非参数计量经济学 pdf epub mobi txt 电子书 下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:北京大学出版社

作者:李奇 (Qi Li)

出品人:

页数:565

译者:叶阿忠

出版时间:2015-1-1

价格:CNY 79.00

装帧:平装

isbn号码:9787301249673

丛书系列:经济学前沿译丛

图书标签:

• 非参数方法
• 计量经济学
• 统计
• 预购
• 计量
• 经济学
• 数据科学-统计/机器学习
• Math
• 计量经济学
• 非参数统计
• 经济计量
• 统计推断
• 时间序列分析
• 面板数据
• 因果推断
• 机器学习
• 数据分析
• 金融经济学

《非参数计量经济学》：探索数据的隐藏结构与预测模式 在经济学研究的广袤领域，精确的量化分析是理解复杂经济现象、构建可靠预测模型以及制定有效政策的关键。然而，传统的计量经济学模型往往依赖于对数据背后生成机制的严格假设，例如线性关系、正态分布误差项等。当这些假设与真实世界的经济数据产生偏差时，模型的解释力和预测能力就会大打折扣。正是基于这样的考量，《非参数计量经济学》应运而生，旨在为研究者提供一套更具弹性和适应性的分析工具，深入挖掘数据本身的内在规律，揭示隐藏在表面之下的深刻联系。 本书的核心在于“非参数”这一概念。与参数模型预设特定的函数形式（如线性函数）不同，非参数方法对数据生成过程的函数形式不作任何预设或仅作非常宽松的假设。这意味着我们可以让数据“说话”，让模型根据观测到的信息自动学习数据的结构，从而避免因错误的模型设定而带来的偏差。这种灵活性使得非参数方法在处理非线性关系、异质性效应、高维数据以及包含复杂交互作用的经济现象时，展现出强大的优势。 《非参数计量经济学》并非仅仅是参数计量经济学工具箱的简单补充，它代表了一种对经济数据分析范式的深刻反思与拓展。本书旨在引导读者超越传统的线性思维，拥抱更具包容性和数据驱动的分析思路。我们将从计量经济学研究中最基本也最重要的问题出发，探讨如何通过非参数方法来更准确地估计经济变量之间的关系，更可靠地预测未来的经济走向，以及更深入地理解经济行为的内在驱动力。 第一部分：非参数方法的基础与理论基石 在深入探讨具体的非参数技术之前，本书首先会建立坚实的理论基础。我们将从核密度估计出发，介绍如何利用这一工具来探索单个经济变量的概率分布，识别多模态、偏斜等非正态特征。这对于理解收入分配、消费支出、资产回报等经济变量的分布特性至关重要。接着，我们将引入非参数回归的概念，阐述如何估计自变量与因变量之间的任意函数关系。这包括对局部多项式回归（LOESS）和核回归（Kernel Regression）等经典方法的详细讲解。读者将学习到如何选择合适的核函数和带宽参数，以平衡模型的拟合度和光滑度，从而捕捉到数据中可能存在的复杂非线性模式。 此外，本书还将深入探讨非参数模型的渐近性质。虽然非参数方法牺牲了参数模型设定的简洁性，但理解其理论保证，如一致性、渐近正态性，对于构建可信赖的统计推断至关重要。我们将详细介绍如何进行非参数回归系数的估计、标准误的计算以及置信区间的构建。这为研究者在实际应用中进行 Hypothesis Testing 和区间估计提供了理论依据。 第二部分：探索变量关系的非参数技术 在掌握了基础的非参数工具后，本书将聚焦于如何利用这些方法来探索经济变量之间的复杂关系。 非参数条件均值函数估计： 传统计量经济学常常假设条件均值函数的形式（如线性），而本书将介绍如何利用非参数方法（如核回归、局部多项式回归）来估计任意形式的条件均值函数。这对于研究例如收入对教育年限的边际效应，其边际效应可能随着教育年限的增加而递减，或者非线性地变化。我们将深入探讨如何诊断非参数模型中的异质性效应，以及如何处理可能存在的自相关和异方差问题。 非参数条件分位数回归： 经济现象往往不是只存在于均值层面，分位数信息同样重要。例如，研究收入分配时，我们不仅关心平均收入，更关心低收入人群、中等收入人群和高收入人群的收入水平。本书将详细介绍非参数分位数回归，它能够估计条件分位数函数，从而揭示自变量对因变量不同分位数的边际影响。这将有助于我们更全面地理解经济变量的分布及其对政策变化的敏感性。我们将探讨如核分位数回归等具体方法，并展示如何在不同经济场景下应用这些技术，例如分析不同收入水平的家庭对商品价格变化的弹性差异。 非参数独立性检验： 在探索变量关系时，检验变量之间的独立性是第一步。本书将介绍一些强大的非参数独立性检验方法，如最大信息系数（MIC）和距离协方差（Distance Covariance）。这些方法无需对变量之间的函数关系做任何预设，能够有效地检测出线性和非线性关系，甚至包括一些难以用传统相关系数描述的复杂依赖模式。我们将演示这些检验在识别经济变量潜在联系方面的应用，例如在金融市场中寻找不同资产价格之间隐藏的联动效应。 第三部分：非参数方法在具体经济领域的应用 为了让读者更直观地理解非参数方法的实际价值，本书将在多个关键经济学领域展示其应用。 宏观经济预测： 传统的宏观经济预测模型往往依赖于结构性假设，当经济环境发生结构性变化时，预测的可靠性就会下降。非参数方法能够更好地捕捉宏观经济数据中的非线性动态和 Regime Switching 效应。我们将探讨如何利用时间序列的非参数方法，如局部多项式时间序列回归或隐藏马尔可夫模型（HMM）的非参数版本，来预测 GDP 增长、通货膨胀率或失业率。这些方法能够更灵活地适应经济周期的变化，并捕捉到非线性的冲击效应。 微观计量经济学： 在微观层面，非参数方法在处理异质性微观主体行为、评估政策效果等方面具有显著优势。例如，在劳动经济学中，我们可以利用非参数方法研究工资与技能、经验之间的非线性关系，以及不同群体的劳动供给弹性。在产业组织理论中，我们可以非参数地估计需求函数，以避免对消费者偏好进行过强的假设，从而更准确地评估价格管制或税收政策的影响。在金融经济学中，我们将探索如何利用非参数方法对资产回报进行波动率建模，以及如何检测市场中的非线性因果关系。 政策评估： 评估经济政策的效果是计量经济学的核心任务。当政策效果不是简单的线性改变，或者政策影响因个体特征而异时，非参数方法显得尤为重要。我们将介绍如何利用倾向得分匹配（Propensity Score Matching）的非参数化方法，以及差分中差法（Difference-in-Differences）的非参数拓展，来更鲁棒地估计政策的平均处理效应（ATE）和局部平均处理效应（LATE）。这对于评估教育改革、社会福利项目、环境保护政策等的效果至关重要，尤其是在缺乏随机试验数据的真实世界中。 高维数据分析： 随着大数据时代的到来，经济学家面临的数据维度越来越高。传统的参数方法在高维情况下容易出现“维度灾难”。本书将介绍维度降低技术，如局部线性嵌入（LLE）和t-SNE的计量经济学视角，以及变量选择的非参数方法，帮助研究者在海量数据中提取出关键信息，识别重要的经济因素。 第四部分：高级非参数技术与前沿展望 为了进一步拓展读者的视野，《非参数计量经济学》还将触及一些更高级的非参数技术，并展望未来的研究方向。 因果推断的非参数框架： 计量经济学的终极目标之一是回答“是什么导致了什么”这一因果问题。本书将深入探讨因果推断的非参数方法，包括反事实框架下的非参数回归、工具变量法的非参数拓展等。我们将重点介绍如何处理混杂因素（confounders）和选择偏差（selection bias），以获得更可靠的因果效应估计。 机器学习与计量经济学的融合： 近年来，机器学习中的许多算法，如支持向量机（SVM）、随机森林（Random Forest）、梯度提升（Gradient Boosting）等，在数据挖掘和预测领域取得了巨大成功。本书将从计量经济学的角度审视这些工具，探讨其在模型选择、特征工程、非线性关系建模以及异常检测等方面的应用，并讨论如何将这些强大的预测工具转化为具有统计推断价值的计量经济学模型。 动态非参数模型： 经济现象是动态演变的，理解变量之间的动态关系对于预测和政策分析至关重要。本书将介绍动态非参数模型，如状态空间模型的非参数估计，以及非参数的向量自回归（VAR）模型，来捕捉经济变量随时间变化的复杂动态。 《非参数计量经济学》的编写宗旨是让严谨的理论与生动的实践相结合。书中将穿插大量的案例研究，利用真实世界的经济数据来演示各种非参数方法的应用。我们将提供详细的算法解释，并辅以伪代码或 R/Python 的示例代码，帮助读者在实践中掌握这些技术。无论您是计量经济学的初学者，还是有丰富参数模型使用经验的研究者，本书都将为您打开一扇全新的窗口，让您能够以更深刻、更灵活的方式来理解和分析经济世界。我们相信，通过掌握这些非参数工具，您将能够更有效地挖掘数据中的价值，发现更普适的经济规律，并为解决复杂的经济问题贡献新的洞见。

评分☆☆☆☆☆

我预计这本书流行不起来，原因很简单，写得太复杂。证明全整高维，首先高维模型的东西在现实中其实没啥用，其次，高维问题只是一维或二维的推广，完全可以放到exercise里面，所以这本书估计看的人不会太多。难的问题可以写得让人容易接受，可惜这本书没有做到。 另外一个缺点是...

评分☆☆☆☆☆

我预计这本书流行不起来，原因很简单，写得太复杂。证明全整高维，首先高维模型的东西在现实中其实没啥用，其次，高维问题只是一维或二维的推广，完全可以放到exercise里面，所以这本书估计看的人不会太多。难的问题可以写得让人容易接受，可惜这本书没有做到。 另外一个缺点是...

评分☆☆☆☆☆

我预计这本书流行不起来，原因很简单，写得太复杂。证明全整高维，首先高维模型的东西在现实中其实没啥用，其次，高维问题只是一维或二维的推广，完全可以放到exercise里面，所以这本书估计看的人不会太多。难的问题可以写得让人容易接受，可惜这本书没有做到。 另外一个缺点是...

评分☆☆☆☆☆

我预计这本书流行不起来，原因很简单，写得太复杂。证明全整高维，首先高维模型的东西在现实中其实没啥用，其次，高维问题只是一维或二维的推广，完全可以放到exercise里面，所以这本书估计看的人不会太多。难的问题可以写得让人容易接受，可惜这本书没有做到。 另外一个缺点是...

评分☆☆☆☆☆

我预计这本书流行不起来，原因很简单，写得太复杂。证明全整高维，首先高维模型的东西在现实中其实没啥用，其次，高维问题只是一维或二维的推广，完全可以放到exercise里面，所以这本书估计看的人不会太多。难的问题可以写得让人容易接受，可惜这本书没有做到。 另外一个缺点是...

评分☆☆☆☆☆

这本书的封面设计简洁得有些过分了，那种灰白相间的排版，乍一看还以为是某个深奥的数学著作，而不是一本声称要介绍计量经济学的书。我本来是抱着对“非参数”这个词汇的好奇心翻开它的，毕竟在传统的线性回归模型已经用得滚瓜烂熟的今天，确实需要一些新的视角来解析复杂的数据关系。然而，前几章的介绍更像是对数理统计基础的复习，充满了各种晦涩的符号和定义，坦白说，对于一个并非数学专业出身的经济学研究者来说，阅读体验非常吃力。作者似乎非常热衷于展示其理论的严谨性，却牺牲了大量的篇幅来铺陈那些在我们实际建模过程中可能很少直接引用的高维极限理论。我期待的是能看到更多关于核密度估计（KDE）如何在金融时间序列中应用的实例，或者至少是关于半参数模型（Semi-parametric models）如何克服传统参数模型局限性的具体案例分析，但这些内容被淹没在了大量的公式推导之中，真正能让人“上手”的部分少得可怜，读完第一部分，我感到的是一种智力上的疲惫，而不是对新知识的渴望。

评分☆☆☆☆☆

我对这本书的期待值是建立在它能提供一套清晰的、可操作的工具箱，帮助我处理那些传统模型无论如何也无法很好拟合的真实世界数据。例如，在探讨需求弹性估计时，非参数方法无疑能揭示出更灵活的边际效应结构。但这本书在这方面给出的指导，更像是理论上的“可能性探讨”，而非“实践路线图”。我尝试着去寻找一些关于如何选择合适的核函数（Kernel Function）及其带宽（Bandwidth Selection）的实用性建议，但作者只是轻描淡写地提了一下“交叉验证”或“最小化均方误差”，然后就迅速跳回了更抽象的收敛速度讨论。这就像是拿到了一本顶级跑车维修手册，里面详细描述了发动机的每一个分子结构，但却没有告诉你扳手应该用多大尺寸，或者启动前的预热步骤。对于一个需要快速将理论应用于实际课题的读者来说，这本书的实用价值大打折扣，它更像是一份学术论文的汇编，而不是一本面向应用者的教材。

评分☆☆☆☆☆

这本书的语言风格整体偏向于一种冷峻的、去人化的学术表达方式，几乎看不到作者试图与读者进行“对话”的努力。与其说这是一本教学用书，不如说它更像是一本为同行专家准备的理论备忘录。对于希望通过阅读来培养计量直觉的初学者而言，这种风格无疑是巨大的障碍。比如，在解释局部线性回归（Local Linear Regression）的偏误（Bias）和方差（Variance）权衡时，作者使用了大量专业的统计学术语进行定义，却鲜有尝试用生活中的类比或经济学中的情景来帮助读者建立直观理解。我希望看到的是，作者能够多花一些篇幅去讨论不同非参数估计器在特定经济问题下（如冲击反应函数的识别）的优劣势，以及在实际软件（如R或Python）包中的对应实现细节，但这些内容几乎被完全省略了。总而言之，对于一个试图将非参数方法系统化并应用到前沿研究中的读者来说，这本书更像是理论地图集中的一页，而非实用的导航指南。

评分☆☆☆☆☆

这本书的章节组织结构也显得有些散漫。它试图覆盖的范围太广了，从回归分析到时间序列，再到面板数据，每部分都蜻蜓点水般地触及了一下，但都没有深入。读起来总有一种“只见树木，不见森林”的感觉。特别是关于非参数时间序列模型的讨论，这部分本应是这本书的亮点，因为时间序列数据的非线性依赖性和异方差性是极其常见的，而非参数方法恰好可以有效应对。然而，作者似乎只是将常用的自回归模型（ARIMA）的参数估计方法，机械地替换成了某种非参数估计量，而没有着重分析这种替换带来的核心优势，例如对长期记忆效应的捕捉能力如何被非参数平滑更好地体现出来。对比我之前阅读的几本关于机器学习在经济学中应用的专著，这本书在算法的直觉解释和模型选择的经济学意义阐述上，明显处于劣势。它要求读者已经对主流计量方法有非常深刻的理解，否则很难从中建立起新的认知框架。

评分☆☆☆☆☆

从排版和装帧来看，这本书明显没有得到足够的重视。印刷质量一般，图表（如果能找到的话）经常是黑白相间的模糊线条，难以区分不同估计量之间的微小差异。更令人沮丧的是，几乎所有的例子都显得非常“教科书式”，缺乏对现实世界数据复杂性的模拟。我渴望看到作者使用一些高频交易数据、消费者行为大数据或者环境经济学中的复杂空间数据进行分析，以此来证明非参数方法的优越性。例如，探讨一个收入分布的非参数估计如何揭示出传统Gini系数无法捕捉到的贫富差距细节。但这本书中引用的案例大多停留在上世纪八九十年代的经济学范式中，缺乏与当前数据科学潮流接轨的活力和前瞻性。阅读过程中，我多次需要查阅外部资料来重构作者所引用的经济背景或数据特征，这极大地打断了阅读的流畅性，让人感到作者似乎“闭门造车”地完成了大部分写作工作。

评分☆☆☆☆☆

难，有问题，老师建议用英文版

评分☆☆☆☆☆

难，有问题，老师建议用英文版

评分☆☆☆☆☆

有些地方的公式是错的。。。

评分☆☆☆☆☆

难，有问题，老师建议用英文版

评分☆☆☆☆☆

难，有问题，老师建议用英文版