橫截面與面板數據的計量經(jīng)濟分析（第二版）（套裝上下冊）簡(jiǎn)介，目錄書(shū)摘

內容簡(jiǎn)介:　　這本備受贊譽(yù)的研究生教材第二版提供了用在現代計量經(jīng)濟學(xué)研究的兩類(lèi)數據結構分析的一個(gè)統一處理：橫截面數據和面板數據。本書(shū)同時(shí)涵蓋了線(xiàn)性和非線(xiàn)性模型，包括含有動(dòng)態(tài)性和/或個(gè)體異質(zhì)性的模型。除了一般估計框架（特別是矩方法與極大似然法）外，還詳細介紹了一些特定的線(xiàn)性與非線(xiàn)性方法，包括probit和logit模型、多項選擇和有序選擇模型、Tobit模型和兩部拓展式、關(guān)于計數數據的模型、多種截取和缺失數據設計、因果（或處理）效應估計，以及期限分析，并擴展了控制函數和相關(guān)隨機效應方法以允許估計存在內生性和異質(zhì)性的復雜模型。
　　  相比第一版，第二版已經(jīng)被實(shí)質(zhì)性地更新和修訂。改進(jìn)包括：更大的一類(lèi)關(guān)于缺失數據問(wèn)題的模型；整群抽樣問(wèn)題更詳細的處理，這對經(jīng)驗研究而言是一個(gè)重要主題；關(guān)于＂廣義工具變量＂(GIV)估計的展開(kāi)討論；對逆概率加權的新覆蓋；一個(gè)用于估計含有關(guān)于干預和不同數據結構——包括面板數據，和一個(gè)在對非線(xiàn)性面板數據的計量經(jīng)濟學(xué)方法與在統計學(xué)及其他領(lǐng)域中流行的＂廣義估計方法＂文獻之間牢固確立的聯(lián)系——方面假設的處理效應之更完整的框架。對解釋特殊的計量經(jīng)濟學(xué)方法可以在何時(shí)應用給予了新的關(guān)注；目標不僅是告訴讀者什么是起作用的，而且還說(shuō)明某些＂顯然的＂程序為何不可行。許多列入書(shū)中的習題，無(wú)論是理論性的還是基于計算機的，都允許讀者拓展涵蓋在書(shū)中的方法并發(fā)現新的洞見(jiàn)。

作者簡(jiǎn)介:杰弗里.M.伍德里奇是密歇根州立大學(xué)的經(jīng)濟學(xué)＂大學(xué)杰出教授＂和計量經(jīng)濟學(xué)會(huì )院士。

目錄:第Ⅰ篇 引論與背景

第1章 引論
1．1 因果關(guān)系與其余條件不變分析
1．2 隨機設置與漸近分析
1．2．1 數據結構
1．2．2 漸近分析
1．3 一些例子
1．4 為什么不使用固定的解釋變量?

第2章 計量經(jīng)濟學(xué)中條件期望與相關(guān)概念
2．1 條件期望在計量經(jīng)濟學(xué)中的作用
2．2 條件期望的特征
2．2．1 定義與例子
2．2．2 偏效應、彈性與半彈性
2．2．3 條件期望模型的誤差形式
2．2．4 條件期望的若干性質(zhì)
2．2．5 平均偏效應
2．3 線(xiàn)性投影
習題
附錄2A
2A．1 條件期望的性質(zhì)
2A．2 條件方差與協(xié)方差的性質(zhì)
2A．3 線(xiàn)性投影的性質(zhì)

第3章 基本漸近理論
3．1 確定性序列收斂
3．2 依概率收斂與依概率有界
3．3 依分布收斂
3．4 隨機樣本的極限定理
3．5 估計量與檢驗統計量的極限特性
3．5．1 估計量的漸近性質(zhì)
3．5．2 檢驗統計量的漸近性質(zhì)
習題


第Ⅱ篇 線(xiàn)性模型

第4章 單方程線(xiàn)性模型與普通最小二乘法估計
4．1 單方程線(xiàn)性模型概述
4．2 普通最小二乘法的漸近性質(zhì)
4．2．1 一致性
4．2．2 利用普通最小二乘法的漸近推斷
4．2．3 異方差性穩健的推斷
4．2．4 拉格朗日乘子（得分）檢驗
4．3 遺漏變量問(wèn)題的普通最小二乘法解
4．3．1 忽略被遺漏變量的普通最小二乘法
4．3．2 代理變量——普通最小二乘法解
4．3．3 含有在不可觀(guān)測項中存在的交互作用的模型：隨機系數模型
4．4 測量誤差下普通最小二乘法的性質(zhì)
4．4．1 因變量的測量誤差
4．4．2 解釋變量的測量誤差
習題

第5章 單方程線(xiàn)性模型的工具變量估計
5．1 工具變量與兩階段最小二乘法
5．1．1 工具變量估計的動(dòng)機
5．1．2 多重工具：兩階段最小二乘法
5．2 兩階段最小二乘法的一般處理
5．2．1 一致性
5．2．2 兩階段最小二乘法的漸近正態(tài)性
5．2．3 兩階段最小二乘法的漸近有效性
5．2．4 使用兩階段最小二乘法的假設檢驗
5．2 兩階段最小二乘法的異方差性穩健推斷
5．2．6 使用兩階段最小二乘法的潛在陷阱
5．3 遺漏變量與測量誤差問(wèn)題的IV解
5．3．1 誤差項中的遺漏因素
5．3．2 利用不可觀(guān)測指示符求解
習題

第6章 附加的單方程專(zhuān)題
6．1 使用生成回歸元與工具的估計
6．1．1 使用生成回歸元的普通最小二乘法
6．1．2 使用生成工具的二階段最小二乘法
6．1．3 生成工具與回歸元
6．2 處理內生性的控制函數法
6．3 一些設定檢驗
6．3．1 內生性檢驗
6．3．2 過(guò)度識別約束檢驗
6．3．3 函數形式檢驗
6．3．4 異方差性檢驗
6．4 相關(guān)的隨機系數模型
6．4．1 何時(shí)一般的IV估計量是一致的？
6．4．2 控制函數法
6．5 混合的截面數據與倍差法估計
6．5．1 跨時(shí)間混合橫截面
6．5．2 政策分析和倍差法估計
習題
附錄6A

第7章 利用普通最小二乘法與廣義最小二乘法估計方程組
7．1 簡(jiǎn)介
7．2 一些例子
7．3 多變量線(xiàn)性方程組的系統普通最小二乘法估計
7．3．1 預備知識
7．3．2 系統普通最小二乘法的漸近性質(zhì)
7．3．3 多重假設檢驗
7．4 廣義最小二乘法的一致性與漸近正態(tài)性
7．4．1 一致性
7．4．2 漸近正態(tài)性
7．5 可行的廣義最小二乘法
7．5．1 漸近性質(zhì)
7．5．2 標準假設下可行的廣義最小二乘法的漸近方差
7．5．3 含有對無(wú)條件方差矩陣（可能不正確）約束的可行廣義最小二乘法的性質(zhì)
7．6 檢驗可行廣義最小二乘法的使用
7．7 似無(wú)關(guān)回歸的再研究
7．7．1 關(guān)于似無(wú)關(guān)回歸方程組的普通最小二乘法與可行廣義最小二乘法之間的比較
7．7．2 含有方程間約束的方程組
7．7．3 似無(wú)關(guān)回歸方程組中的奇異方差矩陣
7．8 線(xiàn)性面板數據模型的再研究
7．8．1 混合普通最小二乘法的假設
7．8．2 動(dòng)態(tài)完備性
7．8．3 時(shí)間序列持久性的一個(gè)評注
7．8．4 穩健漸近方差矩陣
7．8．5 檢驗混合普通最小二乘法的序列相關(guān)性與異方差性
7．8．6 嚴格外生性下可行的廣義最小二乘法估計
習題


第8章 利用工具變量的系統估計
8．1 簡(jiǎn)介與例子
8．2 一般線(xiàn)性方程組
8．3 廣義矩估計方法
8．3．1 一般加權矩陣
8．3．2 系統兩階段最小二乘法估計量
8．3．3 最優(yōu)加權矩陣
8．3．4 廣義矩三階段最小二乘法估計量
8．4 廣義工具變量估計量
8．4．1 廣義工具變量估計量的推導及其漸近性質(zhì)
8．4．2 廣義矩方法、廣義工具變量及傳統的三階段最小二乘估計量之比較
8．5 利用廣義矩方法的檢驗
8．5．1 檢驗古典假設
8．5．2 檢驗過(guò)度識別約束
8．6 更有效估計與最優(yōu)工具
8．7 對如何選擇一個(gè)估計量的總結評論
習題

第9章 聯(lián)立方程模型
9．1 聯(lián)立方程模型的范圍
9．2 線(xiàn)性方程組的識別
9．2．1 排除約束與約簡(jiǎn)型
9．2．2 一般線(xiàn)性約束與結構方程
9．2．3 不可識別、恰好識別以及過(guò)度識別方程
9．3 識別后估計
9．3．1 穩健性與有效性的權衡
9．3．2 什么時(shí)候2SLS與3SLS是等價(jià)的？
9．3．3 估計約簡(jiǎn)型參數
9．4 附加的線(xiàn)性聯(lián)立方程方法的若干專(zhuān)題
9．4．1 利用跨方程約束達到識別
9．4．2 利用協(xié)方差約束達到識別
9．4．3 關(guān)于線(xiàn)性方程組中的識別與有效性的一些微妙之處
9．5 關(guān)于內生變量為非線(xiàn)性的聯(lián)立方程模型
9．5．1 識別
9．5．2 估計
9．5．3 三角形方程組的控制函數估計
9．6 不同方程的不同工具
習題
．

第10章 基本線(xiàn)性不可觀(guān)測效應面板數據模型
10．1 動(dòng)機：遺漏變量問(wèn)題
10．2 不可觀(guān)測效應與解釋變量的假設
10．2．1 隨機效應還是固定效應?
10．2．2 解釋變量的嚴格外生性假設
10．2．3 不可觀(guān)測效應面板數據模型的一些例子
10．3 通過(guò)混合普通最小二乘法估計不可觀(guān)測效應模型
10．4 隨機效應方法
10．4．1 基本隨機效應假設下的估計與推斷
10．4．2 穩健方差矩陣估計量
10．4．3 一般可行廣義最小二乘法分析
10．4．4 檢驗不可觀(guān)測效應的存在
10．5 固定效應方法
10．5．1 固定效應估計量的一致性
10．5．2 含有固定效應的漸近推斷
10．5．3 虛擬變量回歸
10．5．4 序列相關(guān)與穩健方差矩陣估計量
10．5．5 固定效應廣義最小二乘法
10．5．6 利用固定效應對政策分析進(jìn)行估計
10．6 一階差分方法
10．6．1 推斷
10．6．2 穩健方差矩陣
10．6．3 序列相關(guān)檢驗
10．6．4 利用一階差分的政策分析
10．7 估計量的比較
10．7．1 固定效應與一階差分
10．7．2 隨機效應估計量與固定效應估計量之間的關(guān)系
10．7．3 比較隨機效應估計量與固定效應估計量的豪斯曼檢驗
習題

．
第11章 線(xiàn)性不可觀(guān)測效應模型的更多專(zhuān)題
11．1 標準線(xiàn)性不可觀(guān)測效應模型的廣義矩方法（GMM）
11．1．1 GMM的3SLS和標準估計量之間的等價(jià)性
11．1．2 不可觀(guān)測效應模型的張伯倫方法
11．2 隨機和固定效應工具變量法
11．3 豪斯曼和泰勒式模型
11．4 一階差分工具變量法
11．5 含測量誤差的不可觀(guān)測效應模型
11．6 序貫外生性下的估計
11．6．1 一般框架
11．6．2 含滯后因變量的模型
11．7 含有個(gè)體特有斜率的模型
11．7．1 隨機趨勢模型
11．7．2 含有個(gè)體特有斜率的一般模型
11．7．3 標準固定效應方法的穩健性
11．7．4 相關(guān)隨機斜率檢驗
習題


第Ⅲ篇非線(xiàn)性估計的一般方法

第12章 M估計、非線(xiàn)性回歸以及分位數回歸
12．1 簡(jiǎn)介
12．2 識別、一致收斂性與一致性
12．3 漸近正態(tài)性
12．4 兩步驟M估計量
12．4．1 一致性
12．4．2 漸近正態(tài)性
12．5 估計漸近方差
12．5．1 不含多余參數的估計
12．5．2 調整兩步估計
12．6 假設檢驗
12．6．1 瓦爾德檢驗
12．6．2 得分（或拉格朗日乘子）檢驗
12．6．3 基于目標函數中變化的檢驗
12．6．4 備擇假設下的統計量表現
12．7 最優(yōu)化方法
12．7．1 牛頓拉夫森方法
12．7．2 伯恩特霍爾霍爾豪斯曼算法
12．7．3 廣義高斯牛頓方法
12．7．4 出自目標函數的集成參數
12．8 模擬與再抽樣方法
12．8．1 蒙特卡羅模擬
12．8．2 自助法
12．9 多元非線(xiàn)性回歸方法
12．9．1 多元非線(xiàn)性最小二乘法
12．9．2 加權多元非線(xiàn)性最小二乘法
12．10 分位數估計
12．10．1 分位數、估計問(wèn)題和一致性
12．10．2 漸近推斷
12．10．3 面板數據的分位數回歸
習題

第13章 極大似然法
13．1 簡(jiǎn)介
13．2 預備知識與例子
13．3 條件極大似然估計的一般框架
13．4 條件極大似然估計的一致性
13．5 漸近正態(tài)性與漸近方差估計
13．5．1 漸近正態(tài)性
13．5．2 估計漸近方差
13．6 假設檢驗
13．7 設定檢驗
13．8 面板數據的偏（或混合）似然方法
13．8．1 面板數據設置
13．8．2 漸近推斷
13．8．3 動(dòng)態(tài)完備模型的推斷
13．9 含有不可觀(guān)測效應的面板數據模型
13．9．1 含嚴格外生解釋變量的模型
13．9．2 含滯后因變量的模型
13．10 涉及極大似然的兩步法估計量
13．10．1 第二步估計量為極大似然估計量
13．10．2 當第一步估計量是條件極大似然估計量時(shí)令人驚訝的有效性結果
13．11 準極大似然估計
13．11．1 一般誤設
13．11．2 模型選擇檢驗
13．11．3 線(xiàn)性指數族中的準極大似然估計
13．11．4 面板數據的廣義估計方程
習題
附錄13A

第14章 廣義矩方法與最小距離估計
14．1 廣義矩方法的漸近性質(zhì)
14．2 在正交性條件下的估計
14．3 非線(xiàn)性方程組
14．4 有效估計
14．4．1 一般有效性框架
14．4．2 極大似然估計的有效性
14．4．3 在條件矩約束下對工具的有效選取
14．5 古典最小距離估計
14．6 面板數據的應用
14．6．1 非線(xiàn)性動(dòng)態(tài)模型
14．6．2 不可觀(guān)測效應模型的最小距離方法
14．6．3 含有關(guān)于不可觀(guān)測效應的時(shí)變系數的模型
習題
附錄14A


第Ⅳ篇 非線(xiàn)性模型與相關(guān)專(zhuān)題

第15章 二值響應模型
15．1 簡(jiǎn)介
15．2 二值響應的線(xiàn)性概率模型
15．3 二值響應的指標模型：Probit與Logit
15．4 二值響應指標模型的極大似然估計
15．5 二值響應指標模型檢驗
15．5．1 多重排除約束檢驗
15．5．2 關(guān)于β的非線(xiàn)性假設檢驗
15．5．3 針對更一般備擇假設的檢驗
15．6 Probit與Logit的結果報告
15．7 二值響應模型的設定問(wèn)題
15．7．1 可忽略的異質(zhì)性
15．7．2 連續內生解釋變量
15．7．3 二值內生解釋變量
15．7．4 潛變量模型的異方差性與非正態(tài)性
15．7． 5 在更弱假設下的估計
15．8 面板數據的二值響應模型
15．8．1 混合的probit與logit
15．8．2 嚴格外生性下不可觀(guān)測效應的probit模型
15．8．3 嚴格外生性下不可觀(guān)測效應的logit模型
15．8．4 動(dòng)態(tài)不可觀(guān)測效應模型
15．8．5 含異質(zhì)性與內生解釋變量的probit模型
15．8．6 半參數方法
習題

第16章 多項響應與有序響應模型
16．1 簡(jiǎn)介
16．2 多項響應模型
16．2．1 多項logit
16．2．2 概率選擇模型
16．2．3 內生解釋變量
16．2．4 面板數據方法
16．3 有序響應模型
16．3．1 有序logit與有序probit
16．3．2 有序模型中的設定問(wèn)題
16．3．3 內生解釋變量
16．3．4 面板數據方法
習題

第17章 角點(diǎn)解響應
17．1 動(dòng)機和例子
17．2 第Ⅰ類(lèi)Tobit回歸的有用表達式
17．3 第Ⅰ類(lèi)Tobit模型的估計和推斷
17．4 結果報告
17．5 Tobit模型中的設定問(wèn)題
17．5 ．1 可忽略的異質(zhì)性
17．5．2 內生解釋變量
17．5．3 潛變量模型中的異方差性與非正態(tài)性
17．5．4 更弱假設下的參數估計
17．6 兩部模型和角點(diǎn)解的第Ⅱ類(lèi)Tobit回歸
17．6．1 斷尾正態(tài)柵欄模型
17．6．2 對數正態(tài)柵欄模型和指數條件均值
17．6．3 指數的第Ⅱ類(lèi)Tobit模型
17．7 雙限Tobit模型
17．8 面板數據方法
17．8．1 混合方法
17．8．2 嚴格外生性下的不可觀(guān)測效應模型
17．8．3 動(dòng)態(tài)不可觀(guān)測效應Tobit模型
習題

第18章 計數響應、分數響應及其他非負響應
18．1 簡(jiǎn)介
18．2 泊松回歸
18．2．1 用于泊松回歸及所關(guān)注的量的假設
18．2．2 泊松QMLE的一致性
18．2．3 泊松QMLE的漸近正態(tài)性
18．2．4 假設檢驗
18．2． 5 設定檢驗
18．3 其他計數數據回歸模型
18．3．1 負二項回歸模型
18．3．2 二項回歸模型
18．4 伽瑪（指數）回歸模型
18．5 指數回歸函數中的內生性
18．6 分數響應
18．6．1 外生解釋變量
18．6．2 內生解釋變量
18．7 面板數據方法
18．7．1 混合QMLE
18．7．2 對含不可觀(guān)測效應的條件期望設定模型
18．7．3 隨機效應方法
18．7．4 固定效應泊松估計
18．7．5 放松嚴格外生性假設
18．7．6 面板數據的分數響應模型
習題

第19章 截取數據、樣本選擇及損耗
19．1 簡(jiǎn)介
19．2 數據截取
19．2．1 二值截取
19．2．2 區間加密
19．2．3 上部截取和下部截取
19．3 樣本選擇概述
19．4 樣本選擇何時(shí)可被忽略？
19．4．1 線(xiàn)性模型：利用OLS與2SLS的估計
19．4．2 非線(xiàn)性模型
19．5 以響應變量為基礎的選擇：斷尾回歸
19．6 從屬斷尾：一個(gè)probit選擇方程
19．6．1 外生解釋變量
19．6．2 內生解釋變量
19．6．3 含有樣本選擇的二值響應模型
19．6．4 一個(gè)指數響應函數
19．7 從屬斷尾：一個(gè)Tobit選擇方程
19．7．1 外生解釋變量
19．7．2 內生解釋變量
19．7．3 估計含有樣本選擇的結構Tobit方程
19．8 缺失數據的逆概率加權
19．9 線(xiàn)性面板數據的樣本選擇與損耗
19．9．1 含有非平衡面板數據的固定和隨機效應估計
19．9．2 對樣本選擇偏誤的檢驗與校正
19．9．3 損耗
習題

第20章 分層抽樣與整群抽樣
20．1 簡(jiǎn)介
20．2 分層抽樣
20．2．1 標準分層抽樣與可變概率抽樣
20．2．2 用加權估計量解釋分層
20．2．3 基于外生變量的分層
20．3 整群抽樣
20．3．1 關(guān)于整群數量多且整群規模小的推斷
20．3．2 含單元特有面板數據的整群樣本
20．3．3 對于大的組規模，我們應當應用整群—穩健的推斷嗎？
20．3．4 整群數量少時(shí)的推斷
20．4 復雜的調查抽樣
習題

第21章 估計平均處理效應
21．1 簡(jiǎn)介
21．2 反事實(shí)設置與自選擇問(wèn)題
21．3 假設處理的可忽略性（或無(wú)混性）的方法
21．3．1 識別
21．3．2 回歸調整
21．3．3 傾向得分方法
21．3．4 使回歸調整和傾向得分加權相結合
21．3．5 匹配方法
21．4 工具變量方法
21．4．1 利用IV估計平均處理效應
21．4．2 校正和控制函數法
21．4．3 利用IV估計局部平均處理效應
21．5 斷點(diǎn)回歸設計
21．5．1 清晰斷點(diǎn)回歸設計
21．5．2 模糊斷點(diǎn)回歸設計
21．5．3 與模糊斷點(diǎn)回歸相對比的無(wú)混性
21．6 進(jìn)一步探討的問(wèn)題
21．6．1 關(guān)于含離散性或取值范圍有限響應的特殊考慮
21．6．2 多值處理
21．6．3 多重處理
21．6．4 面板數據
習題

第22章 期限分析
22．1 簡(jiǎn)介
22．2 風(fēng)險函數
22．2．1 不帶協(xié)變量的風(fēng)險函數
22．2．2 以非時(shí)變協(xié)變量為條件的風(fēng)險函數
22．2．3 以時(shí)變協(xié)變量為條件的風(fēng)險函數
22．3 含有非時(shí)變協(xié)變量的單個(gè)時(shí)段數據分析
22．3．1 流量抽樣
22．3．2 使用截取流量數據的極大似然估計
22．3．3 存量抽樣
22．3．4 不可觀(guān)測異質(zhì)性
22．4 分組期限數據分析
22．4．1 非時(shí)變協(xié)變量
22．4．2 時(shí)變協(xié)變量
22．4．3 不可觀(guān)測異質(zhì)性
22．5 進(jìn)一步探討的問(wèn)題
22．5．1 比例風(fēng)險模型的考克斯偏似然方法
22．5．2 多重時(shí)段數據
22．5．3 互競風(fēng)險模型
習題
譯后記
第二版譯后記