序列数据的处理1.1cd C:\stata10\Net_course\ B6_TimeS1)声明时间序列：tsset 命令use gnp96.dta, clearlist in 1/20gen Lgnp = L.gnptsset datelist in 1/20gen Lgnp = L.gnp2)检查是否有断点：tsreport, reportuse gnp96.dta, cleartsset datetsreport, reportdrop in 10/10list in 1/12tsreport, reporttsreport, report list /*列出存在断点的样本信息*/3)填充缺漏值：tsfilltsfilltsreport, report listlist in 1/124)追加样本：tsappenduse gnp96.dta, cleartsset datelist in -10/-1sumtsappend , add(5) /*追加5个观察值*/list in -10/-1sum5)应用：样本外预测: predictreg gnp96 L.gnp96predict gnp_hatlist in -10/-16)清除时间标识: tsset, cleartsset, clear1.2变量的生成与处理1)滞后项、超前项和差分项 help tsvarlistuse gnp96.dta, cleartsset dategen Lgnp = L.gnp96 /*一阶滞后*/gen L2gnp = L2.gnp96gen Fgnp = F.gnp96 /*一阶超前*/gen F2gnp = F2.gnp96gen Dgnp = D.gnp96 /*一阶差分*/gen D2gnp = D2.gnp96list in 1/10list in -10/-12)产生增长率变量: 对数差分gen lngnp = ln(gnp96)gen growth = D.lngnpgen growth2 = (gnp96-L.gnp96)/L.gnp96gen diff = growth - growth2 /*表明对数差分和变量的增长率差别很小*/ list date gnp96 lngnp growth* diff in 1/101.3日期的处理日期的格式 help tsfmt基本时点：整数数值，如 -3, -2, -1, 0, 1, 2, 3 .... 1960年1月1日，取值为 0；显示格式：1）使用 tsset 命令指定显示格式use B6_tsset.dta, cleartsset t, dailylistuse B6_tsset.dta, cleartsset t, weeklylist2)指定起始时点cap drop monthgenerate month = m(1990-1) + _n - 1format month %tmlist t month in 1/20cap drop yeargen year = y(1952) + _n - 1format year %tylist t year in 1/203）自己设定不同的显示格式日期的显示格式 %d (%td) 定义如下：%[-][t]d<描述特定的显示格式>具体项目释义：“<描述特定的显示格式>”中可包含如下字母或字符c y m l nd j h q w _ . , : - / ' !cC Y M L ND J W定义如下：c and C 世纪值(个位数不附加/附加0)y and Y 不含世纪值的年份(个位数不附加/附加0)m 三个英文字母的月份简写(第一个字母大写)M 英文字母拼写的月份(第一个字母大写)n and N 数字月份(个位数不附加/附加0)d and D 一个月中的第几日(个位数不附加/附加0)j and J 一年中的第几日(个位数不附加/附加0)h 一年中的第几半年 (1 or 2)q 一年中的第几季度 (1, 2, 3, or 4)w and W 一年中的第几周(个位数不附加/附加0)_ display a blank (空格). display a period(句号), display a comma(逗号): display a colon(冒号)- display a dash (短线)/ display a slash(斜线)' display a close single quote(右引号)!c display character c (code !! to display an exclamation point)样式1：Format Sample date in format-----------------------------------%td 07jul1948%tdM_d,_CY July 7, 1948%tdY/M/D 48/07/11%tdM-D-CY 07-11-1948%tqCY.q 1999.2%tqCY:q 1992:2%twCY,_w 2010, 48-----------------------------------样式2：Format Sample date in format----------------------------------%d 11jul1948%dDlCY 11jul1948%dDlY 11jul48%dM_d,_CY July 11, 1948%dd_M_CY 11 July 1948%dN/D/Y 07/11/48%dD/N/Y 11/07/48%dY/N/D 48/07/11%dN-D-CY 07-11-1948----------------------------------clearset obs 100gen t = _n + d(13feb1978)list t in 1/5format t %dCY-N-D /*1978-02-14*/list t in 1/5format t %dcy_n_d /*1978 2 14*/list t in 1/5use B6_tsset, clearlisttsset t, format(%twCY-m)list4）一个实例：生成连续的时间变量use e1920.dta, clearlist year month in 1/30sort year monthgen time = _ntsset timelist year month time in 1/30generate newmonth = m(1920-1) + time - 1 tsset newmonth, monthlylist year month time newmonth in 1/301.4图解时间序列1）例1：clearset seed 13579113sim_arma ar2, ar(0.7 0.2) nobs(200)sim_arma ma2, ma(0.7 0.2)tsset _ttsline ar2 ma2* 亦可采用 twoway line 命令绘制，但较为繁琐twoway line ar2 ma2 _t2）例2：增加文字标注sysuse tsline2, cleartsset daytsline calories, ttick(28nov2002 25dec2002, tpos(in)) ///ttext(3470 28nov2002 "thanks" ///3470 25dec2002 "x-mas", orient(vert))3）例3：增加两条纵向的标示线sysuse tsline2, cleartsset daytsline calories, tline(28nov2002 25dec2002)* 或采用 twoway line 命令local d1 = d(28nov2002)local d2 = d(25dec2002)line calories day, xline(`d1' `d2')4）例4：改变标签tsline calories, tlabel(, format(%tdmd)) ttitle("Date (2002)")tsline calories, tlabel(, format(%td))二、时间序列的平稳性及其检验时间序列分析中首先遇到的问题是关于时间序列数据的平稳性问题，假定某个时间序列是由某一个随机过程（stochastic process）生成的，即假定时间序列{X＿t}(t=1,2,3…)的每一个数值都是从一个概率分布中随机得到，如果X＿T满足下列条件：（1）均值E(X＿t)=μ，与时间t无关的常数；（2）方差Var(X＿t)=б^2,与时间t无关；（3）协方差Cov（X＿t X＿t+k）只与时期间隔k有关,与时间t无关的常数。

第八章 时间序列计量经济学建模简介第一节 时间序列计量经济学模型的基本概念 一、时间序列计量经济学的发展趋势1、上个世纪70年代中期世界复杂的经济格局对计量经济学方法的挑战。

计量经济学模型的主要应用之一就是经济预测，而且早年计量经济学就是通过利用模型的短期预测发展起来的。

在上个世纪50——60年代西方国家经济预测中不乏成功的实例。

但是，进入20世纪70年代以后，人们对计量经济学模型提出了质疑，表现在1973年和1979年，各种计量经济学模型都无法预测到“石油危机”对经济会造成什么影响（尽管当时能够对石油危机提出预报）。

2、传统计量经济学方法存在的主要问题。

传统计量经济学模型是以模拟历史、从已经发生的经济活动中找出变化规律的主要技术手段。

而对于非稳定发展的经济过程和缺乏规范行为理论的经济活动，传统计量经济学模型就显得无能为力。

同时，现实经济活动愈来愈复杂多变，对于社会经济的发展、体制的变迁、技术的创新，要用具有一定的计量经济学或动态多元非线性方程组对其加以描述并非易事。

因此，人们认为传统计量经济学的弱点是过分依赖先验理论，这种弱点一方面表现为缺乏动态的信息反馈；另一方面是所获得的理论与样本数据间满意的吻合结果往往要凭借建模者的艺术。

3、80年代初提出了与传统计量经济学完全不同的建模方法。

最初由萨甘（Sargan ，1964）提出，后经亨德里-安德森（Hendry-Anderson ，1977）和戴维森（Davidson ，1977）进一步完善的误差修正模型，以及由格兰杰（C.W.J.Granger ，1981）提出的协整理论，最终产生了Hendry 的“由一般到特殊”的建模方法。

时间序列的类型： （1）按时间是否连续分为一是离散型的随机过程或时间序列；二是连续型的随机过程或时间序列。

本章主要研究离散时间序列，并用t Y 或t X 表示。

对于连续时间序列，可通过等间隔采样使之转化为离散时间序列后加以研究。

时间序列计量经济学模型的理论与方法时间序列计量经济学是经济学中的一个重要分支，它研究的是时间序列数据之间的经济关系。

它利用统计学和经济学方法对时间序列数据进行建模和分析，从而揭示经济变量之间的内在规律和相互影响关系。

本文将介绍时间序列计量经济学模型的理论基础和应用方法。

时间序列经济学的理论基础主要包括回归分析、ARMA模型、ARIMA模型和VAR模型等。

首先是回归分析，它是经济学中最基本的分析方法。

回归分析通过线性回归方程描述了因变量和自变量之间的线性关系，并利用最小二乘法进行参数估计。

回归分析不仅可以研究截面数据的关系，还可以研究时间序列数据的动态关系。

其次是ARMA模型，它是自回归移动平均模型的简称。

ARMA模型假设时间序列数据可以由过去的自身值和随机误差表示，具有自相关和滞后效应。

通过对ARMA模型的参数估计，可以得到时间序列数据的预测值和其它统计性质。

再次是ARIMA模型，它是自回归积分移动平均模型的简称。

ARIMA模型在ARMA模型的基础上引入了差分运算，可以处理非平稳时间序列数据。

最后是VAR模型，它是向量自回归模型的简称。

VAR模型将多个时间序列变量作为回归自变量，可以同时估计它们之间的相互关系。

时间序列计量经济学的方法主要分为描述性分析、参数估计和模型选择三个阶段。

首先是描述性分析，它通过绘制时间序列图、计算统计量和做周期性分析等方法，来探索和描述时间序列数据的特征。

其次是参数估计，它是时间序列计量经济学的核心内容。

参数估计的目标是确定模型中的参数值，通常采用最大似然估计、广义最小二乘估计和贝叶斯估计等方法。

最后是模型选择，它是根据数据的特征和模型的拟合程度来选择合适的模型。

常用的模型选择准则包括赤池信息准则（AIC）、贝叶斯信息准则（BIC）和R平方等。

时间序列计量经济学模型的应用范围非常广泛，可以用于宏观经济预测、金融市场分析、企业经营决策等方面。

在宏观经济预测中，时间序列计量经济学模型可以通过对经济指标的预测，揭示经济增长趋势和周期性波动的规律，帮助政府和企业制定经济政策和战略。

计量经济学引子：是真回归还是伪回归？问题：•如果直接将非平稳时间序列当作平稳时间序列来进行分析，会造成什么不良后果；•如何判断一个时间序列是否为平稳序列；•当我们在计量经济分析中涉及到非平稳时间序列时，应作如何处理？第一节时间序列基本概念本节基本内容: •伪回归问题•随机过程的概念•时间序列的平稳性一、伪回归问题传统计量经济学模型的假定条件：序列的平稳性、正态性。

所谓“伪回归”，是指变量间本来不存在相依关系，但回归结果却得出存在相依关系的错误结论。

20 世纪70 年代，Grange、Newbold 研究发现，造成“伪回归”的根本原因在于时序序列变量的非平稳性三、时间序列的平稳性所谓时间序列的平稳性，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。

直观上，一个平稳的时间序列可以看作一条围绕其均值上下波动的曲线。

从理论上，有两种意义的平稳性，一是严格平稳，另一种是弱平稳。

时间序列的非平稳性是指时间序列的统计规律随着时间的位移而发生变化，即生成变量时间序列数据的随机过程的特征随时间而变化。

在实际中遇到的时间序列数据很可能是非平稳序列，而平稳性在计量经济建模中又具有重要地位，因此有必要对观测值的时间序列数据进行平稳性检验。

第二节时间序列平稳性的单位根检验本节基本内容: •单位根检验• Dickey －Fuller 检验• Augmented Dickey －Fuller 检验一、单位根过程单位根过程结论: 随机游动过程是非平稳的。

因此，检验序列的非平稳性就变为检验特征方程是否有单位根，这就是单位根检验方法的由来。

二、Dickey-Fuller 检验（DF检验）大多数经济变量呈现出强烈的趋势特征。

这些具有趋势特征的经济变量，当发生经济振荡或冲击后，一般会出现两种情形: • 受到振荡或冲击后，经济变量逐渐又回它们的长期趋势轨迹；•这些经济变量没有回到原有轨迹，而呈现出随机游走的状态。

若我们研究的经济变量遵从一个非平稳过程，一个变量对其他变量的回归可能会导致伪回归结果。

计量经济学4种常用模型计量经济学是经济学的一个重要分支，主要研究经济现象的数量关系及其解释。

在计量经济学中，常用的模型有四种，分别是线性回归模型、时间序列模型、面板数据模型和离散选择模型。

下面将对这四种模型进行详细介绍。

第一种模型是线性回归模型，也是计量经济学中最常用的模型之一。

线性回归模型是通过建立自变量与因变量之间的线性关系来解释经济现象的模型。

在线性回归模型中，自变量通常包括经济学理论认为与因变量相关的变量，通过最小二乘法估计模型参数，得到经济现象的解释。

线性回归模型的优点是简单易懂，计算方便，但其前提是自变量与因变量之间存在线性关系。

第二种模型是时间序列模型，它主要用于分析时间序列数据的模型。

时间序列模型假设经济现象的变化是随时间演变的，通过分析时间序列的趋势、周期性和随机性，可以对经济现象进行预测和解释。

时间序列模型的常用方法包括自回归移动平均模型（ARMA）、自回归条件异方差模型（ARCH）等。

时间序列模型的优点是能够捕捉到时间的动态变化，但其局限性是对数据的要求较高，需要足够的时间序列观测样本。

第三种模型是面板数据模型，也称为横截面时间序列数据模型。

面板数据模型是将横截面数据和时间序列数据结合起来进行分析的模型。

面板数据模型可以同时考虑个体间的差异和时间的变化，因此能够更全面地解释经济现象。

面板数据模型的常用方法包括固定效应模型、随机效应模型等。

面板数据模型的优点是能够控制个体间的异质性，但其需要对个体间的相关性进行假设。

第四种模型是离散选择模型，它主要用于分析离散选择行为的模型。

离散选择模型假设个体在面临多种选择时，会根据一定的规则进行选择，通过建立选择概率与个体特征之间的关系，可以预测和解释个体的选择行为。

离散选择模型的常用方法包括二项Logit模型、多项Logit模型等。

离散选择模型的优点是能够分析个体的选择行为，但其局限性是对选择行为的假设较强。

综上所述，计量经济学中常用的模型有线性回归模型、时间序列模型、面板数据模型和离散选择模型。