有问题就有答案
计量经济学eviews ls估计表计算可决系数及t F值等 模型为yi=β0+β1X1i+β2i+μi
幼苗
高级微观经济学所需数学知识
计量不用学太多.和高级微观理论部分联系不大.主要是和应用微观、数量微观经济学有联系.
要好好学微积分、实分析、随机过程、拓扑学.这些基础打牢实,理解微观理论没有大问题.
经济学所涉及的数学课程主要包括哪些
不同学校的经济学专业会开设不同的课程，一般来说，很多学校会开设的一些必修基础的数学课程有：高等数学（AdvancedMathematics），微积分（differentialandintegralcalculus），线性代数（LinearAlgebra），统计学（Statistics）等等经济学专业主干学科：经济学主要课程：政治经济学、《资本论》、西方经济学、会计学、统计学、计量经济学、国际经济学、货币银行学、财政学、经济学说史、发展经济学、企业管理、市场营销、国际金融、国际贸易等从业方向：能在综合经济管理部门、政策研究部门、金融机构和企业从事经济分析、预测、规划和经济管理工作的专门人才。简介：经济学是指产生并流行于西方国家的政治经济学范式，经济学范式是运用西方线性非对称思维建立起来的经济学范式，属于片面反映经济发展规律的政治经济学。以一般均衡理论、配置经济学、价格经济学为基础理论、以理性人都是自私的“经济人”假设为理论出发点、以私有制为经济基础、以价格机制为市场的核心机制、以竞争为经济发展的根本动力、以博弈为经济主体的行为、以利润最大化为微观经济的最终目标、以GDP经济规模最大化为宏观经济的最终目标、以线性非对称思维和还原论思维方法为方特征、擅长数量分析、在“实证化”的名义下把经济学的实证性与规范性对立起来，是西方经济学的基本模式、基本结构与基本功能。线性、抽象性、片面性，是西方经济学范式的基本特征。
阅读全文 >
大家都在问
1、能不学尽量不学2、即使学了尽量转别的专业3、如果真的学了争取将来转别的行业就业4、如果十分喜欢计量并且又学了该专业就将自己培养成科研人才5、学计量非常容易出论文，多写论文，加强计量专业方向性的学习，将来可以选择出国留学：加拿大、比较容易些；还可以读博士，比其他经济类专业读博的可能大得多，读博后可以选择去高校当老师，安逸、休闲还有假期……
大家都在问
随机扰动项在计量经济学模型中占据特别重要的地位，也是计量经济学模型区别于其它经济数学模型的主要特征。将影响被解释变量的因素集进行有效分解，无数非显著因素对被解释变量的影响用一个随机扰动项（stochastic disturbance term）表示，并引入模型。显然，随机扰动项具有源生性。在基于随机抽样的截面数据的经典计量经济学模型中，这个源生的随机扰动项满足Gauss假设和服从正态分布。在确定性模型中引入随机扰动，并不是为了掩盖确定性模型的不足之处。因此，如果所谓的未被解释的随机扰动并不是真正的不能被解释的因素，模型就是不适当的。牢记这一点对计量经济学是非常重要的。统计推断的理论不像确定性理论那样，会被仅仅一个不符实际的观察否定。引入随机要素后，对预期结果的描述从确切的表述转化为可能性的描述，除非有占优证据（占优本身则是很难清楚界定的），很难否定随机模型。当然，如果未被解释的随机扰动并不是真正的不能被解释的因素，即使这样的模型难以被否定，也是建模者自欺欺人。不幸的是，Greene的担忧在很多情况下成了现实：在很多计量分析中，随机误差项成了确定性模型不足之处的遮羞布。在大部分计量经济学教科书中，在第一次引入随机扰动项的概念时，都将它定义为“被解释变量观测值与它的期望值之间的离差”，并且将它与随机误差项(stochastic error term)等同。一个“源生”的随机扰动项变成了一个“衍生”的误差。而且在解释它的具体内容时，一般都在“无数非显著因素对被解释变量的影响”之外，加上诸如“变量观测值的观测误差的影响”、“模型关系的设定误差的影响”等。将“源生”的随机扰动变成“衍生”的误差，有许多理由可以为此辩解。如果不对数据生成过程的理论结构作出假定，即进行模型总体设定，就无从开始模型研究。但不幸的是，相对于物理学，经济学家对经济现实所知较少，模型总体被研究者有限的知识所确定，因此误差在所难免，只能将总体原型方程的误差项设定为衍生性的。问题在于，关于随机扰动项的Gauss假设，以及一般未包括于Gauss假设之中的正态性假设，都是基于“源生”的随机扰动而成立的。如果存在模型设定误差、变量观测误差等确定性误差，并将它们归入“随机误差项”，那么它很难满足这些基本假设，进而进行的统计推断就缺少了基础。补救的方法是检验，对于实际应用模型的随机误差项进行是否满足基本假设的检验，其中最重要的是正态性检验。但是，在实际上，人们最容易忽视的正是最重要的是正态性检验。为什么？一方面是主观上的，认为正态性是由中心极限定理所保证的，无须检验。另一方面是客观上的，如果进行了正态性检验，而检验表明确实不满足正态性假设，又能怎么样？要么放弃研究，要么视而不见。
大家都在问
有难度，最好是跟着老师学，自学很容易走偏。b站和coursera上都有一些计量的课程可以看看。如果坚持自学，不建议只照着一本书学。
大家都在问
一般大学读理工科的话，概率论与数理统计基本都过关了，计量经济学可以直接上手。改革比较早的财经院校（上财，西财，外经贸，首经贸实验班等等），数学课开数分，高代，数理统计的学校，计量应该学起来很轻松啦。如果概率统计基础不好的，建议先补充一下概率统计的知识。比较推荐华东师大的概率统计教材，貌似是高教出版社的。洪永淼老师的概率统计学也很好，还有视频教程更新，强推！ 入门推荐伍德里奇的导论，国内的话李子奈老师的教材也不错，还有他在清华大学授课的视频，讲得很好。进一步的话，可以看洪永淼老师的高级计量经济学，在网易&bilibili上有洪老师的视频，强烈推荐。进阶课程分方向了，这应该就是研究生阶段啦。时间序列，面板，非参数，微观计量等等。每个方向都有很好的教材，大神都有推荐。不过高级计量是基础。 当然，还需要配套学计量软件。本科生大多是eviews吧。推荐东北财大高铁梅老师的eviews书。不过还是建议学stata，这个比较流行，对你以后的学习很有帮助。stata的话，山东大学陈强老师呀！中山大学连玉君老师的stata视频也很推荐，网上有资源。祝学业进步快乐！
大家都在问
t值的来历是这样的： 模型y=ax+b+e中，a，b是估计的系数，因为某次抽样的不同（就是你使用的数据不同），估计得到的a，b的值就不同，a，b是随机变量服从某个抽样分布，这个抽样分布就为正太分布。当把这个分布标准化后（减去均值，除以方差）得到的量是一个标准正态分布，但是因为方差是不知道的，故用样本方差来替代，这一替代，造成分布从标准正态分布变为t分布，而当原假设为真时及a=0,(或b=0)时，算得的量即为对应的参数的t统计量。 它的含义其实就是“一个服从t分布且与待检验的参数相关联的统计量” p的来历是这样的：在假设检验中，需要算得统计量，比如t统计量，的具体值，然后和临界值比较，看它与临界值的大小关系。这个过程比较麻烦，因为不同的自由度等原因会造成临界值的不同。取而代之，从另一个角度来对待这个问题，计算p(|t|>t0)的值，这个t0即算得的t统计量，把这个概率式子展开是一个积分式子，计算出这个积分和置信水平比较，即可判断拒绝还是接受原假设。p值的含义是“能拒绝原假设的最小置信水平”
