第二篇时间序列数据的回归分析第10章时间序列数据的基本回归分析10.1 复习笔记考点一：时间序列数据★★1．时间序列数据与横截面数据的区别（1）时间序列数据集是按照时间顺序排列。
（2）时间序列数据与横截面数据被视为随机结果的原因不同。
（3）一个时间序列过程的所有可能的实现集，便相当于横截面分析中的总体。
时间序列数据集的样本容量就是所观察变量的时期数。
2．时间序列模型的主要类型（见表10-1）表10-1 时间序列模型的主要类型考点二：经典假设下OLS的有限样本性质★★★★1．高斯-马尔可夫定理假设（见表10-2）表10-2 高斯-马尔可夫定理假设2．OLS估计量的性质与高斯-马尔可夫定理（见表10-3）表10-3 OLS估计量的性质与高斯-马尔可夫定理3．经典线性模型假定下的推断（1）假定TS.6（正态性）假定误差u t独立于X，且具有独立同分布Normal（0，σ2）。
该假定蕴涵了假定TS.3、TS.4和TS.5，但它更强，因为它还假定了独立性和正态性。
（2）定理10.5（正态抽样分布）在时间序列的CLM假定TS.1～TS.6下，以X为条件，OLS估计量遵循正态分布。
而且，在虚拟假设下，每个t统计量服从t分布，F统计量服从F分布，通常构造的置信区间也是确当的。
定理10.5意味着，当假定TS.1～TS.6成立时，横截面回归估计与推断的全部结论都可以直接应用到时间序列回归中。
这样t统计量可以用来检验个别解释变量的统计显著性，F统计量可以用来检验联合显著性。
考点三：时间序列的应用★★★★★1．函数形式、虚拟变量除了常见的线性函数形式，其他函数形式也可以应用于时间序列中。
最重要的是自然对数，在应用研究中经常出现具有恒定百分比效应的时间序列回归。
虚拟变量也可以应用在时间序列的回归中，如某一期的数据出现系统差别时，可以采用虚拟变量的形式。
2．趋势和季节性（1）描述有趋势的时间序列的方法（见表10-4）表10-4 描述有趋势的时间序列的方法（2）回归中的趋势变量由于某些无法观测的趋势因素可能同时影响被解释变量与解释变量，被解释变量与解释变量均随时间变化而变化，容易得到被解释变量与解释变量之间趋势变量的关系，而非真正的相关关系，导致了伪回归。
第五、六、七章：抽样推断1.总体分布、样本分布、抽样分布总体分布：总体中各个数据的分布样本分布：样本中各个数据的分布抽样分布：样本统计量的概率分布总体的分布通过直方图观察，但一般不可能得到所有的数据，也就不能直接观察到总体分布。
只要知道总体的分布类型和反映总体分布特征的参数就能够满足需要。
样本分布也称为经验分布，样本来源于总体，会包含总体的信息和特征，特别当样本容量较大时，样本的分布会很接近总体分布，但样本是随机抽取的，一般与总体分布有一定差异。
抽样分布是说明样本分布特征的统计量的分布，对它的理解是建立在反复抽样的基础上，样本是随机抽取的，不同的样本会有不同的统计量值，一个总体可以有很多个不同的样本，这样一个统计量就会有很多不同的取值，这些不同值的分布就是抽样分布。
由于在实践中对于同一总体我们不会反复抽取很多样本，因此，抽样分布一般不能直接观察到，仅是一种理论分布。
抽样分布揭示了样本统计量与总体参数的内在联系，为统计推断提供了理论基础。
2.总体单位与抽样单位、样本容量与样本可能数目3.统计量、总体参数及统计量的标准化统计量是样本数据的函数，在实际抽样之前，由于是样本随机的，统计量也是随机的，但在抽取样本之后，样本已经确定，统计量也就是确定的，不包含任何未知变量。
总体参数是说明统计总体的数据特征值，一般是确定但未知的，是待估计的。
统计量的标准化是统计推断的必要过程，是将具体的统计量转化为已知分布的统计量，转化以后就可以确定一定区间的概率。
4.统计误差、抽样误差、抽样标准误差与抽样边际误差统计误差是统计调查得到的值与客观实际值之间的差异。
包括抽样误差和非抽样误差。
非抽样误差又称工作误差或调查误差，是指调查登记过程中由于登记、过录、计算等原因引起的误差。
在全面调查和非全面调查中都有可能存在。
抽样误差也称为随机误差，是指在坚持了随机抽样的情况下，由于样本的随机性造成样本统计量与总体参数的差异。
样本是随机的，样本的统计量也是随机的，而总体参数是唯一的，因而抽样误差也是随机的。
