Mr.Bank

FRM学习资料十:FRM数量部分备考必备-计量经济学精要电子书

FRM学习资料十:FRM数量部分备考必备-计量经济学精要

金融风险管理师(FRM)学习资料:FRM数量部分备考必备-计量经济学精要PDF电子书

FRM学习资料十:FRM数量部分备考必备-计量经济学精要

金融风险管理师(FRM)学习资料:FRM数量部分备考必备-计量经济学精要PDF电子书,343页!

在经济学、金融学、管理学、营销学以及一些相关学科的研究中,定量分析用得越来越多,
对于这些领域的初学者来说,掌握一至两门经济计量方面的课程是必要的—这个领域的研究
变得十分流行。本章的目的旨在给初学者一个经济计量学的概貌。
1 什么是经济计量学
简单地说,经济计量学(E c o n o m e t r i c s)就是经济的计量。虽然,对诸如国民生产总值( G N P)、
失业、通货膨胀、进口、出口等经济概念的定量分析十分重要,但从下面的定义中,我们不难
看出经济计量学的研究范围更为宽泛:
经济计量学是利用经济理论、数学、统计推断等工具对经济现象进行分析的一门社会科学。1
经济计量学运用数理统计知识分析经济数据,对构建于数理经济学基础之上的数学模型提
供经验支持,并得出数量结果。2
2 为什么要学习经济计量学
从上述定义我们知道经济计量学涉及经济理论、数理经济学、经济统计学(即经济数据),
以及数理统计学等相关学科,但它是一门有其自己研究方向的一门独立学科。
从本质上说,经济理论所提出的命题和假说,多以定性描述为主。例如,微观经济理论中
提到的:在其他条件不变的情况下(经济学中著名的 Ceteris paribus从句),一种商品价格的上升
会引起该商品需求量的减少。因而得出结论:商品的价格与该商品的需求量呈反方向变动—
这就是著名的向下倾斜的需求曲线,简称需求法则。但是,该理论本身却无法度量价格和需求
量这两个变量之间的数量关系,也就是说,它不能告诉我们商品的价格发生某一变动时,该商
品的需求量增加或减少了多少。经济计量学家的任务就是提供这样的数量估计。换一种说法,
经济计量学是依据观测和试验,对大多数经济理论给出经验的解释。如果在研究或试验中发现,
当每单位商品的价格上升一美元,引起该商品需求量的下降,比如说下降 1 0 0个单位,那么,
我们不仅验证了需求法则,而且还提供了价格和需求量这两个变量之间的数量估计。

数理经济学(mathematical economics)主要关心的是用数学公式或数学模型来描述经济理
论,而不考虑对经济理论的度量和经验解释。而经济计量学家感兴趣的却是对经济理论的经验
确认。下面我们将会讲到,经济计量学家通常采用数理经济学家提供的数学模型,但把它们用
于经验检验。经济统计学家主要关心的是收集、处理经济数据并将这些数据绘制成图表的形式。
这是经济统计学家的工作:他或她收集 G N P、失业、就业、价格等数据,这些数据就成为经济
计量分析的原始数据。但经济统计学家却不关心用这些收集到的数据来检验经济理论。
虽然,数理统计学提供了许多分析工具,但由于经济数据独特的性质,即许多数据的生成
并非可控制试验的结果,因此,经济计量学经常需要使用特殊的方法。类似于气象学,经济计
量学所依据的数据不能直接控制。所以,由公共和私人机构收集的消费、收入、投资、储蓄、
价格等方面的数据从本质上说是非试验性的。这就产生了数理统计学不能正常解决的一些特殊
问题。而且,这些数据很可能包含了测量的误差,或是遗漏数据或是丢失数据。这就要求经济
计量学家去运用特殊的方法来处理这些测量误差。
对于主修经济学和商业专业的学生来说,学习经济计量学有实用性。毕业以后,在其工作
中,或许被要求去预测销售量、利息率、货币供给量或是估计商品的需求函数、供给函数以及
价格弹性等等。在经济学家以专家的身份出现在联邦政府调节机构中之前,通常代表当事人或
公众。而汽油和电的价格是由政府调节机构规定的,因此,这就要求经济学家能估计提议的价
格的上涨对需求量(如用电量)的冲击。在这种情况下,经济学家需要建立一个关于用电量的需
求函数,并根据这个需求函数估计需求的价格弹性,即,价格变动的百分比所引起需求量改变
的百分比。掌握经济计量学知识对于估计这些需求函数是很有帮助的。
客观地说,在经济学和商科专业的学习与培训中,经济计量学已成为不可或缺的一部分。
1.3 经济计量学的方法论
一般说来,用经济计量方法研究经济问题可分为如下步骤:
(1) 理论或假说的陈述;
(2) 收集数据;
(3) 建立数学模型;
(4) 建立统计或经济计量模型;
(5) 经济计量模型参数的估计;
(6) 检查模型的准确性:模型的假设检验;
(7) 检验来自模型的假说;
(8) 运用模型进行预测。
为了阐明经济计量学的方法论,我们来考虑这样一个问题:经济形势会影响人们进入劳动
力市场的决定吗?也就是说,经济形势是否对人们的工作意愿有影响?假设用失业率
(Unemployment Rate, UNR)来度量经济形势,用劳动力参与率( Labor Forle Participation Rate,
L F P R)来度量劳动力的参与,U N R和LFPR 的数据由政府按时公布,那么,如何回答这个问题
呢?我们按上述步骤进行分析。
1.3.1 理论或假说的陈述
首先要了解经济理论对这一问题的阐述是怎样的。在劳动经济学中,关于经济形势对人们
工作意愿的影响有两个相对立的假说。一个是受挫-工人假说[discouraged-worker hypothesis
( e ff e c t ) ],该假说提出当经济形势恶化时,表现为较高的失业率,许多失业工人放弃寻找工作

的愿望并退出劳动市场。另一个是增加-工人假说[added-worker hypothesis (eff e c t ) ],该假说认
为当经济形势恶化时,许多目前并未进入劳动市场的二手工人(比如带孩子的母亲)可能会由于
养家的人失去工作而决定进入劳动市场,即使这些工作的报酬很低,只要可以弥补由于养家人
失去工作而造成的收入方面的一些损失就行。
劳动力参与率的增加或减少依赖于增加工人和受挫工人的力量对比。如果增加工人的影响
占主导地位,则L F P R将升高,即使是在失业率很高的情况下。相反地,如果是受挫工人的影
响占主导力量,那么L F P R将会下降。我们是如何发现这一结果的呢?这只是一个实践问题。
1.3.2 收集数据
由于实验的目的,我们需要这两个变量的数量信息。一般来说,有三种统计数据可用于实
践分析:
(1) 时间序列数据
(2) 横截面数据
(3) 合并数据(时间序列数据与横截面数据的联合)
1. 时间序列数据
这种数据是按时间序列排列收集得到的。比如G N P、失业、就业、货币供给、政府赤字等。
数据是按照一定的时间间隔收集的 —每日(比如股票),每周(比如货币供给),每月(比如失业
率),每季度(比如G N P),每年(比如政府预算)。这些数据可能是定量的( q u a n t i t a t i v e )(比如价格、
收入、货币供给等),也可能是定性的( q u a l i t a t i v e ),(比如男或女,失业或就业,已婚或未婚,
白人或黑人等)。我们将会发现,定性的变量(又称为虚拟变量)与定量的变量同样重要。
2. 横截面数据
横截面数据(cross-sectional data)是指一个或多个变量在某一时点上的数据的集合。例如美国
人口调查局每1 0年进行的人口普查数据(最近的一次是在1 9 9 0年4月1日),以及密执安大学进行的
夏季居民开支调查数据。这些民意调查的结果由G A l l u p、Harris 和其他的一些调查机构处理。
3. 合并数据
合并数据(pooled data)中既有时间序列数据又有横截面数据。例如,如果我们收集 2 0年间
1 0个国家有关失业率方面的数据,那么,这个数据集合就是一个合并数据,每个国家的 2 0年间
的失业率数据是时间序列数据,而2 0个不同国家每年的失业率数据又组成横截面数据。
在合并数据中有一类特殊的数据,称为 p a n e l数据(panel data),又称纵向数据( o n g i t u d i n a l
or micropanel data)。即同一个横截面单位,比如说,一个家庭或一个公司,在不同时期的调查
数据。例如,美国商业局在一定时期间隔内对住房的调查。在每一时期的调查中,同样的(或居
住在同一地区的)家庭被调查,以观察自上一次调查以来,其住房和经济状况是否有变化。纵向
数据就是通过重复上述过程而得到的,它可对研究家庭行为的动态化提供非常有用的信息。
4. 数据来源
成功的经济计量研究需要大量高质量的数据。幸运的是国际互联网为我们提供了大量详实
的数据。附录1 A列出了一些网址,提供了各类微观和宏观的经济数据。学生必须熟悉这些网
站并学会下载数据。当然,这些数据会不断更新,因此可得到最新的数据。
为了便于分析,这里给出一组时间序列数据。表 1 – 1给出了美国1 9 8 0~1 9 9 6年间城市劳动
力参与率(Civilian Labor Force Participation Rate, CLFPR)和城市失业率(Civilian Unemployment
Rate, CUNR)数据。城市失业率是指城市失业人口占城市劳动力的百分比。 1
与物理学不同,许多收集的经济数据(比如 G N P、货币供给、道-琼斯指数、汽车销售量等)

1.3.7 检验来自模型的假设
模型最终确定之后,我们进行假设检验(hypothesis testing)。即验证估计的模型是否有经
济含义,以及用模型估计的结果是否与经济理论相符。例如,受挫工人假说假设劳动力参与与
失业率之间负相关。这个假说与结果相符吗?我们统计的结果与假说相一致,因为估计得到的
城市失业率系数为负。
然而,假设检验或许更复杂。在这个例子中,假设得知在先前的研究中,城市失业率的系
数约为-1,那么得到的结果还会与假设一致吗?如果以式 ( 1 – 3 )这个模型为基础,我们可能得到
一个结果,但是如果以式( 1 – 5 )模型为基础,则可能得到另一个结果。怎样解决这个问题呢?我
们会在适当的章节中利用一些必要的工具来解决诸如此类的问题,但是需要提醒注意的是:根
据某一特定的假说所得到的结果将依赖于最终所选择的模型。
还有一点,在回归分析中,我们不仅对模型参数的估计感兴趣,而且对检验来自于某个经
济理论(或先验经验)的假设感兴趣。


评论

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注