前辅文
第一章 线性代数和矩阵基本知识
§1.1 线性代数基本知识
§1.1.1 向量空间
§1.1.2 Gram-Schmidt 正交化程序
§1.1.3 向量的正交投影和Bessel 不等式
§1.2 矩阵的一般理论和性质
§1.3 矩阵的数字特征
§1.4 几类特殊的矩阵
§1.5 二次型
§1.6 矩阵的特殊运算与矩阵的微商
第二章 多元统计分析基本知识
§2.1 随机向量的数字特征
§2.2 多元正态及由它生成的统计量
§2.3 矩阵正态分布和Wishart 分布
§2.4 相关性分析和关联性分析
*§2.5 其他重要的多元分布
§2.6 Copula
§2.6.1 Copula 的定义和性质
§2.6.2 几个重要的Copula
§2.6.3 阿基米德Copula 与对应的秩相关系数
§2.6.4 Copula 的C 藤和D 藤分解
§2.7 大数定律和中心极限定理
第三章 回归分析
§3.1 多元线性回归模型
§3.1.1 古典假定以及统计推断
§3.1.2 多重共线性
§3.1.3 异方差性
§3.1.4 自相关性
§3.1.5 解释变量与误差项的相关性
§3.1.6 分块回归与偏回归估计
*§3.2 多元统计分析
§3.2.1 多元模型
*§3.2.2 主成分分析与因子分析
*§3.2.3 偏最小二乘方法
§3.3 非线性回归模型
§3.3.1 可化为线性的非线性回归模型
§3.3.2 非线性回归模型及其最小二乘估计
§3.3.3 变参数线性回归模型
§3.4 非参数回归方法
§3.4.1 非参数回归模型
§3.4.2 核密度估计
§3.4.3 非参数均值回归
§3.4.4 局部多项式回归
§3.4.5 半参数模型
§3.4.6 样条方法
§3.5 分位点回归模型
§3.5.1 线性分位点回归模型
§3.5.2 非线性分位点回归模型
第四章 时间序列分析
§4.1 差分方程
§4.1.1 常系数齐次差分方程
§4.1.2 非齐次差分方程
§4.2 平稳过程的定义
§4.3 线性时间序列
§4.3.1 常用时间序列的定义
§4.3.2ARMA (p,q)的平稳性
§4.3.3 时间域上平稳ARMA(p,q)的研究
§4.3.4 频率域上平稳ARMA(p,q)的研究
§4.4 平稳线性序列的参数估计
§4.4.1 平稳过程均值μ的估计
§4.4.2 平稳过程自协方差和自相关函数的估计
§4.4.3 自回归模型的参数估计
§4.4.4 自回归模型阶数p的估计
§4.5 非平稳过程与单位根
§4.5.1 单整
§4.5.2 单位根检验
§4.5.3 结构突变序列单位根检验
§4.6 协整与误差修正模型
§4.6.1 协整
§4.6.2 协整的检验
§4.6.3 误差修正模型
§4.7 非线性时间序列
§4.7.1 门限自回归模型
§4.7.2 异方差性与GARCH 模型
§4.7.3 非参数时间序列模型
第五章 面板数据分析
§5.1 面板数据模型简介
§5.1.1 面板数据模型简介
§5.1.2 面板数据模型的协方差分析
§5.1.3 面板数据模型的设定
§5.2 变截距简单回归模型
§5.2.1 固定效应变截距模型
§5.2.2 随机效应变截距模型
§5.2.3 Mundlak 公式
§5.2.4 固定效应以及随机效应模型的选择
*§5.3 面板数据的单位根检验
*§5.4 面板数据的协整检验
第六章 属性数据分析
§6.1 属性数据简介
§6.2 虚拟解释变量模型
§6.2.1 虚拟变量
§6.2.2 虚拟解释变量综合应用
§6.3 虚拟被解释变量模型
§6.3.1 广义线性模型
§6.3.2 二元数据广义线性模型
§6.3.3 多元数据广义线性模型
第七章 常用的估计方法
§7.1 极大似然估计
§7.1.1 极大似然估计简介
§7.1.2 简单线性回归模型的极大似然估计
§7.1.3 多元线性回归模型的极大似然估计
§7.1.4 非线性模型的极大似然估计
§7.1.5 似然比检验
§7.2 广义矩估计
§7.2.1 参数的广义矩估计
§7.2.2 矩条件以及广义矩估计
§7.2.3 一些估计量的GMM 估计解释
§7.2.4 关于广义矩估计的假设检验
§7.2.5 GMM 方法的具体应用
§7.3 Bayes 估计方法
§7.3.1 Bayes 估计方法简介
§7.3.2 先验分布的确定
§7.3.3 正态线性回归模型的Bayes 估计
§7.3.4 Bayes 统计推断
§7.3.5 Bayes 方法的应用-----Bayes VaR
§7.4 联立方程模型及其估计
参考文献
名词索引
版权
