M
配对样本（Matched Pairs Sample）：每个观测值都与另一个观测值相匹配的一种样本，如由丈夫和妻子或一对兄妹组成的样本。
测量误差（Measurement Error）：观测到的变量与多元回归方程中的变量之间的差。
微数缺测性（Micronumerosity）：由Arthur Goldberger 首先提出的一个概念，用以描述容量样本较小时计量经济学估计量的性质。
最小方差无偏估计量（Minimum Variance Unbiased Estimator）：在所有的无偏估计量中方差最小的那个估计量。
数据缺失（Missing Data）：当我们没有观测到样本中某些观测（个人、城市、时期等）所对应的一些变量值时，发生的一类数据问题。
一阶移动平均过程[MA（1）]（Moving Average Process of Order One [MA(1)]）：是由某个随机过程的当期值与一期滞后的线性函数所产生的一种时间序列过程。这个随机过程是0均值、固定方差和不相关的。
多重共线性（Multicollinearity）：指多元回归模型中自变量之间的相关性。当某些相关性“很大”时，就会发生多重共线性，但对实际的大小尺度并没有明确的规定。
多重假设检验（Multicollinearity）：涉及到参数的多个约束条件的虚拟假设检验。
多元线性回归（MLR）模型（Multiple Linear Regression (MLR) Model）：对参数是线性的一类模型，其中的因变量是自变量的函数加上一个误差项。
多元回归分析（Multiple Regression Analysis）：在多元线性回归模型中进行估计和推断的一类分析。
多重约束（Multiple Restrictions）：计量经济学模型中对参数的多于一个的约束条件。
乘数测量误差（Multiplicative Measurement Error）：观测到的变量等于实际的观测不到的变量与一个正的测量误差的乘积时出现的一种测量误差。
N
n-R-平方统计量（n-R-Squared Statistic）：参见拉格朗日乘数统计量。
名义变量（Nominal Variable）：用名义或当前美元数表示的变量。
非实验数据（Nonexperimental Data）：不是通过人为控制下的实验得到的数据。
非嵌套模型（Nonnested Models）：没有一个模型可以通过对参数施加限制条件而被表示成另一个模型的特例的两个（或更多）模型。
非平稳过程（Nonstationary Process）：联合分布在不同的时期不是恒定不变的一种时间序列过程。
正态性假定（Normality Assumption）：经典线性模型假定之一。它是指以解释变量为条件的误差（或因变量）有正态分布。
虚拟假设（Null Hypothesis）：在经典假设检验中，我们把这个假设当作真的，要求数据能够提供足够的证据才能否定它。
分子自由度（Numerator Degrees of Freedom）：在F检验中，所检验的约束条件的个数。
O
可观测数据（Observational Data）：参见非实验数据。
OLS（OLS）：参见普通最小二乘法。
OLS截距估计值（OLS Intercept Estimate）：OLS回归线的截距。
OLS回归线（OLS Regression Line）：表示了因变量的预报值与自变量的值之间关系的方程，它的参数是用OLS估计出来的。
OLS斜率估计值（OLS Slope Estimate）：OLS回归线的斜率。
遗漏变量偏误（Omitted Variable Bias）：回归中遗漏了有关变量而产生的OLS估计量的偏误。
单侧对立假设（One-Sided Alternative）：被表述为参数大于（或小于）虚拟条件下的假设值的一种对立假设。
单尾检验（One-Tailed Test）：与单侧对立假设相对的假设检验。
序数变量（Ordinal Variable）：通过排列顺序传达信息的一种数据，它们的大小本身并不说明任何问题。
普通最小二乘法（OLS）（Ordinary Least Squares, OLS）：用来估计多元线性回归模型中的参数的一种方法。最小二乘估计值通过最小化残差的平方和得到。
INTRODUCTORY ECONOMETRICS
异常数据（Outliers）：在数据集中，与大量其他数据有明显区别的观测值。这种现象可能是由于误差造成的，也可能是因为它们是由与多数其他数据不同的模型产生而造成的。
整体显著性（Overall Signi?cance of a Regression）：对多元回归方程中所有的解释变量所做的一种联合显著性检验。
模型的过度识别（Overspecifying a Model）：参见含有一个无关变量。
p值（p-value）：指能够拒绝虚拟假设的最低显著性水平。等价的，它也指虚拟假设不被拒绝的最大显著性水平。
综列数据（Panel Data）：在不同时期，横截面的不断反复得到的数据集。在平衡的综列中，同样的单位在每个时期都出现。在不平衡的综列中，有些单位往往由于衰减现象而不会在每个时期都出现。
偏效应（Partial Effect）：回归模型中的其他因素保持不变时，某个解释变量对因变量的影响。
完全共线性（Perfect Collinearity）：在多元回归中，一个自变量是一个或多个其他自变量的线性函数。
变量缺失问题的插入解（Plug-In Solution to the Omitted Variables Problem）：在OLS回归中，用一个代理变量代替观测不到的缺失变量。
政策分析（Policy Analysis）：用计量经济学模型来评估某项政策的效果的一种实证分析。
混合横截面（Pooled Cross Section）：通常在不同时点收集到的相互独立的横截面组合而成的一个单独的数据集。
总体（Population）：作为统计或计量经济分析对象的一个明确定义的组群（人、公司、城市等）。
总体模型（Population Model）：一种描述了总体特征的模型，特别是多元线性回归模型。
总体R平方（Population R-Squared）：总体中，由解释变量解释了的那部分因变量的变异。
总体回归函数（Population Regression ）：参见条件期望。
实际显著性（Practical Signi?cance）：相对于统计显著性而言的、某个估计值的实际的或经济的重要性，用它的符号和大小来衡量。
普莱斯—温斯登（PW）估计（Prais-Winsten (PW) Estimation）：一种用来估计有AR（1）误差和严格外生解释变量的多元线性回归模型的方法；不同于科克伦-奥克特方法，它在估计中要用到第一个时期的方程。
前定变量（Predetermined Variable）：在联立方程模型中的滞后的内生变量或滞后的外生变量。
被预测变量（Predicted Variable）：参见因变量。
预报（Prediction）：把特定的解释变量的值代入所估计的模型，通常是多元回归模型中，以得到结果的一个估计值。
预测误差（Prediction Error）：实际结果与所预报的结果之间的差。
预测区间（Prediction Interval）：多元回归模型中，某个因变量的未知结果的一个置信区间。
预测变量（Predictor Variable）：参见解释变量。
项目评估（Program Evaluation）：用计量经济学方法求出某个私人或公共项目的不确定影响的一种评估方法。
代理变量（Proxy Variable）：多元回归分析中，一个与观测不到的解释变量有关系但又不相同的可观测变量。 二次函数（Quadratic s）：包含一个或多个解释变量的平方的函数，它反映了解释变量对因变量的逐渐变弱或增强的影响。
定性变量（Qualitative Variable）：描述一个人、企业及城市等的非定量特征的变量。
拟—差分数据（Quasi-Differenced Data）：在估计有AR（1）的序列相关的回归模型时，当期数据与前一期数据乘以AR（1）模型的参数后得到的数据之间的差。
R
平方（R-Bar Squared）：参见校正的R2。
R2（R-Squared）：在多元回归模型中，由自变量解释了的那部分因变量的样本方差之和。
R2形式的F统计量（R-Squared Form of the F Statistic）：用受约束和不受约束的模型中得到的由R2-表示的、用于检验排除约束条件的F统计量。
随机抽样（Random Sampling）：在总体中随机抽取观测值的一种抽样方法。各个单位被抽取的可能性是相同的，而且每次抽样都与其他次相互独立。
随机游走（Random Walk）：在这样一种时间序列中，下个时期的值等于本期值加上一个独立的（或至少是不相关的）误差项。
有漂移的随机游走（Random Walk with Drift）：每个时期都加进一个常数（或漂移）的随机游走。
实际变量（Real Variable）：用基期货币价值表示的变量。
回归子（Regressand）：参见因变量。
回归误差设定检验（RESET）（Regression Speci?cation Error Test, RESET）：在多元回归模型中，检验函数形式的一般性方法。它是一种由最初的OLS估计得出的拟合值的平方、三次方以及可能更高次幂的联合显著性F检验。
过原点回归（Regression Through the Origin）：截距被设为0的回归分析，它的斜率通过最小化残差的平方和求出。
回归元（Regressor）：参见解释变量。
拒绝区域（Rejection Region）：使得虚拟假设被拒绝的一组检验统计量的值。
拒绝法则（Rejection Rule）：在假设检验中，决定在什么情况下拒绝虚拟假设并支持对立假设的法则。
残差（Residual）：实际值与拟合（或预报）值之间的差。样本中的每次观测都有一个相应的残差，它们被用来计算OLS回归线。
残差分析（Residual Analysis）：在估计多元回归模型后，对某次特定观测的残差的符号和大小所作的研究。
残差平方和（Residual Sum of Squares）：参见残差的平方和。
响应概率（Response Probability）：在二值响应模型中，以解释变量为条件的因变量取值为1的概率。
响应变量（Response Variable）：参见因变量。
受约束的模型（Restricted Model）：在假设检验中，施加所有虚拟假设所要求的约束条件后得到的模型。
均方根误（RMSE）（Root Mean Squared Error, RMSE）：多元回归分析中回归标准误的另一个名称（仅当期望值等于实测值—译者）。
s
样本回归函数（Sample Regression ）：参见OLS回归线。
得分统计量（Score Statistic）：参见拉格朗日乘数统计量。
季节性虚拟变量（Seasonal Dummy Variables）：一组用来表示季节或月份的虚拟变量。
季节性（Seasonality）：月度或季度时间序列具有的均值随着一年中季节的不同而系统性变化的特点。
季节性调整（Seasonally Adjusted）：用某种统计程序，可能是对季节性虚拟变量做回归，来消除月度或季度时间序列中的季节性成分。
半弹性（Semi-Elasticity）：自变量的一个单位的增长导致的因变量的变化的百分比。
序列相关（Serial Correlation）：在时间序列或综列数据模型中，不同时期的误差之间的相关性。
INTRODUCTORY ECONOMETRICS
序列相关—稳健标准误（Serial Correlation-Robust Standard Error）：不管模型中的误差是否与序列相关，都（渐近）生效的估计量的标准误。
序列不相关（Serially Uncorrelated）：在时间序列或综列数据模型中，不同时间的误差两两之间不相关。
短期弹性（Short-Run Elasticity）：因变量和自变量都以对数形式出现的分布滞后模型中的即期倾向。
显著性水平（Signi?cance Level）：假设检验中发生第I类错误的概率。
简单线性回归模型（Simple Linear Regression Model）：因变量只是一个自变量和一个误差项的线性函数的模型。
斜率参数（Slope Parameter）：多元回归模型中的自变量的系数。
谬误相关（Spurious Correlation）：不是因为二者有因果关系，可能是因为它们都受另一个观测不到的因素影响，所导致的两个变量之间的相关性。
谬误回归问题（Spurious Regression Problem）：如果回归分析表明两个或多个无关时间序列具有一定关系，而其原因仅仅因为它们每个都有趋势或都是自积时间序列（如随机游走），或上面两种情况同时出现，这种问题就是谬误回归问题。
稳定的AR（1）过程（Stable AR(1) Process）：滞后变量的系数绝对值小于1时的AR（1）过程。序列中的两个随机变量的相关性，随着它们之间的时间间隔不断增大，以几何级数趋近于0。
β1的标准误（Standard Error of β1）：β1抽样分布的标准差的估计值。
β1的标准差（Standard Deviation of β1）：衡量β1抽样分布的分散程度的常用指标。
估计值的标准误（Standard Error of the Estimate）：参见回归的标准误。
回归的标准误（SER）（Standard Error of the Regression, SER）：多元回归分析中的总体误差的标准差的估计值。等于残差平方和的平方根除以自由度。
标准化系数（Standardized Coef?cients）：一种回归系数，它度量了自变量增加一个标准差时，因变量的改变是其标准差的倍数。
静态模型（Static Model）：只有当期的解释变量影响因变量的一种时间序列模型。
平稳过程（Stationary Process）：边际和所有的联合分布都不随时间变化的一种时间序列过程。
统计上不显著（Statistically Insigni?cant）：在选定的显著性水平上，无法拒绝总体参数等于0的虚拟假设。
统计上显著（Statistically Significant）：在选定的显著性水平上，相对于特定的对立假设，拒绝总体参数等于0的虚拟假设。
随机过程（Stochastic Process）：标注了时间的一系列随机变量。
严格外生的（Strict Exogeneity）：时间序列或综列数据模型中的解释变量的一个特点，以所有时期的解释变量为条件的、任何时期的误差项都是有0均值。更宽松的一种说法是用相关性为0来表述的。
强相依（Strongly Dependent）：参见高度持续过程。
残差平方和（Sum of Squared Residuals）：多元回归模型中，所观测的OLS残差的平方和。
求和运算符（Summation Operator）：用∑表示的一个符号，用来表示对一组数据的求和运算。
T
t 比率、t 统计量（t Ratio、t Statistic）：用来对计量经济学模型中关于参数的单个假设进行检验的一种统计量。
时间序列数据（Time Series Data）：搜集到的一个或多个变量在不同时间上的数据。
时间序列过程（Time Series Process）：参见随机过程。
时间趋势（Time Trend）：时间的函数，它是趋势时间序列过程的期望值。
总平方和（SST）（Total Sum of Squares, SST）：因变量相对于它的样本均值的总样本变异。
处理组（Treatment Group）：在项目评估中，参与这一项目的群体。
（也见实验群组）趋势过程（Trending Process）：期望值是时间的增函数或减函数的时间序列过程。
趋势—平稳过程（Trend-Stationary Process）：在除掉了时间趋势后变得平稳的过程。毫无疑问，除掉了趋势的序列是弱相依的。
真实模型（True Model）：表示因变量与有关自变量及一个干扰项之间关系的真实的总体模型。在这个模型中，0条件均值假定成立。
双侧对立假设（Two-Sided Alternative）：总体参数既可以大于又可以小于虚拟假设提出的值的一种检验方法。
双尾检验（Two-Tailed Test）：相对于双侧对立检验的检验方法。
U
无偏估计量（Unbiased Estimator）：期望值（或抽样分布的均值）等于总体值（与总体值的大小无关）的估计量。
不相关随机变量（Uncorrelated Random Variables）：相互之间没有线性关系的随机变量。
设定不足的模型（Underspecifying a Model）：参见忽略一个有关的变量。
单位根过程（Unit Root Process）：当期值等于前一个时期的值加上一个弱相依的干扰项的一种高度持续的时间序列过程。
无约束模型（Unrestricted Model）：在假设检验中，对参数没有任何限制条件的模型。
向上偏误（Upward Bias）：估计量的期望值大于总体参数的值。
V
方差（Variance）：表示随机变量分布的分散程度的一项指标。
预测误差的方差（Variance of the Prediction Error）：当以估计的多元回归方程为基础来预报因变量的一个将来值时，产生的误差的方差。
W
弱相依（Weakly Dependent）：在时间序列过程中，表示随机变量在不同时期的两个值之间的相互依赖性质的指标（比如相关性），如果这一依赖性随着时间间隔的增大而减小，这个时间序列就是弱相依的。
加权最小二乘（WLS）估计量（Weighted Least Squares (WLS) Estimator）：用来校正某种已知形式的异方差的估计量。其中，每个残差的平方都得到一个等于误差的（估计的）方差的倒数的权重。
怀特检验（White Test）：异方差的一种检验方法，涉及到做OLS残差的平方对OLS拟合值和拟合值的平方的回归。这种检验方法的最一般的形式是，作OLS残差的平方对解释变量、解释变量的平方和所有非多余的解释变量间的交叉乘积的回归。
Z
0条件均值假定（Zero Conditional Mean Assumption）：多元回归分析中很关键的一个假定。它的含义是，给定解释变量的所有值时，误差的期望值都等于0。
转自：“计量经济学”微信公众号
如有侵权，请联系本站删除！
