下载文档原格式
计量经济学复习笔记CH1导论1、计量经济学：以经济理论和经济数据的事实为依据，运用数学、统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科。
研究主体是经济现象及其发展变化的规律。
2、运用计量分析研究步骤：模型设定——确定变量和数学关系式估计参数——分析变量间具体的数量关系模型检验——检验所得结论的可靠性模型应用——做经济分析和经济预测3、模型变量:解释变量:表示被解释变量变动原因的变量，也称自变量，回归元。
被解释变量:表示分析研究的对象，变动结果的变量，也成应变量。
内生变量:其数值由模型所决定的变量，是模型求解的结果。
外生变量:其数值由模型意外决定的变量。
外生变量数值的变化能够影响内生变量的变化，而内生变量却不能反过来影响外生变量。
前定内生变量：过去时期的、滞后的或更大范围的内生变量，不受本模型研究范围的内生变量的影响，但能够影响我们所研究的本期的内生变量。
前定变量：前定内生变量和外生变量的总称。
数据:时间序列数据：按照时间先后排列的统计数据。
截面数据：发生在同一时间截面上的调查数据。
面板数据：虚拟变量数据：表征政策，条件等，一般取0或1.4、估计评价统计性质的标准无偏：E（＾β）=β 随机变量，变量的函数？有效：最小方差性一致：N趋近无穷时，β估计越来越接近真实值5、检验经济意义检验：所估计的模型与经济理论是否相等统计推断检验：检验参数估计值是否抽样的偶然结果，是否显著计量经济检验：是否符合计量经济方法的基本假定预测检验：将模型预测的结果与经济运行的实际对比CH2 CH3 线性回归模型模型（假设）——估计参数——检验——拟合优度——预测1、模型（线性）（1）关于参数的线性模型就变量而言是线性的；模型就参数而言是线性的。
Y i=β1+β2lnX i+u i线性影响随机影响Y i=E（Y i|X i）+u i E（Y i|X i）=f(X i)=β1+β2lnX i引入随机扰动项，（3）古典假设A零均值假定 E（u i|X i）=0B同方差假定 Var(u i|X i)=E(u i2)=σ2C无自相关假定 Cov(u i,u j)=0D 随机扰动项与解释变量不相关假定 Cov(u i ,X i )=0E 正态性假定u i ~N(0,σ2)F 无多重共线性假定Rank(X)=k2、估计在古典假设下，经典框架，可以使用OLS方法：OLS 寻找min ∑e i 2＾β1ols = (Y 均值)-＾β2(X 均值)＾β2ols = ∑x i y i /∑x i 23、性质OLS 回归线性质（数值性质）（1）回归线通过样本均值 （X 均值,Y 均值）（2）估计值＾Y i 的均值等于实际值Y i 的均值（3）剩余项e i 的均值为0（4）被解释变量估计值＾Y i 与剩余项e i 不相关 Cov(＾Y i ,e i )=0（5）解释变量X i 与剩余项e i 不相关 Cov(e i ,X i )=0在古典假设下，OLS 的统计性质是BLUE 统计 最佳线性无偏估计4、检验(1)Z 检验Ho:β2=0 原假设 验证β2是否显著不为0标准化： Z=（＾β2-β2）/SE （＾β2）~N （0,1） 在方差已知，样本充分大用Z 检验拒绝域在两侧，跟临界值判断，是否β2显著不为0(2)t 检验——回归系数的假设性检验方差未知，用方差估计量代替 ＾σ2=∑e i 2/(n-k) 重点记忆t =（＾β2-β2）/＾SE （＾β2）~t （n-2）拒绝域：|t|>=t 2/a (n-2)拒绝，认为对应解释变量对被解释变量有显著影响。
计量经济学重点讲解计量经济学重点第⼀章经济计量学的特征及研究范围1、经济计量学的定义（P1）（1）经济计量学是利⽤经济理论、数学、统计推断等⼯具对经济现象进⾏分析的⼀门社会科学；（2）经济计量学运⽤数理统计学分析经济数据，对构建于数理经济学基础之上的模型进⾏实证分析，并得出数值结果。
2、学习计量经济学的⽬的（计量经济学与其它学科的区别）（P1-P2）（1）计量经济学与经济理论经济理论：提出的命题和假说，多以定性描述为主计量经济学：依据观测或试验，对⼤多数经济理论给出经验解释，进⾏数值估计（2）计量经济学与数理经济学数理经济学：主要是⽤数学形式或⽅程（或模型）描述经济理论计量经济学：采⽤数理经济学家提出的数学模型，把这些数学模型转换成可以⽤于经验验证的形式（3）计量经济学与经济统计学经济统计学：涉及经济数据的收集、处理、绘图、制表计量经济学：运⽤数据验证结论3、进⾏经济计量的分析步骤（P2-P3）（1）建⽴⼀个理论假说（2）收集数据（3）设定数学模型（4）设⽴统计或经济计量模型（5）估计经济计量模型参数（6）核查模型的适⽤性：模型设定检验（7）检验源⾃模型的假设（8）利⽤模型进⾏预测4、⽤于实证分析的三类数据（P3-P4）（1）时间序列数据：按时间跨度收集到的（定性数据、定量数据）；（2）截⾯数据：⼀个或多个变量在某⼀时点上的数据集合；（3）合并数据：包括时间序列数据和截⾯数据。
（⼀类特殊的合并数据—⾯板数据（纵向数据、微观⾯板数据）：同⼀个横截⾯单位的跨期调查数据）第⼆章线性回归的基本思想：双变量模型1、回归分析（P18）⽤于研究⼀个变量（称为被解释变量或应变量）与另⼀个或多个变量（称为解释变量或⾃变量）之间的关系2、回归分析的⽬的（P18-P19）（1）根据⾃变量的取值，估计应变量的均值；（2）检验（建⽴在经济理论基础上的）假设；（3）根据样本外⾃变量的取值，预测应变量的均值；（4）可同时进⾏上述各项分析。
计量经济学知识点总结计量经济学知识点总结通货膨胀是指纸币的发行量超过流通中所需要的数量，从而引起纸币贬值，物价上涨的经济现象，其实质是社会总需求大于社会总供给；通货紧缩是指物价总水平在较长时间内持续下降的经济现象，其实质是社会总需求小于社会总供给。
…1、通货膨胀与通货紧缩的关系（1）联系：①二者都是由社会总需求与社会总供给不平衡造成的，亦即流通中实际需要的货币量与发行的数量不平衡造成的。
②二者都会影响正常的经济生活和社会经济秩序。
因此，必须采取切实有效的措施予以抑制。
（2）区别：①含义及实质不同：通货膨胀是指纸币的发行量超过流通中所需要的数量，从而引起纸币贬值，物价上涨的经济现象，其实质是社会总需求大于社会总供给；通货紧缩是指物价总水平在较长时间内持续下降的经济现象，其实质是社会总需求小于社会总供给。
②表现不同：通货膨胀表现为纸币贬值、物价上涨、经济过热的现象；通货紧缩则表现为物价持续下降、市场疲软、经济萎缩的现象。
③原因不同：通货膨胀主要是纸币的发行量大大超过流通中所需要的货币量引起的。
另外，经济结构不合理、固定资产投资规模过大、生产资料价格大幅调整、需求膨胀等因素也是引发通货膨胀的重要原因；通货紧缩主要是宏观经济环境的变化，由卖方市场转变为买方市场引起的，另外，货币供应增长乏力、金融危机等因素也是引发通货紧缩的重要原因。
④危害性不同：通货膨胀的出现，直接引起纸币贬值，物价上涨，如果人们的实际收入没有增长，生活水平就会出现下降，购买力降低，商品销售困难，造成社会经济生活秩序混乱；通货紧缩，物价下降在一定程度上对人民生活有好处，但物价总水平长时间、大范围下降，会影响企业生产和投资的积极性，导致市场销售不振，对经济的长远发展和人民的长远利益不利。
⑤解决办法不同：抑制通货膨胀主要是实行适度从紧的货币政策和量入为出的财政政策，控制货币供应量和信贷规模；抑制通货紧缩主要是采取积极的财政政策和稳健的货币政策，加大投资力度，扩大内需，调整出口结构，努力扩大出口。
大三计量经济学知识点计量经济学是经济学的一个重要分支，研究经济现象和经济关系的数量化方法。
在大三阶段，学生们需要掌握一些基本的计量经济学知识点，以提升对经济现象的理解和分析能力。
本文将介绍一些大三计量经济学的重要知识点。
一、回归分析回归分析是计量经济学中最基本的分析方法之一。
它用来研究因变量与自变量之间的关系，并通过建立数学模型来解释这种关系。
回归分析可分为简单线性回归和多元回归两种类型。
简单线性回归适用于只有一个自变量的情况，而多元回归适用于有多个自变量的情况。
在进行回归分析时，需要通过最小二乘法来估计模型的系数。
最小二乘法是一种通过最小化观测值与模型预测值之间的差异来确定模型参数的方法。
二、假设检验假设检验是计量经济学中用来检验经济理论假设是否成立的统计方法。
常用的假设检验方法有t检验和F检验。
t检验用于检验一个变量的系数是否显著不等于零，而F检验用于检验整体回归模型的显著性。
在进行假设检验时，需设置原假设和备择假设。
原假设通常是认为变量的系数等于零，备择假设则是认为变量的系数不等于零。
通过计算统计量的值，我们可以根据其显著性水平来判断是否拒绝原假设。
三、时间序列分析时间序列分析是计量经济学中用于研究时间序列数据的方法。
时间序列数据是按照时间顺序排列的统计观测值。
时间序列分析包括趋势分析、季节性分析和周期性分析等。
趋势分析是用来研究数据中长期增长或减少的趋势。
常用的趋势分析方法有简单移动平均法和指数平滑法。
季节性分析则用来研究数据中按季度或按特定时间间隔的周期性变动。
周期性分析是用来研究数据中长期周期性波动的方法。
四、面板数据分析面板数据是指包含多个单位（如个人、公司或国家）和多个时间周期的数据集合。
面板数据分析是计量经济学中用来研究面板数据的方法。
面板数据分析可以区分固定效应模型和随机效应模型。
固定效应模型假设不同单位之间存在固定的差异，而随机效应模型则假设这些差异是随机的。
面板数据分析可以更好地控制了个体间和时间间的异质性，帮助我们更准确地估计变量之间的关系。
计量经济学简明教程计量经济学是经济学的一个重要分支，旨在运用数学和统计方法分析经济现象。
它的研究对象包括各种不同的经济问题，例如市场需求和供应、价格形成机制、生产与成本、国际贸易等。
本文将从计量经济学的基础概念、常用模型以及实证研究方法三个方面进行讨论。
一、基础概念变量在计量经济学中，变量是指表示不同因素的度量。
可以将变量分为自变量和因变量。
自变量通常表示影响因素，而因变量则表示被影响的结果。
模型模型是对真实情况的简化描述，通常用数学公式表达。
模型可以帮助我们理解现象，并预测未来可能发生的情况。
在计量经济学中，常见的模型有线性回归模型、时间序列模型等。
假设在建立模型时，我们需要假设某些条件得到满足。
这些假设可能基于理论或者统计分析，并且可能是暂时或者永久性的。
假设通常会影响我们对数据进行解释和预测。
二、常用模型线性回归模型线性回归模型是计量经济学中最常用的模型之一。
它是基于自变量和因变量之间的线性关系建立的。
线性回归模型通常表示为：Y = β0 + β1X1 + β2X2 + …+ ε其中，Y表示因变量，Xi表示自变量，βi表示自变量的系数，ε表示误差项。
差分法差分法是用于解决非平稳时间序列数据问题的一种方法。
它将时间序列数据转换为相邻观测值之间的差异。
这样可以消除数据中的趋势和季节性，使得数据更有利于进行统计推断。
面板数据模型面板数据模型也称为长期追踪研究。
它是一种同时考虑个体和时间维度上变化的方法。
通过面板数据模型，我们可以更好地理解不同个体之间以及不同时期之间的差异。
三、实证研究方法在计量经济学中，实证研究方法主要依赖于统计分析技术。
以下是几种常用方法：假设检验假设检验是一种确定样本是否代表总体、相对大小是否具有显著性的方法。
在假设检验中，我们需要先提出一个关于总体参数值的假设，然后通过样本数据来判断这个假设是否成立。
参数估计参数估计是计算线性回归模型中的系数的一种方法。
最常用的参数估计方法是普通最小二乘法（OLS）。
计量经济学学习方法：从入门到进阶首先声明我的观点，计量是工具也是理论，它不是普通计算机软件，不懂背后的道理也可以用，我个人强烈反对不掌握扎实的理论就去“应用”计量经济学，那绝对是强奸数据。
本人学习经历：读过大多数国际流行的各种“级别”的计量教科书（除了HAY ASHI那本，没借到），熟悉SAS，做过大量计算机练习，“蹂躏”过不少中国的数据，现在读paper，参考手册。
开始篇（不是入门，那是很往后的事情了）个人认为只有wooldridge那本书是值得反复读的（是那个初级本，国内译本也很好），古扎拉弟就算了，很多理论上的原因大家学到后来就明白了。
古的书我读了两遍，现在早就扔了。
但现在依然常常翻阅WOO.对于开始的人，woo书上的海量例子太宝贵了，而且绝大多数取材于著名论文，值得仔细品味。
学习方法：用随便那个软件（我用SAS）把书中的例子几乎全部做一遍，知道你用的软件所报告的结果中那些重要的东西是怎么来的（不用知道的太精确），该怎么解释。
―――书上后来那几章不懂也没关系。
数学要求：基础数理统计学（就是一般初级书上附录那些内容），不用懂大样本理论，知道有一致性这个概念就行了，并且记住它是计量经济学中几乎唯一重要的评价统计量的标准。
什么无偏啊有效啊都几乎是空中楼阁，达不到的标准。
忠告：1、别管R- square，几乎不用管多重共线性，知道异方差和自相关的概念就行了，知道大概怎么诊断，至于纠正嘛，不用太在意。
不过对于GLS还是要有个认识。
2、对于简单二元模型中OLS相关的重要推导全部背下来，不多，但很重要。
3、这个阶段不要陷入公式推导。
4、如果你是初学者，不要指望把woo的书处处看懂，差不多就行了。
5、可以拿中国的数据“蹂躏”一下。
入门篇数学要求：矩阵，大样本理论稍微再难一点的统计学矩阵书很多，GREEN附录也可以（推荐Dhrymes --mathematics for econometrics,这本书对大多数人来说需要看的也就大概三四十页吧）。
1.普通最小二乘法(Ordinary Least Squares,OLS)：已知一组样本观测值{}n i Y X i i ,2,1:),(⋯=，普通最小二乘法要求样本回归函数尽可以好地拟合这组值，即样本回归线上的点∧i Y 与真实观测点Yt 的“总体误差”尽可能地小。
普通最小二乘法给出的判断标准是：被解释变量的估计值与实际观测值之差的平方和最小。
2.广义最小二乘法GLS ：加权最小二乘法具有比普通最小二乘法更普遍的意义，或者说普通最小二乘法只是加权最小二乘法中权恒取1时的一种特殊情况。
从此意义看，加权最小二乘法也称为广义最小二乘法。
3.加权最小二乘法WLS ：加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数。
4.工具变量法IV ：工具变量法是克服解释变量与随机干扰项相关影响的一种参数估计方法。
5.两阶段最小二乘法2SLS, Two Stage Least Squares ：两阶段最小二乘法是一种既适用于恰好识别的结构方程，以适用于过度识别的结构方程的单方程估计方法。
6.间接最小二乘法ILS ：间接最小二乘法是先对关于内生解释变量的简化式方程采用普通小最二乘法估计简化式参数，得到简化式参数估计量，然后过通参数关系体系，计算得到结构式参数的估计量的一种方法。
7.异方差性Heteroskedasticity ：对于不同的样本点，随机干扰项的方差不再是常数，而是互不相同，则认为出现了异方差性。
8.序列相关性Serial Correlation ：多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。
如果模型的随机干扰项违背了相互独立的基本假设，称为存在序列相关性。
9.多重共线性Multicollinearity ：对于模型i k i i X X X Y μββββ++⋯+++=i k 22110i ，其基本假设之一是解释变量X 1,X 2,…,Xk 是相互独立的。
计量经济学复习要点参考教材：李子奈 潘文卿 《计量经济学》 数据类型：截面、时间序列、面板第二章 简单线性回归回归分析的基本概念，常用术语现代意义的回归是一个被解释变量对若干个解释变量依存关系的研究，回归的实质是由固定的解释变量去估计被解释变量的平均值。
简单线性回归模型是只有一个解释变量的线性回归模型。
回归中的四个重要概念1. 总体回归模型（Population Regression Model ，PRM)t t t u x y ++=10ββ--代表了总体变量间的真实关系。
2. 总体回归函数（Population Regression Function ，PRF ）t t x y E 10)(ββ+=--代表了总体变量间的依存规律。
3. 样本回归函数（Sample Regression Function ，SRF ）tt t e x y ++=10ˆˆββ--代表了样本显示的变量关系。
4. 样本回归模型（Sample Regression Model ，SRM ）tt x y 10ˆˆˆββ+=---代表了样本显示的变量依存规律。
总体回归模型与样本回归模型的主要区别是：①描述的对象不同。
总体回归模型描述总体中变量y 与x 的相互关系，而样本回归模型描述所关的样本中变量y 与x 的相互关系。
②建立模型的依据不同。
总体回归模型是依据总体全部观测资料建立的，样本回归模型是依据样本观测资料建立的。
③模型性质不同。
总体回归模型不是随机模型，而样本回归模型是一个随机模型，它随样本的改变而改变。
总体回归模型与样本回归模型的联系是：样本回归模型是总体回归模型的一个估计式，之所以建立样本回归模型，目的是用来估计总体回归模型。
线性回归的含义线性：被解释变量是关于参数的线性函数（可以不是解释变量的线性函数） 线性回归模型的基本假设简单线性回归的基本假定：对模型和变量的假定、对随机扰动项u 的假定（零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态性假定） 普通最小二乘法（原理、推导）最小二乘法估计参数的原则是以“残差平方和最小”。
当初一个舍友来自西部地区，从没学过计量（OLS都没学过）。
但毕业论文老板要求用数据说话，发愁。
我于心不忍，告诉她：我每天晚上自习回来，睡觉前花10分钟给你讲解一下STATA的操作和出来的各项结果意义。
第一天，我讲了OLS。
画了一张散点图和一根直线，用了1分钟就让她完全理解了OLS的精髓，这是用来干啥的。
后面9分钟讲解了STATA的操作和OLS的各种变种。
结果只一个星期，讲完五种方法（下面会介绍），她信心大增。
后来一下子发了好几篇CSSCI，计量做的天花乱坠，让人误以为是一个大师。
毕业论文也顺利通过。
她说我的方法是当今世界上最快的计量速成法。
她说，以后有时间要好好看看计量书，打打基础。
我推荐她读伍德里奇的那本现代观点。
但她论文发表了好多篇，至今还没看那本书。
问其原因：“看了一下OLS，跟你讲的没啥区别，就是多了些推导。
那些推导看不看都不影响我用软件。
现在没空看，先发论文再说。
”我笑其太浮躁。
但后来想想，这种学习方法不一定适合所有人，但或许适合一部分人群。
因此有必要写出来让这部分人群都有所收获，不会因为发不了CSSCI而担忧，不会因为毕业论文不会做计量而担忧。
因此有了本文。
你是不是属于这样的人群？请看下面：本文的目标人群：1、不懂计量的人；2、想学计量却苦于缺乏时间的人；3、想学计量却看不懂、推导不了那些恐怖矩阵的人，也就是不想看推导过程，也想发论文的人。
4、不想看计量书，却想写计量论文，发几篇CSSCI，尽快毕业的人。
5、所有想速成的人。
但是目标人群一定要能看懂STATA软件操作手册的人（或者其他软件操作手册）。
如果你不认得手册上的字，不要来告诉我。
我也不认得。
如果你能找到一个懂STATA、EVIEWS的人给你讲解一下，那么你看不懂手册也无所谓。
本文的目标：不看计量推导、不看计量书籍就能发计量论文，而且是大规模批量生产计量论文，甚至是发经济研究和管理世界。
目标能否实现：取决于你能否掌握本黑客教程的内容，能否阅读软件手册。
申明：不是教你如何抄袭作弊，而是教你写计量论文的方法和捷径。
目录一、计量论文的两大要点是什么？二、如何判断计量论文的水平高低？三、做计量的“大杀器”有哪些？四、瞎倒腾计量的秘诀五、大规模发CSSCI的建议一、计量论文的两大要点是什么？1、计量模型的建立（就是那个方程，表达什么经济含义要知道）；2、模型中的系数如何估计出来（关键在于估计方法的选择）。
第1个要点涉及你论文主题。
你一般要想用数据检验某种经济关系，根据这种经济关系来建立计量模型。
如果你不知道要检验什么经济关系，那我劝你就此打住。
你发不了经济研究了。
第2个要点。
千万种方法的出现，目的都是要把那个系数给估计出来。
不同估计方法的估计效果好坏，就是根据各种统计量来判断。
如果能选择一种最合适你数据的估计方法，那么这论文基本就成了。
二、如何判断计量论文的水平高低？掌握了上面两个要点，只是说你能写出一篇计量论文，并不是说能写出一篇高水平的论文。
水平的高低在于你处理这两个要点时水平的高低。
下面仔细讲解。
如果只是为了写计量论文，只需要“知其然”即可。
没有人会因为不会推导OLS估计量而对软件里面出来的结果不知所措。
这条途径，最快捷的走法是找一个懂的人，把结果里面的各种东西所表示的意思给你讲一遍，每个东西要注意什么。
基本就可以了。
在一般的CSSCI 上发表论文没有什么问题。
如果找不到人，就看STATA的手册，里面的例子会讲解每个指标参数统计量的含义。
这样慢一点，但效果很好，而且也能成为STATA专家。
STATA手册比高级计量教材看起来轻松多了，就是告诉你怎么操作软件，然后得到什么结果的。
计量论文中的估计问题，最关键的事情，不是能推导估计量，而是在STATA里面选择一个“合适”的方法估计出来。
然后解释结果的经济意义。
而计量水平的高低，不在于方法的复杂性，而在于方法的合适程度。
因此高水平的计量论文，不必要求作者掌握高深的计量推导，而在于“选择”的技巧。
每种计量方法，都有优劣。
所谓用人之长，容人之短。
水平高的人，能够选择以其之长，攻它之短。
同时又能隐藏计量方法内在的拙劣。
其实，计量论文的水平主要决定于论文的主题的重要性。
这个话题大家都很关心，就很重要，发表就很容易。
所以，你会发现国际顶级期刊上一些计量论文所用的方法很简单。
这些论文能发表，主要是他讨论的问题很重要（这涉及第一个要点），采用的方法即使有缺陷，也无伤大雅。
如果问题不是非常重要，只是有新意，但是估计方法比较合适，也能发一个中上等期刊。
如果问题属于鸡毛蒜皮之类，那就只能诉诸于超级复杂的计量方法，祈求审稿人看论文时，方法还没看完就已经累得半死，再也没有心情来思考你的问题的重要性，然后也能通过了。
三、做计量的“大杀器”有哪些？所谓的大杀器，不是指超级复杂的计量方法，而是指这种东西一旦用起来，一般不会有人来攻击。
所谓的一招毙命，毙了审稿人的命。
计量方法很多，可以说满天飞。
但是，真正有价值的方法，被人公认为具有一定可信度的方法（就是所谓的“大杀器”），只有5种。
并不是你所看到的所有的方法都有人信。
这点大部分初学计量的人都不会意识到。
看到书上介绍一个方法，就认为这是一个好方法。
其实不是。
书上很多方法的介绍，仅仅是出于理论推演的需要，并不是实际研究中都能用的。
你如果查阅一下国际上关于经验研究类的论文，会发现大部分论文所用方法无非是：1、简单回归；2、工具变量回归；3、面板固定效应回归；4、差分再差分回归(difference in differnece)；5、狂忒二回归(Quantile)。
大杀器就这几种，破绽最少，公认度最高，使用最广泛。
真是所谓的老少皆宜、童叟无欺。
其他的方法都不会更好，只会招致更多的破绽。
你在STATA里面还可以看到无数的其他方法，例如GMM、多层次分析法等。
这个GMM实在是一个没有用的忽悠，他还分为diffGMM和系统GMM。
其关键思想是当你找不到工具变量时，用滞后项来做工具变量。
结果你会发现令人崩溃的情况：不同滞后变量的阶数，严重影响你的结果，更令人崩溃的是，一些判断估计结果优劣的指标会失灵。
这完全是胡搞！这GMM的唯一价值在于理论价值，而不在于实践价值。
你如果要玩计量，你就可以在GMM的基础上进行修改（玩计量的方法后面讲）。
有人会问：简单回归会不会太简单？我只能说你真逗。
STATA里面那么多选项，你加就是了。
什么异方差、什么序列相关，一大堆尽管加。
如果你实在无法确定是否有异方差和序列相关，那就把选项都加上。
反正如果没有异方差，结果是一样的。
有异方差，软件就自动给你纠正了。
这不很爽嘛。
如果样本太少，你还能加一个选项：bootstrap 来估计方差。
你看爽不爽！bootstrap就是自己提靴子的方法。
自己把脚抬起来扛在肩上走路，就这么牛。
这个bootstrap就是用30个样本能做到30万样本那样的效果。
有吸引力吧。
你说这个简单回归简单还是不简单！很简单，就是加选项。
可是，要理论推导，就不简单了。
我估计国内能推导的没几个人。
经济研究上论文作者，最多只有5%的人能推导，而且大部分是海龟。
所以，你不需要会推导，也能把计量做的天花乱坠。
工具变量(IV)回归，这不用说了，有内生性变量，就用这个吧。
一旦有内生性变量，你的估计就有问题了。
国际审稿人会拼了老命整死你。
国内审稿人大部分不懂这东西（除了经济研究这类刊物的部分审稿人以外）。
工具变量的选择只要掌握一个关键点就行：找一个和内生性变量有数据相关的，但是没有因果关系的东西，这就是你的IV了。
例如贸易量如果是内生的，那么你找地理距离作为IV。
北京到纽约的距离，那是自然形成的，没人认为是由贸易量导致的，这就是没有因果关系。
但是你会发现两者在数据上具有相关性。
这就很好。
这种数据相关性越强，IV的效果就越好。
就这么一段话，IV变量回归就讲完了。
在STATA里面，你直接把原回归方程写出来，然后把IV填进去就可以了，回车就得到你的结果。
关键是你不一定能找到这样的工具变量。
你能找到，这个工具也不大能用。
不过要注意，IV不灵不代表你不能发表。
经济研究上还不是发了一大堆这样的论文。
所以，你只要找到一个IV，效果不是差的太离谱，一般都能发。
当然不能发国际一流了。
国内是没问题。
国内审稿人没人会重复你的结果看看是否有问题，因此你说这个IV效果已经是最好的了，世界上还找不到第二个比这个更好的了，审稿人也没的话说。
就发表呗！如果审稿人说，另外一个IV效果可能要比你的好。
那你就采纳他的建议用他的IV（尽管他的建议会更差），然后感谢他一下。
第二次审稿，难道他还会说自己上次是胡说八道？？？所以就发表了，哈哈哈哈！有人又会问：面板不是还有个随机效应嘛？我只能说，你是看过书的人，所以才知道随机效应。
其实随机效应压根就没什么用处。
有人信誓旦旦说可以用hausman来检验。
我只能告诉你，这检验压根就不可靠。
可靠也是理论上可靠，实践上根本没人信。
当然中国人都信，不信的都是美国欧洲这样的计量经济学家。
你难道不知道hausman 还会出现负值！做过这个检验的人都很头疼这个负值，不知道该怎么做。
你如果看看一些高手的建议，或者一些书籍，你就会发现，最权威的建议就是：当你无法判断该用固定效应还是随机效应的时候，选择固定效应更可靠。
随机效应不是任何时候都可以做，但是固定效应是任何时候都可以做。
所以你知道该怎么做了吧。
差分再差分，是固定效应的一个变种，在估计某个事件发生带来的效应时最有用的方法，特简单，看看STATA手册就明白了。
狂忒二回归(Quantile)是一般均值回归的一个推广。
看名字挺吓人，其实很简单。
如果你知道OLS是一个均值回归，那类推就可以知道1/2分位数回归。
你知道的，正态分布下，均值就是1/2分位数的地方。
均值回归就是1/2分位数回归。
知道了1/2回归，你自然知道1/4和3/4分位数回归了。
如果还不懂，翻开伍德里奇的书，讲到简单OLS回归时，我记得有一个图，上面对不同位置的x位置画了不同的正态分布密度函数(第2版是figure 2.1，pp26，见下面)。
如果是异方差问题，那么不同x位置的正太分布图的方差就有变化。
这个图上注明了预测值是E(Y|X)，就是Y的条件期望，就是那根回归预测直线啦。
在正态分布下就是Y的密度函数的中心点的连线，就是1/2分位数点的连线。
如果那条预测线画在密度函数的1/4和3/4分位数点上，那么预测结果就不是Y的均值（在非正态下可能是均值），而是1/4和3/4分位数点的预测值。
这下明白狂忒二回归了吧。
分位数回归就是看看那根预测直线在不同的分位数点上有什么结果,得到什么样的回归系数。
通常的OLS预测直线，仅仅是一个特例而已。
进一步推广，可以推广到任意分位数点回归的情况。
道理一样。
伍德里奇《计量经济学导论——现代观点》的图2.1（解释Quantile 回归的意义）不过要注意，大杀器要用对。
