英汉对照计量经济学术语Word格式文档下载.docx
《英汉对照计量经济学术语Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《英汉对照计量经济学术语Word格式文档下载.docx（43页珍藏版）》请在冰点文库上搜索。
基组、基准组（BaseGroup）：
在包含虚拟解释变量的多元回归模型中，由截距代表的组。
基期（BasePeriod）：
对于指数数字，例如价格或生产指数，其他所有时期均用来作为衡量标准的时期。
基期值（Basevalue）：
指定的基期的值，用以构造指数数字；
通常基本值为1或100。
最优线性无偏估计量（BestLinearUnbiasedEstimator,BLUE）：
在所有线性、无偏估计量中，有最小
方差的估计量。
在高斯—马尔科夫假定下，OLS是以解释变量样本值为条件的BLUE。
贝塔系数（BetaCoef?
cients）：
见标准化系数。
偏误（Bias）：
估计量的期望参数值与总体参数值之差。
偏误估计量（BiasedEstimator）：
期望或抽样平均与假设要估计的总体值有差异的估计量。
向零的偏误（BiasedTowardsZero）：
描述的是估计量的期望绝对值小于总体参数的绝对值。
二值响应模型（BinaryResponseModel）：
二值因变量的模型。
二值变量（BinaryVariable）：
见虚拟变量。
两变量回归模型（BivariateRegressionModel）：
见简单线性回归模型。
BLUE（BLUE）：
见最优线性无偏估计量。
Breusch-Godfrey检验（Breusch-GodfreyTest）：
渐近正确的AR（p）序列相关检验，以AR
（1）最为流
行；
该检验考虑到滞后因变量和其他不是严格外生的回归元。
Breusch-Pagan检验（Breusch-PaganTest）：
将OLS残差的平方对模型中的解释变量做回归的异方差性
检验。
C
因果效应（CausalEffect）：
一个变量在其余条件不变情况下的变化对另一个变量产生的影响。
其余条件不变（CeterisParibus）：
其他所有相关因素均保持固定不变。
经典含误差变量（ClassicalErrors-in-Variables,CEV）：
观测的量度等于实际变量加上一个独立的或
至少不相关的测量误差的测量误差模型。
经典线性模型（ClassicalLinearModel）：
全套经典线性模型假定下的复线性回归模型。
经典线性模型（CLM）假定（ClassicalLinearModel（CLM）Assumptions）：
对多元回归分析的理想假定
集，对横截面分析为假定MLR.1至MLR.6，对时间序列分析为假定TS.1至TS.6。
假定包括对参数为线性、
无完全共线性、零条件均值、同方差、无序列相关和误差正态性。
科克伦—奥克特（CO）估计（Cochrane-Orcutt（CO）Estimation）：
估计含AR
（1）误差和严格外生解释
变量的多元线性回归模型的一种方法；
与普莱斯—温斯登估计不同，科克伦—奥克特估计不使用第一期的
方程。
置信区间（CI）（Con?
denceInterval,CI）：
用于构造随机区间的规则，以使所有数据集中的某一百分
比（由置信水平决定）给出包含总体值的区间。
置信水平（Con?
denceLevel）：
我们想要可能的样本置信区间包含总体值的百分比，95%是最常见的置信
水平，90%和99%也用。
不变弹性模型（ConstantElasticityModel）：
因变量关于解释变量的弹性为常数的模型；
在多元回归中，
两者均以对数形式出现。
同期外生回归元（ContemporaneouslyExogenous）：
在时间序列或综列数据应用中，与同期误差项不相关
但对其他时期则不一定的回归元。
控制组（ControlGroup）：
在项目评估中，不参与该项目的组。
控制变量（ControlVariable）：
见解释变量。
协方差平稳（CovarianceStationary）：
时间序列过程，其均值、方差为常数，且序列中任意两个随机变
量之间的协方差仅与它们的间隔有关。
协变量（Covariate）：
临界值（Criticalvalue）：
在假设检验中，用于与检验统计量比较来决定是否拒绝虚拟假设的值。
横截面数据集（Cross-SectionalDataSet）：
在给定时点上从总体中收集的数据集
D
数据频率（DataFrequency）：
收集时间序列数据的区间。
年度、季度和月度是最常见的数据频率。
戴维森—麦金农检验（Davidson-MacKinnonTest）：
用于检验相对于非嵌套对立假设的模型的检验：
它可
用相争持模型中得出的拟合值的t检验来实现。
自由度（df）（DegreesofFreedom,df）：
在多元回归模型分析中，观测值的个数减去待估参数的个数。
分母自由度（DenominatorDegreesofFreedom）：
F检验中无约束模型的自由度。
因变量（DependentVariable）：
在多元回归模型（和其他各种模型）中被解释的变量。
除趋势（Detrending）：
从时间序列中除去趋势的做法。
斜率级差（DifferenceinSlopes）：
所描述的是模型中某些斜率参数，因组或时期的不同而不同。
向下偏误（DownwardBias）：
估计量的期望值低于参数的总体值。
虚拟变量（DummyVariable）：
取值为0或1的变量。
虚拟变量陷阱（DummyVariableRegression）：
自变量中包含了过多的虚拟变量造成的错误；
当模型中既
有整体截距又对每一组都设有一个虚拟变量时，该陷阱就产生了。
德宾—沃森（DW）统计量（Durbin-Watson（DW）Statistic）：
在经典线性回归假设下，用于检验时间序
列回归模型的误差项中的一阶序列相关的统计量。
动态完整模型（DynamicallyCompleteModel）：
设更多的滞后因变量，或设更多的滞后解释变量都无助
于解释因变量的均值的时间序列模型。
E
计量经济模型（EconometricModel）：
将因变量与一组解释变量和未观测到的扰动联系起来的方程，方程
中未知的总体参数决定了各解释变量在其余条件不变下的效应。
经济模型（EconomicModel）：
从经济理论或不那么正规的经济原因中得出的关系。
经济显着性（EconomicSigni?
cance）：
见实际显着性。
弹性（Elasticity）：
给定一个变量在其余条件不变下增加1%，另一个变量的百分比变化。
经验分析（EmpiricalAnalysis）：
用正规计量分析中的数据检验理论、估计关系式或确定政策效应的研
究。
内生解释变量（EndogenousExplanatoryVariable）：
在多元回归模型中，由于遗漏变量、测量误差或联
立性的原因而与误差项相关的解释变量。
内生样本选择（EndogenousSampleSelection）：
非随机样本选择，其选择直接地或通过方程中的误差项
与因变量相联系。
误差项（ErrorTerm）：
在简单或多元回归方程中，包含了未观测到的影响因变量的因素的变量。
误差项
也可能包含被观测的因变量或自变量中的测量误差。
误差方差（ErrorVariance）：
多元回归模型中误差项的方差。
事件研究（EventStudy）：
事件（例如政府规制或经济政策的变化）对结果变量的效应的计量分析。
排除一个有关变量（ExcludingaRelevantVariable）：
在多元回归分析中，遗漏了一个对因变量有非零
偏效应的变量。
排斥性约束（ExclusionRestrictions）：
说明某些变量被排斥在模型之外（或具有零总体参数）的约束。
外生解释变量（ExogenousExplanatoryVariable）：
与误差项不相关的解释变量。
外生样本选择（ExogenousSampleSelection）：
或者依赖外生解释变量，或者与所感兴趣的模型中的误
差项不相关的样本选择。
实验数据（ExperimentalData）：
通过进行受控制的实验获得的数据。
试验组（ExperimentalGroup）：
见处理组。
解释平方和（SSE）（ExplainedSumofSquares,SSE）：
多元回归模型中拟合值的总样本变异。
被解释变量（ExplainedVariable）：
见因变量。
解释变量（ExplanatoryVariable）：
在回归分析中，用于解释因变量中的变异的变量。
指数趋势（ExponentialTrend）：
有固定增长率的趋势。
F
F统计量（FStatistic）：
在多元回归模型中，用于检验关于参数的多重假设的统计量。
可行的GLS（FGLS）估计量（FeasibleGLS（FGLS）Estimator）：
方差或相关参数未知，因而必须先进行
估计的GLS程序。
（又见广义最小二乘估计量。
）
有限分布滞后（FDL）模型（FiniteDistributedLag（FDL）Model）：
允许一个或多个解释变量对因变量
有滞后效应的动态模型。
一阶差分（FirstDifference）：
对相邻时期做差分所构成的对时间序列的转换，即用后一时期减去前一
时期。
一阶条件（FirstOrderConditions）：
用于求解OLS估计值的一组线性方程。
拟合值（Fittedvalues）：
在各观测中将自变量的值插入OLS回归线时，所得到的因变量的估计值。
函数形式的错误设定（FunctionalFormMisspeci?
cation）：
当模型中有被遗漏的解释变量的函数（例如
二次项），或者对一个因变量或某些自变量用了错误的函数时产生的问题。
G
高斯—马尔科夫假定（Gauss-MarkovAssumptions）：
一组假定（假定MLR.1至MLR.5或假定TS.1至TS.
5），在这之下OLS是BLUE。
高斯—马尔科夫定理（Gauss-MarkovTheorem）：
该定理表明，在五个高斯—马尔科夫假定下（对于横截
面或时间序列模型），OLS估计量是BLUE（在解释变量样本值的条件下）。
广义最小二乘（GLS）估计量（GeneralizedLeastSquares（GLS）Estimator）：
通过对原始模型的变
换，说明了已知结构的误差的方差（异方差性）和误差中的序列相关形式或两者兼有的估计量。
拟合优度度量（Goodness-of-FitMeasure）：
概括一组解释变量有多好地解释了因变量或响应变量的统计
量。
增长率（GrowthRate）：
时间序列中相对于前一时期的比例变化。
可将它近似为对数差分或以百分比形式
报导。
H
异方差性（Heteroskedasticity）：
给定解释变量，误差项的方差不为常数。
未知形式的异方差性（HeteroskedasticityofUnknownForm）：
以一未知的任意形式依赖于解释变量的
异方差性。
异方差—稳健F统计量（Heteroskedasticity-RobustFStatistic）：
对未知形式的异方差性而言（渐
近）稳健的F统计量。
异方差—稳健LM统计量（Heteroskedasticity-RobustLMStatistic）：
对未知形式的异方差性而言（渐
近）稳健的LM统计量。
异方差—稳健标准误（Heteroskedasticity-RobustStandardError）：
近）稳健的标准误。
异方差—稳健t统计量（Heteroskedasticity-RobusttStatistic）：
近）稳健的t统计量。
高持续性过程（HighlyPersistentProcess）：
时间序列过程，其中遥远的将来的结果与当前的结果高度
相关。
同方差性（Homoskedasticity）：
回归模型中的误差在解释变量条件下具有不变的方差。
I
即期弹性（ImpactElasticity）：
在分布滞后模型中，给定自变量增加1%因变量的即时的百分比变化。
即期乘数（ImpactMultiplier）：
见即期倾向。
即期倾向（ImpactPropensity）：
在分布滞后模型中，自变量增加一个单位因变量的即时的变化。
包含一个无关变量（InclusionofanIrrelevantVariable）：
用OLS估计方程时，回归模型中包含了总
体参数为零的解释变量。
指数（IndexNumber）：
关于经济行为（例如生产或价格）总量信息的统计量。
影响重大的观测值（In?
uentialObservations）：
见奇异值。
INTRODUCTORYECONOMETRICS
一阶自积［I
（1）］（IntegratedofOrderOne[I
（1）]）：
需要做一阶差分来得到I（0）过程的时间序
列过程。
零阶自积［I（0）］（IntegratedofOrderZero[I（0）]）：
平稳、弱独立时间序列过程，当用于回归
分析时，它满足大数定律和中心极限定理。
交互作用（InteractionEffect）：
回归模型中为两个解释变量的乘积的自变量。
截距参数（InterceptParameter）：
复线性回归模型中，给出当所有自变量都为零时因变量的期望值的参
数。
截距的变动（InterceptShift）：
回归模型中的截距，因组或时期的不同而不同。
J
联合假设检验（JointHypothesisTest）：
一个模型中包含不止一个对参数的约束的检验。
联合统计显着性（JointlyStatisticallySigni?
cant）：
两个或多个解释变量具有零总体系数的虚拟假
设以一个选定的显着性水平被拒绝。
L
滞后分布（LagDistribution）：
在无限或有限分布滞后模型中，把滞后系数表示为滞后长度的函数。
滞后因变量（LaggedDependentVariable）：
等于以前时期的因变量的解释变量。
拉格朗日乘数统计量（LagrangeMultiplierStatistic）：
仅在大样本下为正确的检验统计量，它可用于
在不同的模型设定问题中检验遗漏变量、异方差性和序列相关。
大样本性质（LargeSampleProperties）：
见渐近性质。
水平值—水平值模型（Level-LevelModel）：
因变量与自变量均为标准（或原始）形式的回归模型。
水平值—对数模型（Level-LogModel）：
因变量为标准形式、自变量（至少是其中一部分）为对数形式的
回归模型。
线性概率模型（LPM）（LinearProbabilityModel,LPM）：
响应概率对参数为线性的二值响应模型。
线性时间趋势（LinearTimeTrend）：
为时间的线性函数的趋势。
线性无偏估计量（LinearUnbiasedEstimator）：
在多元回归分析中，是因变量值的一个线性函数的那些
无偏估计量。
对数—水平值模型（Log-LevelModel）：
因变量以对数形式出现，而自变量是水平（或原始）形式的一种
对数—对数模型（Log-LogModel）：
因变量和（至少一部分）解释变量都是以对数形式出现的回归模型。
长期弹性（Long-RunElasticity）：
因变量和自变量都是对数形式出现的分布滞后模型中的长期倾向。
即，长期弹性是在给定解释变量增长了1%时，被解释变量最终变化的百分比。
长期乘数（Long-RunMultiplier）：
参见长期倾向。
长期倾向（Long-RunPropensity）：
在一个分布滞后模型中，给定自变量的一个永久性的、一个单位的增
长，因变量最终的变化量。
M
配对样本（MatchedPairsSample）：
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（MeasurementError）：
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ArthurGoldberger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（MinimumVarianceUnbiasedEstimator）：
在所有的无偏估计量中方差最小的那个
估计量。
数据缺失（MissingData）：
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）]（MovingAverageProcessofOrderOne[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（MultipleLinearRegression（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（MultipleRegressionAnalysis）：
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（MultipleRestrictions）：
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（MultiplicativeMeasurementError）：
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-SquaredStatistic）：
参见拉格朗日乘数统计量。
名义变量（NominalVariable）：
用名义或当前美元数表示的变量。
非实验数据（NonexperimentalData）：
不是通过人为控制下的实验得到的数据。
非嵌套模型（NonnestedModels）：
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（NonstationaryProcess）：
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（NormalityAssumption）：
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（NullHypothesis）：
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（NumeratorDegreesofFreedom）：
在F检验中，所检验的约束条件的个数。
O
可观测数据（ObservationalData）：
参见非实验数据。
OLS（OLS）：
参见普通最小二乘法。
OLS截距估计值（OLSInterceptEstimate）：
OLS回归线的截距。
OLS回归线（OLSRegressionLine）：
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（OLSSlopeEstimate）：
OLS回归线的斜率。
遗漏变量偏误（OmittedVariableBias）：
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-SidedAlternative）：
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-TailedTest）：
与单侧对立假设相对的假设检验。
序数变量（OrdinalVariable）：
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）（OrdinaryLeastSquares,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。
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。
整体显着性（OverallSigni?
canceofaRegression）：
对多元回归方程中所有的解释变量所做的一种联
合显着性检验。
模型的过度识别（OverspecifyingaModel）：
参见含有一个无关变量。
P
p值（p-value）：
指能够拒绝虚拟假设的最低显着性水平。
等价的，它也指虚拟假设不被拒绝的最大显着
性
升级会员 