A
校正R2（Adjusted R-Squared）：多元回歸分析中擬合優(yōu)度的量度，在估計(jì)誤差的方差時(shí)對(duì)添加的解釋變量用一個(gè)自由度來調(diào)整。
對(duì)立假設(shè)（Alternative Hypothesis）：檢驗(yàn)虛擬假設(shè)時(shí)的相對(duì)假設(shè)。
AR（1）序列相關(guān)（AR(1) Serial Correlation）：時(shí)間序列回歸模型中的誤差遵循AR（1）模型。
漸近置信區(qū)間（Asymptotic Confidence Interval）：大樣本容量下近似成立的置信區(qū)間。
漸近正態(tài)性（Asymptotic Normality）：適當(dāng)正態(tài)化后樣本分布收斂到標(biāo)準(zhǔn)正態(tài)分布的估計(jì)量。
漸近性質(zhì)（Asymptotic Properties）：當(dāng)樣本容量無限增長(zhǎng)時(shí)適用的估計(jì)量和檢驗(yàn)統(tǒng)計(jì)量性質(zhì)。
漸近標(biāo)準(zhǔn)誤（Asymptotic Standard Error）：大樣本下生效的標(biāo)準(zhǔn)誤。
漸近t 統(tǒng)計(jì)量（Asymptotic t Statistic）：大樣本下近似服從標(biāo)準(zhǔn)正態(tài)分布的t統(tǒng)計(jì)量。
漸近方差（Asymptotic Variance）：為了獲得漸近標(biāo)準(zhǔn)正態(tài)分布，我們必須用以除估計(jì)量的平方值。
漸近有效（Asymptotically Efficient）：對(duì)于服從漸近正態(tài)分布的一致性估計(jì)量，有最小漸近方差的估計(jì)量。
漸近不相關(guān)（Asymptotically Uncorrelated）：時(shí)間序列過程中，隨著兩個(gè)時(shí)點(diǎn)上的隨機(jī)變量的時(shí)間間隔增加，它們之間的相關(guān)趨于零。
衰減偏誤（Attenuation Bias）：總是朝向零的估計(jì)量偏誤，因而有衰減偏誤的估計(jì)量的期望值小于參數(shù)的絕對(duì)值。
自回歸條件異方差性（Autoregressive Conditional Heteroskedasticity, ARCH）：動(dòng)態(tài)異方差性模型，即給定過去信息，誤差項(xiàng)的方差線性依賴于過去的誤差的平方。
一階自回歸過程[AR（1）]（Autoregressive Process of Order One [AR(1)]）：一個(gè)時(shí)間序列模型，其當(dāng)前值線性依賴于最近的值加上一個(gè)無法預(yù)測(cè)的擾動(dòng)。
輔助回歸（Auxiliary Regression）：用于計(jì)算檢驗(yàn)統(tǒng)計(jì)量——例如異方差性和序列相關(guān)的檢驗(yàn)統(tǒng)計(jì)量——或其他任何不估計(jì)主要感興趣的模型的回歸。
平均值（Average）：n個(gè)數(shù)之和除以n。
B
基組、基準(zhǔn)組（Base Group）：在包含虛擬解釋變量的多元回歸模型中，由截距代表的組。
基期（Base Period）：對(duì)于指數(shù)數(shù)字，例如價(jià)格或生產(chǎn)指數(shù)，其他所有時(shí)期均用來作為衡量標(biāo)準(zhǔn)的時(shí)期。
基期值（Base Value）：指定的基期的值，用以構(gòu)造指數(shù)數(shù)字；通常基本值為1或100。
最優(yōu)線性無偏估計(jì)量（Best Linear Unbiased Estimator, BLUE）：在所有線性、無偏估計(jì)量中，有最小方差的估計(jì)量。 在高斯—馬爾科夫假定下，OLS是以解釋變量樣本值為條件的BLUE 。
貝塔系數(shù)（Beta Coef?cients）：見標(biāo)準(zhǔn)化系數(shù)。
偏誤（Bias）：估計(jì)量的期望參數(shù)值與總體參數(shù)值之差。
偏誤估計(jì)量（Biased Estimator）：期望或抽樣平均與假設(shè)要估計(jì)的總體值有差異的估計(jì)量。
向零的偏誤（Biased Towards Zero）：描述的是估計(jì)量的期望絕對(duì)值小于總體參數(shù)的絕對(duì)值。
二值響應(yīng)模型（Binary Response Model）：二值因變量的模型。
二值變量（Binary Variable）：見虛擬變量。
兩變量回歸模型（Bivariate Regression Model）：見簡(jiǎn)單線性回歸模型。
BLUE（BLUE）：見最優(yōu)線性無偏估計(jì)量。
Breusch-Godfrey 檢驗(yàn)（Breusch-Godfrey Test）：漸近正確的AR（p）序列相關(guān)檢驗(yàn)，以AR（1）最為流行；該檢驗(yàn)考慮到滯后因變量和其他不是嚴(yán)格外生的回歸元。
Breusch-Pagan 檢驗(yàn)（Breusch-Pagan Test）：將OLS殘差的平方對(duì)模型中的解釋變量做回歸的異方差性檢驗(yàn)。
C
因果效應(yīng)（Causal Effect）：一個(gè)變量在其余條件不變情況下的變化對(duì)另一個(gè)變量產(chǎn)生的影響。
其余條件不變（Ceteris Paribus）：其他所有相關(guān)因素均保持固定不變。
經(jīng)典含誤差變量（Classical Errors-in-Variables, CEV）：觀測(cè)的量度等于實(shí)際變量加上一個(gè)獨(dú)立的或至少不相關(guān)的測(cè)量誤差的測(cè)量誤差模型。
經(jīng)典線性模型（Classical Linear Model）：全套經(jīng)典線性模型假定下的復(fù)線性回歸模型。
經(jīng)典線性模型（CLM）假定（Classical Linear Model (CLM) Assumptions）：對(duì)多元回歸分析的理想假定集，對(duì)橫截面分析為假定MLR.1至MLR.6，對(duì)時(shí)間序列分析為假定TS.1至TS.6。假定包括對(duì)參數(shù)為線性、無完全共線性、零條件均值、同方差、無序列相關(guān)和誤差正態(tài)性。
科克倫—奧克特（CO）估計(jì)（Cochrane-Orcutt (CO) Estimation）：估計(jì)含AR（1）誤差和嚴(yán)格外生解釋變量的多元線性回歸模型的一種方法；與普萊斯—溫斯登估計(jì)不同，科克倫—奧克特估計(jì)不使用第一期的方程。
置信區(qū)間（CI）（Con?dence Interval, CI）：用于構(gòu)造隨機(jī)區(qū)間的規(guī)則，以使所有數(shù)據(jù)集中的某一百分比（由置信水平?jīng)Q定）給出包含總體值的區(qū)間。
置信水平（Con?dence Level）：我們想要可能的樣本置信區(qū)間包含總體值的百分比，95%是最常見的置信水平，90%和99%也用。
不變彈性模型（Constant Elasticity Model）：因變量關(guān)于解釋變量的彈性為常數(shù)的模型；在多元回歸中，兩者均以對(duì)數(shù)形式出現(xiàn)。
同期外生回歸元（Contemporaneously Exogenous）：在時(shí)間序列或綜列數(shù)據(jù)應(yīng)用中，與同期誤差項(xiàng)不相關(guān)但對(duì)其他時(shí)期則不一定的回歸元。
控制組（Control Group）：在項(xiàng)目評(píng)估中，不參與該項(xiàng)目的組。
控制變量（Control Variable）：見解釋變量。
協(xié)方差平穩(wěn)（Covariance Stationary）：時(shí)間序列過程，其均值、方差為常數(shù)，且序列中任意兩個(gè)隨機(jī)變量之間的協(xié)方差僅與它們的間隔有關(guān)。
協(xié)變量（Covariate）：見解釋變量。
臨界值（Critical Value）：在假設(shè)檢驗(yàn)中，用于與檢驗(yàn)統(tǒng)計(jì)量比較來決定是否拒絕虛擬假設(shè)的值。
橫截面數(shù)據(jù)集（Cross-Sectional Data Set）：在給定時(shí)點(diǎn)上從總體中收集的數(shù)據(jù)集
D
數(shù)據(jù)頻率（Data Frequency）：收集時(shí)間序列數(shù)據(jù)的區(qū)間。年度、季度和月度是最常見的數(shù)據(jù)頻率。
戴維森—麥金農(nóng)檢驗(yàn)（Davidson-MacKinnon Test）：用于檢驗(yàn)相對(duì)于非嵌套對(duì)立假設(shè)的模型的檢驗(yàn)：它可用相爭(zhēng)持模型中得出的擬合值的t檢驗(yàn)來實(shí)現(xiàn)。
自由度（df）（Degrees of Freedom, df）：在多元回歸模型分析中，觀測(cè)值的個(gè)數(shù)減去待估參數(shù)的個(gè)數(shù)。
分母自由度（Denominator Degrees of Freedom）：F檢驗(yàn)中無約束模型的自由度。
因變量（Dependent Variable）：在多元回歸模型（和其他各種模型）中被解釋的變量。
除趨勢(shì)（Detrending）：從時(shí)間序列中除去趨勢(shì)的做法。
斜率級(jí)差（Difference in Slopes）：所描述的是模型中某些斜率參數(shù)，因組或時(shí)期的不同而不同。
向下偏誤（Downward Bias）：估計(jì)量的期望值低于參數(shù)的總體值。
虛擬變量（Dummy Variable）：取值為0或1的變量。
虛擬變量陷阱（Dummy Variable Regression）：自變量中包含了過多的虛擬變量造成的錯(cuò)誤；當(dāng)模型中既有整體截距又對(duì)每一組都設(shè)有一個(gè)虛擬變量時(shí)，該陷阱就產(chǎn)生了。
德賓—沃森（DW）統(tǒng)計(jì)量（Durbin-Watson (DW) Statistic）：在經(jīng)典線性回歸假設(shè)下，用于檢驗(yàn)時(shí)間序列回歸模型的誤差項(xiàng)中的一階序列相關(guān)的統(tǒng)計(jì)量。
動(dòng)態(tài)完整模型（Dynamically Complete Model）：設(shè)更多的滯后因變量，或設(shè)更多的滯后解釋變量都無助于解釋因變量的均值的時(shí)間序列模型。
E
計(jì)量經(jīng)濟(jì)模型（Econometric Model）：將因變量與一組解釋變量和未觀測(cè)到的擾動(dòng)聯(lián)系起來的方程，方程中未知的總體參數(shù)決定了各解釋變量在其余條件不變下的效應(yīng)。
經(jīng)濟(jì)模型（Economic Model）：從經(jīng)濟(jì)理論或不那么正規(guī)的經(jīng)濟(jì)原因中得出的關(guān)系。
經(jīng)濟(jì)顯著性（Economic Signi?cance）：見實(shí)際顯著性。
彈性（Elasticity）：給定一個(gè)變量在其余條件不變下增加1%，另一個(gè)變量的百分比變化。
經(jīng)驗(yàn)分析（Empirical Analysis）：用正規(guī)計(jì)量分析中的數(shù)據(jù)檢驗(yàn)理論、估計(jì)關(guān)系式或確定政策效應(yīng)的研究。
內(nèi)生解釋變量（Endogenous Explanatory Variable）：在多元回歸模型中，由于遺漏變量、測(cè)量誤差或聯(lián)立性的原因而與誤差項(xiàng)相關(guān)的解釋變量。
內(nèi)生樣本選擇（Endogenous Sample Selection）：非隨機(jī)樣本選擇，其選擇直接地或通過方程中的誤差項(xiàng)與因變量相聯(lián)系。
誤差項(xiàng)（Error Term）：在簡(jiǎn)單或多元回歸方程中，包含了未觀測(cè)到的影響因變量的因素的變量。誤差項(xiàng)也可能包含被觀測(cè)的因變量或自變量中的測(cè)量誤差。
誤差方差（Error Variance）：多元回歸模型中誤差項(xiàng)的方差。
事件研究（Event Study）：事件（例如政府規(guī)制或經(jīng)濟(jì)政策的變化）對(duì)結(jié)果變量的效應(yīng)的計(jì)量分析。
排除一個(gè)有關(guān)變量（Excluding a Relevant Variable）：在多元回歸分析中，遺漏了一個(gè)對(duì)因變量有非零偏效應(yīng)的變量。
排斥性約束（Exclusion Restrictions）：說明某些變量被排斥在模型之外（或具有零總體參數(shù)）的約束。
外生解釋變量（Exogenous Explanatory Variable）：與誤差項(xiàng)不相關(guān)的解釋變量。
外生樣本選擇（Exogenous Sample Selection）：或者依賴外生解釋變量，或者與所感興趣的模型中的誤差項(xiàng)不相關(guān)的樣本選擇。
實(shí)驗(yàn)數(shù)據(jù)（Experimental Data）：通過進(jìn)行受控制的實(shí)驗(yàn)獲得的數(shù)據(jù)。
試驗(yàn)組（Experimental Group）：見處理組。
解釋平方和（SSE）（Explained Sum of Squares, SSE）：多元回歸模型中擬合值的總樣本變異。
被解釋變量（Explained Variable）：見因變量。
解釋變量（Explanatory Variable）：在回歸分析中，用于解釋因變量中的變異的變量。
指數(shù)趨勢(shì)（Exponential Trend）：有固定增長(zhǎng)率的趨勢(shì)。
F
F統(tǒng)計(jì)量（F Statistic）：在多元回歸模型中，用于檢驗(yàn)關(guān)于參數(shù)的多重假設(shè)的統(tǒng)計(jì)量。
可行的GLS（FGLS）估計(jì)量（Feasible GLS (FGLS) Estimator）：方差或相關(guān)參數(shù)未知，因而必須先進(jìn)行估計(jì)的GLS程序。 （又見廣義最小二乘估計(jì)量。）
有限分布滯后（FDL）模型（Finite Distributed Lag (FDL) Model）：允許一個(gè)或多個(gè)解釋變量對(duì)因變量有滯后效應(yīng)的動(dòng)態(tài)模型。
一階差分（First Difference）：對(duì)相鄰時(shí)期做差分所構(gòu)成的對(duì)時(shí)間序列的轉(zhuǎn)換，即用后一時(shí)期減去前一時(shí)期。
一階條件（First Order Conditions）：用于求解OLS估計(jì)值的一組線性方程。
擬合值（Fitted Values）：在各觀測(cè)中將自變量的值插入OLS回歸線時(shí)，所得到的因變量的估計(jì)值。
函數(shù)形式的錯(cuò)誤設(shè)定（al Form Misspeci?cation）：當(dāng)模型中有被遺漏的解釋變量的函數(shù)（例如二次項(xiàng)），或者對(duì)一個(gè)因變量或某些自變量用了錯(cuò)誤的函數(shù)時(shí)產(chǎn)生的問題。
G
高斯—馬爾科夫假定（Gauss-Markov Assumptions）：一組假定（假定MLR.1至MLR.5或假定TS.1至TS.5），在這之下OLS是BLUE 。
高斯—馬爾科夫定理（Gauss-Markov Theorem）：該定理表明，在五個(gè)高斯—馬爾科夫假定下（對(duì)于橫截面或時(shí)間序列模型），OLS估計(jì)量是BLUE （在解釋變量樣本值的條件下）。
廣義最小二乘（GLS） 估計(jì)量（Generalized Least Squares (GLS) Estimator）： 通過對(duì)原始模型的變換，說明了已知結(jié)構(gòu)的誤差的方差（異方差性）和誤差中的序列相關(guān)形式或兩者兼有的估計(jì)量。
擬合優(yōu)度度量（Goodness-of-Fit Measure）：概括一組解釋變量有多好地解釋了因變量或響應(yīng)變量的統(tǒng)計(jì)量。
增長(zhǎng)率（Growth Rate）：時(shí)間序列中相對(duì)于前一時(shí)期的比例變化?？蓪⑺茷閷?duì)數(shù)差分或以百分比形式報(bào)導(dǎo)。
H
異方差性（Heteroskedasticity）：給定解釋變量，誤差項(xiàng)的方差不為常數(shù)。
未知形式的異方差性（Heteroskedasticity of Unknown Form）：以一未知的任意形式依賴于解釋變量的異方差性。
異方差—穩(wěn)健F 統(tǒng)計(jì)量（Heteroskedasticity-Robust F Statistic）：對(duì)未知形式的異方差性而言（漸近）穩(wěn)健的F 統(tǒng)計(jì)量。
異方差—穩(wěn)健LM 統(tǒng)計(jì)量（Heteroskedasticity-Robust LM Statistic）： 對(duì)未知形式的異方差性而言（漸近）穩(wěn)健的LM 統(tǒng)計(jì)量。
異方差—穩(wěn)健標(biāo)準(zhǔn)誤（Heteroskedasticity-Robust Standard Error）： 對(duì)未知形式的異方差性而言（漸近）穩(wěn)健的標(biāo)準(zhǔn)誤。
異方差—穩(wěn)健t 統(tǒng)計(jì)量（Heteroskedasticity-Robust t Statistic）：對(duì)未知形式的異方差性而言（漸近）穩(wěn)健的t 統(tǒng)計(jì)量。
高持續(xù)性過程（Highly Persistent Process）：時(shí)間序列過程，其中遙遠(yuǎn)的將來的結(jié)果與當(dāng)前的結(jié)果高度相關(guān)。
同方差性（Homoskedasticity）：回歸模型中的誤差在解釋變量條件下具有不變的方差。
I
即期彈性（Impact Elasticity）：在分布滯后模型中，給定自變量增加1%因變量的即時(shí)的百分比變化。
即期乘數(shù)（Impact Multiplier）：見即期傾向。
即期傾向（Impact Propensity）：在分布滯后模型中，自變量增加一個(gè)單位因變量的即時(shí)的變化。
包含一個(gè)無關(guān)變量（Inclusion of an Irrelevant Variable）：用OLS估計(jì)方程時(shí)，回歸模型中包含了總體參數(shù)為零的解釋變量。
指數(shù)（Index Number）：關(guān)于經(jīng)濟(jì)行為（例如生產(chǎn)或價(jià)格）總量信息的統(tǒng)計(jì)量。
影響重大的觀測(cè)值（In?uential Observations）：見奇異值。
INTRODUCTORY ECONOMETRICS
一階自積［I（1）］（Integrated of Order One [I(1)]）：需要做一階差分來得到I（0）過程的時(shí)間序列過程。
零階自積［I（0）］（Integrated of Order Zero [I(0)]）： 平穩(wěn)、弱獨(dú)立時(shí)間序列過程，當(dāng)用于回歸分析時(shí)，它滿足大數(shù)定律和中心極限定理。
交互作用（Interaction Effect）：回歸模型中為兩個(gè)解釋變量的乘積的自變量。
截距參數(shù)（Intercept Parameter）：復(fù)線性回歸模型中，給出當(dāng)所有自變量都為零時(shí)因變量的期望值的參數(shù)。
截距的變動(dòng)（Intercept Shift）：回歸模型中的截距，因組或時(shí)期的不同而不同。
J
聯(lián)合假設(shè)檢驗(yàn)（Joint Hypothesis Test）：一個(gè)模型中包含不止一個(gè)對(duì)參數(shù)的約束的檢驗(yàn)。
聯(lián)合統(tǒng)計(jì)顯著性（Jointly Statistically Signi?cant）：兩個(gè)或多個(gè)解釋變量具有零總體系數(shù)的虛擬假設(shè)以一個(gè)選定的顯著性水平被拒絕。
L
滯后分布（Lag Distribution）：在無限或有限分布滯后模型中，把滯后系數(shù)表示為滯后長(zhǎng)度的函數(shù)。
滯后因變量（Lagged Dependent Variable）：等于以前時(shí)期的因變量的解釋變量。
拉格朗日乘數(shù)統(tǒng)計(jì)量（Lagrange Multiplier Statistic）：僅在大樣本下為正確的檢驗(yàn)統(tǒng)計(jì)量，它可用于在不同的模型設(shè)定問題中檢驗(yàn)遺漏變量、異方差性和序列相關(guān)。
大樣本性質(zhì)（Large Sample Properties）：見漸近性質(zhì)。
水平值—水平值模型（Level-Level Model）：因變量與自變量均為標(biāo)準(zhǔn)（或原始）形式的回歸模型。
水平值—對(duì)數(shù)模型（Level-Log Model）：因變量為標(biāo)準(zhǔn)形式、自變量（至少是其中一部分）為對(duì)數(shù)形式的回歸模型。
線性概率模型（LPM）（Linear Probability Model, LPM）：響應(yīng)概率對(duì)參數(shù)為線性的二值響應(yīng)模型。
線性時(shí)間趨勢(shì)（Linear Time Trend）：為時(shí)間的線性函數(shù)的趨勢(shì)。
線性無偏估計(jì)量（Linear Unbiased Estimator）：在多元回歸分析中，是因變量值的一個(gè)線性函數(shù)的那些無偏估計(jì)量。
對(duì)數(shù)—水平值模型（Log-Level Model）：因變量以對(duì)數(shù)形式出現(xiàn)，而自變量是水平（或原始）形式的一種回歸模型。
對(duì)數(shù)—對(duì)數(shù)模型（Log-Log Model）：因變量和（至少一部分）解釋變量都是以對(duì)數(shù)形式出現(xiàn)的回歸模型。
長(zhǎng)期彈性（Long-Run Elasticity）： 因變量和自變量都是對(duì)數(shù)形式出現(xiàn)的分布滯后模型中的長(zhǎng)期傾向。即，長(zhǎng)期彈性是在給定解釋變量增長(zhǎng)了1%時(shí)，被解釋變量最終變化的百分比。
長(zhǎng)期乘數(shù)（Long-Run Multiplier）：參見長(zhǎng)期傾向。
長(zhǎng)期傾向（Long-Run Propensity）：在一個(gè)分布滯后模型中，給定自變量的一個(gè)永久性的、一個(gè)單位的增長(zhǎng)，因變量最終的變化量。
M
配對(duì)樣本（Matched Pairs Sample）：每個(gè)觀測(cè)值都與另一個(gè)觀測(cè)值相匹配的一種樣本，如由丈夫和妻子或一對(duì)兄妹組成的樣本。
測(cè)量誤差（Measurement Error）：觀測(cè)到的變量與多元回歸方程中的變量之間的差。
微數(shù)缺測(cè)性（Micronumerosity）：由Arthur Goldberger 首先提出的一個(gè)概念，用以描述容量樣本較小時(shí)計(jì)量經(jīng)濟(jì)學(xué)估計(jì)量的性質(zhì)。
最小方差無偏估計(jì)量（Minimum Variance Unbiased Estimator）：在所有的無偏估計(jì)量中方差最小的那個(gè)估計(jì)量。
數(shù)據(jù)缺失（Missing Data）：當(dāng)我們沒有觀測(cè)到樣本中某些觀測(cè)（個(gè)人、城市、時(shí)期等）所對(duì)應(yīng)的一些變量值時(shí)，發(fā)生的一類數(shù)據(jù)問題。
一階移動(dòng)平均過程[MA（1）]（Moving Average Process of Order One [MA(1)]）：是由某個(gè)隨機(jī)過程的當(dāng)期值與一期滯后的線性函數(shù)所產(chǎn)生的一種時(shí)間序列過程。這個(gè)隨機(jī)過程是0均值、固定方差和不相關(guān)的。
多重共線性（Multicollinearity）：指多元回歸模型中自變量之間的相關(guān)性。當(dāng)某些相關(guān)性“很大”時(shí)，就會(huì)發(fā)生多重共線性，但對(duì)實(shí)際的大小尺度并沒有明確的規(guī)定。
多重假設(shè)檢驗(yàn)（Multicollinearity）：涉及到參數(shù)的多個(gè)約束條件的虛擬假設(shè)檢驗(yàn)。
多元線性回歸（MLR）模型（Multiple Linear Regression (MLR) Model）：對(duì)參數(shù)是線性的一類模型，其中的因變量是自變量的函數(shù)加上一個(gè)誤差項(xiàng)。
多元回歸分析（Multiple Regression Analysis）：在多元線性回歸模型中進(jìn)行估計(jì)和推斷的一類分析。
多重約束（Multiple Restrictions）：計(jì)量經(jīng)濟(jì)學(xué)模型中對(duì)參數(shù)的多于一個(gè)的約束條件。
乘數(shù)測(cè)量誤差（Multiplicative Measurement Error）：觀測(cè)到的變量等于實(shí)際的觀測(cè)不到的變量與一個(gè)正的測(cè)量誤差的乘積時(shí)出現(xiàn)的一種測(cè)量誤差。
N
n-R-平方統(tǒng)計(jì)量（n-R-Squared Statistic）：參見拉格朗日乘數(shù)統(tǒng)計(jì)量。
名義變量（Nominal Variable）：用名義或當(dāng)前美元數(shù)表示的變量。
非實(shí)驗(yàn)數(shù)據(jù)（Nonexperimental Data）：不是通過人為控制下的實(shí)驗(yàn)得到的數(shù)據(jù)。
非嵌套模型（Nonnested Models）：沒有一個(gè)模型可以通過對(duì)參數(shù)施加限制條件而被表示成另一個(gè)模型的特例的兩個(gè)（或更多）模型。
非平穩(wěn)過程（Nonstationary Process）：聯(lián)合分布在不同的時(shí)期不是恒定不變的一種時(shí)間序列過程。
正態(tài)性假定（Normality Assumption）：經(jīng)典線性模型假定之一。它是指以解釋變量為條件的誤差（或因變量）有正態(tài)分布。
虛擬假設(shè)（Null Hypothesis）：在經(jīng)典假設(shè)檢驗(yàn)中，我們把這個(gè)假設(shè)當(dāng)作真的，要求數(shù)據(jù)能夠提供足夠的證據(jù)才能否定它。
分子自由度（Numerator Degrees of Freedom）：在F檢驗(yàn)中，所檢驗(yàn)的約束條件的個(gè)數(shù)。
O
可觀測(cè)數(shù)據(jù)（Observational Data）：參見非實(shí)驗(yàn)數(shù)據(jù)。
OLS（OLS）：參見普通最小二乘法。
OLS截距估計(jì)值（OLS Intercept Estimate）：OLS回歸線的截距。
OLS回歸線（OLS Regression Line）：表示了因變量的預(yù)報(bào)值與自變量的值之間關(guān)系的方程，它的參數(shù)是用OLS估計(jì)出來的。
OLS斜率估計(jì)值（OLS Slope Estimate）：OLS回歸線的斜率。
遺漏變量偏誤（Omitted Variable Bias）：回歸中遺漏了有關(guān)變量而產(chǎn)生的OLS估計(jì)量的偏誤。
單側(cè)對(duì)立假設(shè)（One-Sided Alternative）：被表述為參數(shù)大于（或小于）虛擬條件下的假設(shè)值的一種對(duì)立假設(shè)。
單尾檢驗(yàn)（One-Tailed Test）：與單側(cè)對(duì)立假設(shè)相對(duì)的假設(shè)檢驗(yàn)。
序數(shù)變量（Ordinal Variable）：通過排列順序傳達(dá)信息的一種數(shù)據(jù)，它們的大小本身并不說明任何問題。
普通最小二乘法（OLS）（Ordinary Least Squares, OLS）：用來估計(jì)多元線性回歸模型中的參數(shù)的一種方法。最小二乘估計(jì)值通過最小化殘差的平方和得到。
INTRODUCTORY ECONOMETRICS
異常數(shù)據(jù)（Outliers）：在數(shù)據(jù)集中，與大量其他數(shù)據(jù)有明顯區(qū)別的觀測(cè)值。這種現(xiàn)象可能是由于誤差造成的，也可能是因?yàn)樗鼈兪怯膳c多數(shù)其他數(shù)據(jù)不同的模型產(chǎn)生而造成的。
整體顯著性（Overall Signi?cance of a Regression）：對(duì)多元回歸方程中所有的解釋變量所做的一種聯(lián)合顯著性檢驗(yàn)。
模型的過度識(shí)別（Overspecifying a Model）：參見含有一個(gè)無關(guān)變量。
p值（p-value）：指能夠拒絕虛擬假設(shè)的最低顯著性水平。等價(jià)的，它也指虛擬假設(shè)不被拒絕的最大顯著性水平。
綜列數(shù)據(jù)（Panel Data）：在不同時(shí)期，橫截面的不斷反復(fù)得到的數(shù)據(jù)集。在平衡的綜列中，同樣的單位在每個(gè)時(shí)期都出現(xiàn)。在不平衡的綜列中，有些單位往往由于衰減現(xiàn)象而不會(huì)在每個(gè)時(shí)期都出現(xiàn)。
偏效應(yīng)（Partial Effect）：回歸模型中的其他因素保持不變時(shí)，某個(gè)解釋變量對(duì)因變量的影響。
完全共線性（Perfect Collinearity）：在多元回歸中，一個(gè)自變量是一個(gè)或多個(gè)其他自變量的線性函數(shù)。
變量缺失問題的插入解（Plug-In Solution to the Omitted Variables Problem）：在OLS回歸中，用一個(gè)代理變量代替觀測(cè)不到的缺失變量。
政策分析（Policy Analysis）：用計(jì)量經(jīng)濟(jì)學(xué)模型來評(píng)估某項(xiàng)政策的效果的一種實(shí)證分析。
混合橫截面（Pooled Cross Section）：通常在不同時(shí)點(diǎn)收集到的相互獨(dú)立的橫截面組合而成的一個(gè)單獨(dú)的數(shù)據(jù)集。
總體（Population）：作為統(tǒng)計(jì)或計(jì)量經(jīng)濟(jì)分析對(duì)象的一個(gè)明確定義的組群（人、公司、城市等）。
總體模型（Population Model）：一種描述了總體特征的模型，特別是多元線性回歸模型。
總體R平方（Population R-Squared）：總體中，由解釋變量解釋了的那部分因變量的變異。
總體回歸函數(shù)（Population Regression ）：參見條件期望。
實(shí)際顯著性（Practical Signi?cance）： 相對(duì)于統(tǒng)計(jì)顯著性而言的、某個(gè)估計(jì)值的實(shí)際的或經(jīng)濟(jì)的重要性，用它的符號(hào)和大小來衡量。
普萊斯—溫斯登（PW）估計(jì)（Prais-Winsten (PW) Estimation）：一種用來估計(jì)有AR（1）誤差和嚴(yán)格外生解釋變量的多元線性回歸模型的方法；不同于科克倫-奧克特方法，它在估計(jì)中要用到第一個(gè)時(shí)期的方程。
前定變量（Predetermined Variable）：在聯(lián)立方程模型中的滯后的內(nèi)生變量或滯后的外生變量。
被預(yù)測(cè)變量（Predicted Variable）：參見因變量。
預(yù)報(bào)（Prediction）：把特定的解釋變量的值代入所估計(jì)的模型，通常是多元回歸模型中，以得到結(jié)果的一個(gè)估計(jì)值。
預(yù)測(cè)誤差（Prediction Error）：實(shí)際結(jié)果與所預(yù)報(bào)的結(jié)果之間的差。
預(yù)測(cè)區(qū)間（Prediction Interval）：多元回歸模型中，某個(gè)因變量的未知結(jié)果的一個(gè)置信區(qū)間。
預(yù)測(cè)變量（Predictor Variable）：參見解釋變量。
項(xiàng)目評(píng)估（Program Evaluation）：用計(jì)量經(jīng)濟(jì)學(xué)方法求出某個(gè)私人或公共項(xiàng)目的不確定影響的一種評(píng)估方法。
代理變量（Proxy Variable）：多元回歸分析中，一個(gè)與觀測(cè)不到的解釋變量有關(guān)系但又不相同的可觀測(cè)變量。 二次函數(shù)（Quadratic s）：包含一個(gè)或多個(gè)解釋變量的平方的函數(shù)，它反映了解釋變量對(duì)因變量的逐漸變?nèi)趸蛟鰪?qiáng)的影響。
定性變量（Qualitative Variable）：描述一個(gè)人、企業(yè)及城市等的非定量特征的變量。
擬—差分?jǐn)?shù)據(jù)（Quasi-Differenced Data）：在估計(jì)有AR（1）的序列相關(guān)的回歸模型時(shí)，當(dāng)期數(shù)據(jù)與前一期數(shù)據(jù)乘以AR（1）模型的參數(shù)后得到的數(shù)據(jù)之間的差。
R
平方（R-Bar Squared）：參見校正的R2。
R2（R-Squared）：在多元回歸模型中，由自變量解釋了的那部分因變量的樣本方差之和。
R2形式的F統(tǒng)計(jì)量（R-Squared Form of the F Statistic）：用受約束和不受約束的模型中得到的由R2-表示的、用于檢驗(yàn)排除約束條件的F統(tǒng)計(jì)量。
隨機(jī)抽樣（Random Sampling）：在總體中隨機(jī)抽取觀測(cè)值的一種抽樣方法。各個(gè)單位被抽取的可能性是相同的，而且每次抽樣都與其他次相互獨(dú)立。
隨機(jī)游走（Random Walk）：在這樣一種時(shí)間序列中，下個(gè)時(shí)期的值等于本期值加上一個(gè)獨(dú)立的（或至少是不相關(guān)的）誤差項(xiàng)。
有漂移的隨機(jī)游走（Random Walk with Drift）：每個(gè)時(shí)期都加進(jìn)一個(gè)常數(shù)（或漂移）的隨機(jī)游走。
實(shí)際變量（Real Variable）：用基期貨幣價(jià)值表示的變量。
回歸子（Regressand）：參見因變量。
回歸誤差設(shè)定檢驗(yàn)（RESET）（Regression Speci?cation Error Test, RESET）：在多元回歸模型中，檢驗(yàn)函數(shù)形式的一般性方法。它是一種由最初的OLS估計(jì)得出的擬合值的平方、三次方以及可能更高次冪的聯(lián)合顯著性F檢驗(yàn)。
過原點(diǎn)回歸（Regression Through the Origin）：截距被設(shè)為0的回歸分析，它的斜率通過最小化殘差的平方和求出。
回歸元（Regressor）：參見解釋變量。
拒絕區(qū)域（Rejection Region）：使得虛擬假設(shè)被拒絕的一組檢驗(yàn)統(tǒng)計(jì)量的值。
拒絕法則（Rejection Rule）：在假設(shè)檢驗(yàn)中，決定在什么情況下拒絕虛擬假設(shè)并支持對(duì)立假設(shè)的法則。
殘差（Residual）：實(shí)際值與擬合（或預(yù)報(bào)）值之間的差。樣本中的每次觀測(cè)都有一個(gè)相應(yīng)的殘差，它們被用來計(jì)算OLS回歸線。
殘差分析（Residual Analysis）：在估計(jì)多元回歸模型后，對(duì)某次特定觀測(cè)的殘差的符號(hào)和大小所作的研究。
殘差平方和（Residual Sum of Squares）：參見殘差的平方和。
響應(yīng)概率（Response Probability）：在二值響應(yīng)模型中，以解釋變量為條件的因變量取值為1的概率。
響應(yīng)變量（Response Variable）：參見因變量。
受約束的模型（Restricted Model）：在假設(shè)檢驗(yàn)中，施加所有虛擬假設(shè)所要求的約束條件后得到的模型。
均方根誤（RMSE）（Root Mean Squared Error, RMSE）：多元回歸分析中回歸標(biāo)準(zhǔn)誤的另一個(gè)名稱（僅當(dāng)期望值等于實(shí)測(cè)值—譯者）。
s
樣本回歸函數(shù)（Sample Regression ）：參見OLS回歸線。
得分統(tǒng)計(jì)量（Score Statistic）：參見拉格朗日乘數(shù)統(tǒng)計(jì)量。
季節(jié)性虛擬變量（Seasonal Dummy Variables）：一組用來表示季節(jié)或月份的虛擬變量。
季節(jié)性（Seasonality）：月度或季度時(shí)間序列具有的均值隨著一年中季節(jié)的不同而系統(tǒng)性變化的特點(diǎn)。
季節(jié)性調(diào)整（Seasonally Adjusted）：用某種統(tǒng)計(jì)程序，可能是對(duì)季節(jié)性虛擬變量做回歸，來消除月度或季度時(shí)間序列中的季節(jié)性成分。
半彈性（Semi-Elasticity）：自變量的一個(gè)單位的增長(zhǎng)導(dǎo)致的因變量的變化的百分比。
序列相關(guān)（Serial Correlation）：在時(shí)間序列或綜列數(shù)據(jù)模型中，不同時(shí)期的誤差之間的相關(guān)性。
INTRODUCTORY ECONOMETRICS
序列相關(guān)—穩(wěn)健標(biāo)準(zhǔn)誤（Serial Correlation-Robust Standard Error）：不管模型中的誤差是否與序列相關(guān)，都（漸近）生效的估計(jì)量的標(biāo)準(zhǔn)誤。
序列不相關(guān)（Serially Uncorrelated）：在時(shí)間序列或綜列數(shù)據(jù)模型中，不同時(shí)間的誤差兩兩之間不相關(guān)。
短期彈性（Short-Run Elasticity）：因變量和自變量都以對(duì)數(shù)形式出現(xiàn)的分布滯后模型中的即期傾向。
顯著性水平（Signi?cance Level）：假設(shè)檢驗(yàn)中發(fā)生第I類錯(cuò)誤的概率。
簡(jiǎn)單線性回歸模型（Simple Linear Regression Model）：因變量只是一個(gè)自變量和一個(gè)誤差項(xiàng)的線性函數(shù)的模型。
斜率參數(shù)（Slope Parameter）：多元回歸模型中的自變量的系數(shù)。
謬誤相關(guān)（Spurious Correlation）：不是因?yàn)槎哂幸蚬P(guān)系，可能是因?yàn)樗鼈兌际芰硪粋€(gè)觀測(cè)不到的因素影響，所導(dǎo)致的兩個(gè)變量之間的相關(guān)性。
謬誤回歸問題（Spurious Regression Problem）：如果回歸分析表明兩個(gè)或多個(gè)無關(guān)時(shí)間序列具有一定關(guān)系，而其原因僅僅因?yàn)樗鼈兠總€(gè)都有趨勢(shì)或都是自積時(shí)間序列（如隨機(jī)游走），或上面兩種情況同時(shí)出現(xiàn)，這種問題就是謬誤回歸問題。
穩(wěn)定的AR（1）過程（Stable AR(1) Process）：滯后變量的系數(shù)絕對(duì)值小于1時(shí)的AR（1）過程。序列中的兩個(gè)隨機(jī)變量的相關(guān)性，隨著它們之間的時(shí)間間隔不斷增大，以幾何級(jí)數(shù)趨近于0。
β1的標(biāo)準(zhǔn)誤（Standard Error of β1）：β1抽樣分布的標(biāo)準(zhǔn)差的估計(jì)值。
β1的標(biāo)準(zhǔn)差（Standard Deviation of β1）：衡量β1抽樣分布的分散程度的常用指標(biāo)。
估計(jì)值的標(biāo)準(zhǔn)誤（Standard Error of the Estimate）：參見回歸的標(biāo)準(zhǔn)誤。
回歸的標(biāo)準(zhǔn)誤（SER）（Standard Error of the Regression, SER）：多元回歸分析中的總體誤差的標(biāo)準(zhǔn)差的估計(jì)值。等于殘差平方和的平方根除以自由度。
標(biāo)準(zhǔn)化系數(shù)（Standardized Coef?cients）：一種回歸系數(shù)，它度量了自變量增加一個(gè)標(biāo)準(zhǔn)差時(shí)，因變量的改變是其標(biāo)準(zhǔn)差的倍數(shù)。
靜態(tài)模型（Static Model）：只有當(dāng)期的解釋變量影響因變量的一種時(shí)間序列模型。
平穩(wěn)過程（Stationary Process）：邊際和所有的聯(lián)合分布都不隨時(shí)間變化的一種時(shí)間序列過程。
統(tǒng)計(jì)上不顯著（Statistically Insigni?cant）：在選定的顯著性水平上，無法拒絕總體參數(shù)等于0的虛擬假設(shè)。
統(tǒng)計(jì)上顯著（Statistically Significant）：在選定的顯著性水平上，相對(duì)于特定的對(duì)立假設(shè)，拒絕總體參數(shù)等于0的虛擬假設(shè)。
隨機(jī)過程（Stochastic Process）：標(biāo)注了時(shí)間的一系列隨機(jī)變量。
嚴(yán)格外生的（Strict Exogeneity）：時(shí)間序列或綜列數(shù)據(jù)模型中的解釋變量的一個(gè)特點(diǎn)，以所有時(shí)期的解釋變量為條件的、任何時(shí)期的誤差項(xiàng)都是有0均值。更寬松的一種說法是用相關(guān)性為0來表述的。
強(qiáng)相依（Strongly Dependent）：參見高度持續(xù)過程。
殘差平方和（Sum of Squared Residuals）：多元回歸模型中，所觀測(cè)的OLS殘差的平方和。
求和運(yùn)算符（Summation Operator）：用∑表示的一個(gè)符號(hào)，用來表示對(duì)一組數(shù)據(jù)的求和運(yùn)算。
T
t 比率、t 統(tǒng)計(jì)量（t Ratio、t Statistic）：用來對(duì)計(jì)量經(jīng)濟(jì)學(xué)模型中關(guān)于參數(shù)的單個(gè)假設(shè)進(jìn)行檢驗(yàn)的一種統(tǒng)計(jì)量。
時(shí)間序列數(shù)據(jù)（Time Series Data）：搜集到的一個(gè)或多個(gè)變量在不同時(shí)間上的數(shù)據(jù)。
時(shí)間序列過程（Time Series Process）：參見隨機(jī)過程。
時(shí)間趨勢(shì)（Time Trend）：時(shí)間的函數(shù)，它是趨勢(shì)時(shí)間序列過程的期望值。
總平方和（SST）（Total Sum of Squares, SST）：因變量相對(duì)于它的樣本均值的總樣本變異。
處理組（Treatment Group）：在項(xiàng)目評(píng)估中，參與這一項(xiàng)目的群體。
（也見實(shí)驗(yàn)群組）趨勢(shì)過程（Trending Process）：期望值是時(shí)間的增函數(shù)或減函數(shù)的時(shí)間序列過程。
趨勢(shì)—平穩(wěn)過程（Trend-Stationary Process）：在除掉了時(shí)間趨勢(shì)后變得平穩(wěn)的過程。毫無疑問，除掉了趨勢(shì)的序列是弱相依的。
真實(shí)模型（True Model）：表示因變量與有關(guān)自變量及一個(gè)干擾項(xiàng)之間關(guān)系的真實(shí)的總體模型。在這個(gè)模型中，0條件均值假定成立。
雙側(cè)對(duì)立假設(shè)（Two-Sided Alternative）：總體參數(shù)既可以大于又可以小于虛擬假設(shè)提出的值的一種檢驗(yàn)方法。
雙尾檢驗(yàn)（Two-Tailed Test）：相對(duì)于雙側(cè)對(duì)立檢驗(yàn)的檢驗(yàn)方法。
U
無偏估計(jì)量（Unbiased Estimator）：期望值（或抽樣分布的均值）等于總體值（與總體值的大小無關(guān)）的估計(jì)量。
不相關(guān)隨機(jī)變量（Uncorrelated Random Variables）：相互之間沒有線性關(guān)系的隨機(jī)變量。
設(shè)定不足的模型（Underspecifying a Model）：參見忽略一個(gè)有關(guān)的變量。
單位根過程（Unit Root Process）：當(dāng)期值等于前一個(gè)時(shí)期的值加上一個(gè)弱相依的干擾項(xiàng)的一種高度持續(xù)的時(shí)間序列過程。
無約束模型（Unrestricted Model）：在假設(shè)檢驗(yàn)中，對(duì)參數(shù)沒有任何限制條件的模型。
向上偏誤（Upward Bias）：估計(jì)量的期望值大于總體參數(shù)的值。
V
方差（Variance）：表示隨機(jī)變量分布的分散程度的一項(xiàng)指標(biāo)。
預(yù)測(cè)誤差的方差（Variance of the Prediction Error）：當(dāng)以估計(jì)的多元回歸方程為基礎(chǔ)來預(yù)報(bào)因變量的一個(gè)將來值時(shí)，產(chǎn)生的誤差的方差。
W
弱相依（Weakly Dependent）：在時(shí)間序列過程中，表示隨機(jī)變量在不同時(shí)期的兩個(gè)值之間的相互依賴性質(zhì)的指標(biāo)（比如相關(guān)性），如果這一依賴性隨著時(shí)間間隔的增大而減小，這個(gè)時(shí)間序列就是弱相依的。
加權(quán)最小二乘（WLS）估計(jì)量（Weighted Least Squares (WLS) Estimator）：用來校正某種已知形式的異方差的估計(jì)量。其中，每個(gè)殘差的平方都得到一個(gè)等于誤差的（估計(jì)的）方差的倒數(shù)的權(quán)重。
懷特檢驗(yàn)（White Test）：異方差的一種檢驗(yàn)方法，涉及到做OLS殘差的平方對(duì)OLS擬合值和擬合值的平方的回歸。這種檢驗(yàn)方法的最一般的形式是，作OLS殘差的平方對(duì)解釋變量、解釋變量的平方和所有非多余的解釋變量間的交叉乘積的回歸。
Z
0條件均值假定（Zero Conditional Mean Assumption）：多元回歸分析中很關(guān)鍵的一個(gè)假定。它的含義是，給定解釋變量的所有值時(shí)，誤差的期望值都等于0。（參見假定MLR.3、TS.2和TS.2'）
