1. 普 通 最 小 二 乘 法 (Ordinary Least Squares,OLS) : 已 知 一 组 样 本 观 测 值
,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 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
,其基本假设之一是解释变量 X
1
,X
2
,
…,Xk 是相互独立的。如果某两个或多个解释变量之间出现了相关性,则称为
存在多重共线性。
10.时间序列数据:时间序列数据是一批按照时间先后排列的统计数据。
11.截面数据:截面数所是一批发生在同一时间截面上调查数据。
12.虚拟数据:也称为二进制数据,一般取 0 或 1.
13.内生变量 Endogenous Variables:内生变量是具有某种概率分布的随机变量,
它的参数是联立方程系统估计的元素。内生变量是由模型系统决定的,同时也
对模型系统产生影响。内生变量一般都是经济变量。
14.外生变量 Exogenous Variables:外生变量一般是确定性变量,或者是具有临
界概率分布的随机变量,其参数不是模型系统研究的元素。外生变量影响系统,
但本身不受系统的影响。外生变量一般是经济变量、条件变量、政策变量、虚
变量。
15. 先 决 变 量 Predetermined Variables : 外 生 变 量 与 滞 后 内 生 变 量 (Lagged
Endogenous Variables)统称为先决变量。
16.总离差平方和: 称为总离差平方和,反映样本观测值总体离差
的大小。
1 / 8