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。
发表回复