計量經(jīng)濟學(xué)名詞

A校正R2（AdjustedR-Squared多元回歸分析中擬合優(yōu)度的量度，在估計誤差的方差時對添加的解釋變量用一個自由度來調(diào)整。對立假設(shè)（AlternativeHypothesis）：檢驗虛擬假設(shè)時的相對假設(shè)。AR（1）序列相關(guān)（AR(1)SerialCorre）：模型。漸近置信區(qū)間（AsymptoticConfidenceInterval）：大樣本容量下近似成立的置信區(qū)間。漸近正態(tài)性（AsymptoticNormality適當(dāng)正態(tài)化后樣本分布收斂到標(biāo)準(zhǔn)正態(tài)分布的估計量。漸近性質(zhì)（AsymptoticProperties當(dāng)樣本容量無限增長時適用的估計量和檢驗統(tǒng)計量性質(zhì)。漸近標(biāo)準(zhǔn)誤（AsymptoticStandardError）：大樣本下生效的標(biāo)準(zhǔn)誤。漸近t統(tǒng)計量（AsymptotictStatistic）：大樣本下近似服從標(biāo)準(zhǔn)正態(tài)分布的t漸近方差（AsymptoticVariance）：為了獲得漸近標(biāo)準(zhǔn)正態(tài)分布的平方值。漸近有效（AsymptoticallyEfficient對于服從漸近正態(tài)分布的一致性估計量，有最小漸近方差的估計量。漸近不相關(guān)（AsymptoticallyUncorrelated時間序列過程中，隨著兩個時點上的隨機變量的時間間隔增加，它們之間的相關(guān)趨于零。衰減偏誤（AttenuationBias總是朝向零的估計量偏誤，因而有衰減偏誤的估計量的期望值小于參數(shù)的絕對值。自回歸條件異方差性（AutoregressiveConditionalHeteroskedasticity,ARCH動態(tài)異方差性模型，即給定過去信息，誤差項的方差線性依賴于過去的誤差的平方。模型，其當(dāng)前值線性依賴于最近的值加上一個無法預(yù)測的擾動。輔助回歸（AuxiliaryRegression）：用于計算檢驗統(tǒng)計量——例檢驗統(tǒng)計量——或其他任何不估計主要感興趣的模型的回歸。平均值（Average）：n個數(shù)之和除以B基組、基準(zhǔn)組（BaseGroup）：在包含虛擬解釋變量的多元回歸模型中，由截距代表的組?；冢˙asePeriod對于指數(shù)數(shù)字，例如價格或生產(chǎn)指數(shù)，其他所有時期均用來作為衡量標(biāo)準(zhǔn)的時期。最優(yōu)線性無偏估計量（BestLinearUnbiasedEstimator,BLUE在所有線性、無偏估計量貝塔系數(shù)（BetaCoef?cients）：見標(biāo)準(zhǔn)化系數(shù)。偏誤（Bias）：估計量的期望參數(shù)值與總體參數(shù)值之差。偏誤估計量（BiasedEstimator期望或抽樣平均與假設(shè)要估計的總體值有差異的估向零的偏誤（BiasedTowardsZero描述的是估計量的期望絕對值小于總體參數(shù)的絕對D值。二值響應(yīng)模型（BinaryResponseModel）：二值因變量的模型。二值變量（BinaryVariable）：見虛擬變量。兩變量回歸模型（BivariateRegressionModel）：見簡單線性回歸模型。BLUE（BLUE）：見最優(yōu)線性無偏估計量。Breusch-Godfrey檢驗（Breusch-GodfreyAR（1）最為流行；該檢驗考慮到滯后因變量和其他不是嚴(yán)格外生的回歸元。Breusch-Pagan檢驗（Breusch-PaganTest將OLS殘差的平方對模型中的解釋變量做回歸的異方差性檢驗。C因果效應(yīng)（CausalEffect一個變量在其余條件不變情況下的變化對另一個變量產(chǎn)生的影響。其余條件不變（CeterisParibus）：其他所有相關(guān)因素均保持固定不變。經(jīng)典含誤差變量（ClassicalErrors-in-Variables,CEV觀測的量個獨立的或至少不相關(guān)的測量誤差的測量誤差模型。經(jīng)典線性模型（ClassicalLinearModel）：全套經(jīng)典線性模型假定下的復(fù)線性回歸模型。經(jīng)典線性模型（CLM）假定（ClassicalLinearMod差正態(tài)性?？瓶藗悺獖W克特（CO）估計（Cochrane-Orcutt(CO)Estim—奧克特估計不使用第一期的方程。置信區(qū)間（CICon?denceInterval,CI用于構(gòu)造隨機區(qū)間的規(guī)則，以使所有數(shù)據(jù)集中的某一百分比（由置信水平?jīng)Q定）給出包含總體值的區(qū)間。是最常見的置信水平，90%和99%也用。不變彈性模型（ConstantElasticityModel）：因變量關(guān)于解釋變量的彈性為常數(shù)的模型；在多元回歸中，兩者均以對數(shù)形式出現(xiàn)。同期外生回歸元（ContemporaneouslyExogenous在時間序列或綜列數(shù)據(jù)應(yīng)用中，與同期誤差項不相關(guān)但對其他時期則不一定的回歸元?？刂平M（ControlGroup）：在項目評估中，不參與該項目的組?？刂谱兞浚–ontrolVariable）：見解釋變量。協(xié)方差平穩(wěn)（CovarianceStationary時間序列過程，其均值、方差為常數(shù)，且序列中任意兩個隨機變量之間的協(xié)方差僅與它們的間隔有關(guān)。協(xié)變量（Covariate）：見解釋變量。臨界值（CriticalValue在假設(shè)檢驗中，用于與檢驗統(tǒng)計量比較來決定是否拒絕虛擬假設(shè)的值。橫截面數(shù)據(jù)集（Cross-Sectional）：數(shù)據(jù)頻率（DataFrequency收集時間序列數(shù)據(jù)的區(qū)間。年度、季度和月度是最常見的數(shù)據(jù)頻率。戴維森—麥金農(nóng)檢驗（Davidson-MacKinnonTest用于檢驗相對于非嵌套對立假設(shè)的模型的檢驗：它可用相爭持模型中得出的擬合值的t檢驗來實現(xiàn)。自由度（dfDegreesofFreedom,df在多元回歸模型分析中，觀測值的個數(shù)減去待估參數(shù)的個數(shù)。分母自由度（DenominatorDegreesofFreedom）：F檢驗中無約束模型的自由度。因變量（DependentVariable）：在多元回歸模型（和其他各種模型）中被解釋的變量。除趨勢（Detrending）：從時間序列中除去趨勢的做法。）：而不同。向下偏誤（DownwardBias）：估計量的期望值低于參數(shù)的總體值。虛擬變量（DummyVariable取值為0或1虛擬變量陷阱（DummyVariableRegression自變量中包含了過多的虛擬變量造成的錯誤；當(dāng)模型中既有整體截距又對每一組都設(shè)有一個虛擬變量時，該陷阱就產(chǎn)生了。德賓—沃森（DW）統(tǒng)計量（Durbin-Watson(DW)Statistic在經(jīng)于檢驗時間序列回歸模型的誤差項中的一階序列相關(guān)的統(tǒng)計量。動態(tài)完整模型（DynamicallyCompleteModel設(shè)更多解釋變量都無助于解釋因變量的均值的時間序列模型。E計量經(jīng)濟模型（EconometricModel將因變量與一組解釋變量和未觀測到的擾動聯(lián)系起來的方程，方程中未知的總體參數(shù)決定了各解釋變量在其余條件不變下的效應(yīng)。經(jīng)濟模型（EconomicModel）：從經(jīng)濟理論或不那么正規(guī)的經(jīng)濟原因中得出的關(guān)系。經(jīng)濟顯著性（EconomicSigni?cance）：見實際顯著性。彈性（Elasticity給定一個變量在其余條件不變下增加1%，另一個變量的百分比變化。經(jīng)驗分析（EmpiricalAnalysis用正規(guī)計量分析中的數(shù)據(jù)檢驗理論、估計關(guān)系式或確定政策效應(yīng)的研究。內(nèi)生解釋變量（EndogenousExplanatoryVariable）：在多元回歸模型中，由于遺測量誤差或聯(lián)立性的原因而與誤差項相關(guān)的解釋變量。方程中的誤差項與因變量相聯(lián)系。誤差項（ErrorTerm在簡單或多元回歸方程中的變量。誤差項也可能包含被觀測的因變量或自變量中的測量誤差。誤差方差（ErrorVariance）：多元回歸模型中誤差項的方差。事件研究（EventStudy事件（例如政府規(guī)制或經(jīng)濟政策的變化）對結(jié)果變量的效應(yīng)的計量分析。排除一個有關(guān)變量（ExcludingaRelevantVariable在多元回歸分析中，遺漏了一因變量有非零偏效應(yīng)的變量。排斥性約束（ExclusionRestrictions說明某些變量被排斥在模型之外（或具有零總體參數(shù)）的約束。外生解釋變量（ExogenousExplanatoryVariable）：與誤差項不相關(guān)的解釋變量。外生樣本選擇（ExogenousSampleSelection或者依賴外生解釋變量，或者與所感興趣的模型中的誤差項不相關(guān)的樣本選擇。實驗數(shù)據(jù)（ExperimentalData）：通過進(jìn)行受控制的實驗獲得的數(shù)據(jù)。試驗組（ExperimentalGroup）：見處理組。解釋平方和（SSEExplainedSumofSquares,SSE多元回歸模型中擬合值的總樣本變異。被解釋變量（ExplainedVariable）：見因變量。解釋變量（ExplanatoryVariable）：在回歸分析中，用于解釋因變量中的變異的變量。指數(shù)趨勢（ExponentialTrend）：有固定增長率的趨勢。FF統(tǒng)計量（FStatistic）：在多元回歸模型中，用于檢驗關(guān)于參數(shù)的多重假設(shè)的統(tǒng)計量?？尚械腉LS（FGLS）估計量（FeasibleGLS(FGLS)Estimator）：方差或相關(guān)參有限分布滯后（FDL）模型（FiniteDistributedLag(FDL)Model允許一個或多個解釋變量對因變量有滯后效應(yīng)的動態(tài)模型。一階差分（FirstDifference）：對相鄰時期做差分所構(gòu)成的對時間序列時期減去前一時期。一階條件（FirstOrderConditions）：用于求解OLS估計值的一組線性方程。擬合值（FittedValues在各觀測中將自變量的值插入OLS回歸線時，所得到的因變量的估計值。函數(shù)形式的錯誤設(shè)定（FunctionalFormMisspeci?cation）：當(dāng)模的函數(shù)（例如二次項），或者對一個因變量或某些自變量用了錯誤的函數(shù)時產(chǎn)生的問題。G高斯—馬爾科夫假定（Gauss-MarkovAss）：），高斯—馬爾科夫定理（Gauss-MarkovTheorem該定理表明，在五個高斯—馬爾科夫假定下（對于橫截面或時間序列模型），OLS估計量下）。廣義最小二乘（GLS）估計量（GeneralizedLeastS）：兼有的估計量。擬合優(yōu)度度量（Goodness-of-FitMeasure概括一組解釋變量有多好地解釋了因響應(yīng)變量的統(tǒng)計量。增長率（GrowthRate時間序列中相對于前一時期的比例變化。可將它近似分或以百分比形式報導(dǎo)。H異方差性（Heteroskedasticity）：給定解釋變量，誤差項的方差不為常數(shù)。未知形式的異方差性（HeteroskedasticityofUnknownForm以一未知的任意形式依賴于解釋變量的異方差性。異方差—穩(wěn)健F統(tǒng)計量（Heteroskedastici而言（漸近）穩(wěn)健的F統(tǒng)計量。異方差—穩(wěn)健LM統(tǒng)計量（Heteroskedasti）：差性而言（漸近）穩(wěn)健的LM統(tǒng)計量。異方差—穩(wěn)健標(biāo)準(zhǔn)誤（Heteroskedasticity-RobustStandardError）：對未性而言（漸近）穩(wěn)健的標(biāo)準(zhǔn)誤。異方差—穩(wěn)健t統(tǒng)計量（Heteroskedasticity-Robustt言（漸近）穩(wěn)健的t統(tǒng)計量。高持續(xù)性過程（HighlyPersistentProces前的結(jié)果高度相關(guān)。同方差性（Homoskedasticity）：回歸模型中的誤差在解釋變量條件下具有不變的方差。I）：百分比變化。即期乘數(shù)（ImpactMultiplier）：見即期傾向。即期傾向（ImpactPropensity在分布滯后模型中，自變量增加一個單位因變的變化。包含一個無關(guān)變量（InclusionofanIrrelevantVariable）：用OLS估計方程時，回歸模型中包含了總體參數(shù)為零的解釋變量。指數(shù)（IndexNumber）：關(guān)于經(jīng)濟行為（例如生產(chǎn)或價格）總量信息的統(tǒng)計量。影響重大的觀測值（In?uentialObservations）：見奇異值。INTRODUCTORYECONOM的時間序列過程。零階自積［I（0IntegratedofOrderZero[I(0)]平穩(wěn)、用于回歸分析時，它滿足大數(shù)定律和中心極限定理。交互作用（InteractionEffect）：回歸模型中為兩個解釋變量的乘積的自變量。截距參數(shù)（InterceptParameter復(fù)線性回歸模型中，給出當(dāng)所有自變量都為零時因變量的期望值的參數(shù)。截距的變動（InterceptShift）：回歸模型中的截距，因組或時期的不同而不同。J聯(lián)合假設(shè)檢驗（JointHypothesisTest）：一個模型中包含不止一個對參數(shù)的約束的檢驗。）：的虛擬假設(shè)以一個選定的顯著性水平被拒絕。L滯后分布（LagDistribution在無限或有限分布滯后模型中，把滯后系數(shù)表示為滯后長度的函數(shù)。滯后因變量（LaggedDependentVariable）：等于以前時期的因變量的解釋變量。拉格朗日乘數(shù)統(tǒng)計量（LagrangeMultiplierStatistic僅在大樣本下為正確的檢驗統(tǒng)計量，它可用于在不同的模型設(shè)定問題中檢驗遺漏變量、異方差性和序列相關(guān)。大樣本性質(zhì)（LargeSampleProperties）：見漸回歸模型。水平值—對數(shù)模型（Level-LogModel因變量為標(biāo)準(zhǔn)形式、自變量（至少是其分）為對數(shù)形式的回歸模型。線性概率模型（LPMLinearProbabilityModel,LPM響應(yīng)概率對參數(shù)為線性的二值響應(yīng)模型。線性時間趨勢（LinearTimeTrend）：為時間的線性函數(shù)的趨勢。線性無偏估計量（LinearUnbiasedEstimator在多元回歸分析中，是因變量值的一個線性函數(shù)的那些無偏估計量。對數(shù)—水平值模型（Log-LevelModel）：因變量以對數(shù)形式出原始）形式的一種回歸模型。對數(shù)—對數(shù)模型（Log-LogModel因變量和（至少一部分）解釋變量都是以出現(xiàn)的回歸模型。）：長期乘數(shù)（Long-RunMultiplier）：參見長期傾向。長期傾向（Long-RunPropensity在一個分布滯后模型中，給定自變量的一個永久性的、一個單位的增長，因變量最終的變化量。M配對樣本（MatchedPairsSample每個觀測值都與另一個觀測值相匹配的一種樣本，如由丈夫和妻子或一對兄妹組成的樣本。測量誤差（MeasurementError）：觀測到的變量與多元回歸方程中的變量之間的差。微數(shù)缺測性（Micronumerosity由ArthurGoldberger首先提出的一個概念容量樣本較小時計量經(jīng)濟學(xué)估計量的性質(zhì)。最小方差無偏估計量（MinimumVarianceUnbiasedEstimator在所有的無偏估計量中方差最小的那個估計量。數(shù)據(jù)缺失（MissingData）：當(dāng)我們沒有觀測到樣本中某些觀測（個人、城市所對應(yīng)的一些變量值時，發(fā)生的一類數(shù)據(jù)問題。一階移動平均過程[MA（1）]（MovingAverageProcessofOrder均值、固定方差和不相關(guān)的。多重共線性（Multicollinearity指多元回歸模型中自變量之間的相關(guān)性。當(dāng)某些相關(guān)性“很大”時，就會發(fā)生多重共線性，但對實際的大小尺度并沒有明確的規(guī)定。多重假設(shè)檢驗（Multicollinearity）：涉及到參數(shù)的多個約束條件的虛擬假設(shè)檢驗。多元線性回歸（MLR）模型（MultipleLinearRegression的一類模型，其中的因變量是自變量的函數(shù)加上一個誤差項。多元回歸分析（MultipleRegressionAnalysis在多元線性回歸模型中進(jìn)行估計和推斷的一類分析。多重約束（MultipleRestrictions）：計量經(jīng)濟學(xué)模型中對參數(shù)的多于一個的約束條件。乘數(shù)測量誤差（MultiplicativeMeasurementError觀測到的變量等于實際的觀測不到的變量與一個正的測量誤差的乘積時出現(xiàn)的一種測量誤差。Nn-R-平方統(tǒng)計量（n-R-SquaredStatistic）：參見拉格朗日乘數(shù)統(tǒng)計量。名義變量（NominalVariable）：用名義或當(dāng)前美元數(shù)表示的變量。非實驗數(shù)據(jù)（NonexperimentalData）：不是通過人為控制下的實驗得到的數(shù)據(jù)。非嵌套模型（NonnestedModels沒有一個模型可以通過對參數(shù)施加限制成另一個模型的特例的兩個（或更多）模型。非平穩(wěn)過程（NonstationaryProcess聯(lián)合分布在不同的時期不是恒定不變的一種時間序列過程。件的誤差（或因變量）有正態(tài)分布。虛擬假設(shè)（NullHypothesis）：在經(jīng)典假設(shè)檢驗中，我們把這個假設(shè)當(dāng)能夠提供足夠的證據(jù)才能否定它。分子自由度（NumeratorDegreesofFreedom在F檢驗中，所檢驗的約束條件的個數(shù)。O可觀測數(shù)據(jù)（ObservationalData）：參見非實驗數(shù)據(jù)。OLS（OLS）：參見普通最小二乘法。OLS截距估計值（OLSInterceptEstimate）：OLS回歸線（OLSRegressionLine表示了因變量的預(yù)報值與自變量的值之間關(guān)系的方程，它的參數(shù)是用OLS估計出來的。）：遺漏變量偏誤（OmittedVariableBias回歸中偏誤。單側(cè)對立假設(shè)（One-SidedAlternative被表述為參數(shù)大于（或小于）虛擬條件下的假設(shè)值的一種對立假設(shè)。單尾檢驗（One-TailedTest）：與單側(cè)對立假設(shè)相對的假設(shè)檢驗。序數(shù)變量（OrdinalVariable通過排列順序傳達(dá)信息的一種數(shù)據(jù)，它們的大小本身并不說明任何問題。普通最小二乘法（OLSOrdinaryLeastSquares,OLS用來估計多元線性回歸模型中的參數(shù)的一種方法。最小二乘估計值通過最小化殘差的平方和得到。INTRODUCTORYECONOM異常數(shù)據(jù)（Outliers）：在數(shù)據(jù)集中，與大量其他數(shù)據(jù)有明顯區(qū)別的觀能是由于誤差造成的，也可能是因為它們是由與多數(shù)其他數(shù)據(jù)不同的模型產(chǎn)生而造成的。整體顯著性（OverallSigni?canceofaRegression對多元回歸方做的一種聯(lián)合顯著性檢驗。模型的過度識別（OverspecifyingaModel參見含有一個無關(guān)變量。p值（p-value指能夠拒絕虛擬假設(shè)的最低顯著性水平。等價的，它也指虛擬假設(shè)不被拒絕的最大顯著性水平。綜列數(shù)據(jù)（PanelData在不同時期，橫截面的在每個時期都出現(xiàn)。偏效應(yīng)（PartialEffect）：回歸模型中的其他因素保持不變時，某個解影響。的線性函數(shù)。變量缺失問題的插入解（Plug-InSolutiontotheOmittedVariablesProblem在OLS回歸中，用一個代理變量代替觀測不到的缺失變量。政策分析（PolicyAnalysis用計量經(jīng)濟學(xué)模型來評估某項政策的效果的一種實證分析?；旌蠙M截面（PooledCrossSection通常在不同時點收集到的相互獨立的橫截面組合而成的一個單獨的數(shù)據(jù)集?？傮w（Population）：作為統(tǒng)計或計量經(jīng)濟分析對象的一個明確定義的組群（人、公司、城市等）?？傮w模型（PopulationModel一種描述了總體特征的模型，特別是多元線性回歸模型?？傮w回歸函數(shù)（PopulationRegressionFunction）：參見條件期望。實際顯著性（PracticalSigni?ca）：或經(jīng)濟的重要性，用它的符號和大小來衡量。誤差和嚴(yán)格外生解釋變量的多元線性回歸模型的方法；不同于科克計中要用到第一個時期的方程。前定變量（PredeterminedVariable）：在聯(lián)立方程模型中的滯后變量。被預(yù)測變量（PredictedVariable）：參見因變量。預(yù)報（Prediction把特定的解釋變量的值代入所估計的模型，通常是多元回歸模型中，以得到結(jié)果的一個估計值。預(yù)測誤差（PredictionError）：實際結(jié)果與所預(yù)報的結(jié)果之間的差。預(yù)測區(qū)間（PredictionInterval多元回歸模型中，某個因變量的未知結(jié)間。預(yù)測變量（PredictorVariable）：參見解釋變量。項目評估（ProgramEvaluation用計量經(jīng)濟學(xué)方法求出某個私人或公共項目的不確定影響的一種評估方法。代理變量（ProxyVariable）：多元回歸分析中，一個與觀測不到的解釋變不相同的可觀測變量。二次函數(shù)（QuadraticFunctio的函數(shù)，它反映了解釋變量對因變量的逐漸變?nèi)趸蛟鰪姷挠绊?。定性變量（QualitativeVariable）：描述一個人、企業(yè)及城市等的非定量特征的變量。擬—差分?jǐn)?shù)據(jù)（Quasi-DifferencedData）：在估計有AR（1）的序列相關(guān)的回歸模型時，當(dāng)期數(shù)據(jù)與前一期數(shù)據(jù)乘以AR（1）模型的參數(shù)后得到的數(shù)據(jù)R平方（R-BarSquared參見校正的R2。R2（R-Squared在多元回歸模型中，由自變量解釋了的那部分因變量的樣本方差之和。R2形式的F統(tǒng)計量（R-SquaredFormoftheFStatistic用受約束和不受約束的模型中得到的由R2-表示的、用于檢驗排除約束條件的F）：抽取的可能性是相同的，而且每次抽樣都與其他次相互獨立。隨機游走（RandomWalk在這樣一種時間序列中，下個時期的值等于本期值加上一個獨立的（或至少是不相關(guān)的）誤差項。有漂移的隨機游走（RandomWalkwithDrift每個時期都加進(jìn)一個常數(shù)（或漂移）的隨機游走。實際變量（RealVariable）：用基期貨幣價值表示的變量?；貧w子（Regressand）：參見因變量?；貧w誤差設(shè)定檢驗（RESETRegressionSpeci?cationErrorTest,RESE模型中，檢驗函數(shù)形式的一般性方法。它是一種由最初的OLS估計得出的擬合值的平方、三次方以及可能更高次冪的聯(lián)合顯著性F檢驗。過原點回歸（RegressionThroughtheOrigin截距被設(shè)為0最小化殘差的平方和求出?；貧w元（Regressor）：參見解釋變量。拒絕區(qū)域（RejectionRegion使得虛擬假設(shè)被拒絕的一組檢驗統(tǒng)計量的值。拒絕法則（RejectionRule在假設(shè)檢驗中，決定在什么情況下拒絕虛擬假設(shè)并支持對立假設(shè)的法則。殘差（Residual實際值與擬合（或預(yù)報）值之間的差。樣本中的每次觀測都?xì)埐罘治觯≧esidualAnalysis）：在估計多元回歸模型后，對某和大小所作的研究。殘差平方和（ResidualSumofSquares）：參見殘差的平方和。響應(yīng)概率（ResponseProbability）：在二值響應(yīng)模型中，以解釋響應(yīng)變量（ResponseVariable）：參見因變量。受約束的模型（RestrictedModel在假設(shè)檢驗中，施加所有虛擬假設(shè)所要求的約束條件后得到的模型。均方根誤（RMSERootMeanSquaredError,RMSE多元回歸分析中回歸標(biāo)準(zhǔn)誤的另一個名稱（僅當(dāng)期望值等于實測值—譯者）。s樣本回歸函數(shù)（SampleRegressionFunction參見OLS得分統(tǒng)計量（ScoreStatistic）：參見拉格朗日乘數(shù)統(tǒng)計量。季節(jié)性虛擬變量（SeasonalDummyVariables）：一組用來表示季節(jié)或月份的虛擬變量。季節(jié)性（Seasonality月度或季度時間序列具有的均值隨著一年中季節(jié)的不同而系統(tǒng)性變化的特點。季節(jié)性調(diào)整（SeasonallyAdjusted用某種統(tǒng)計程序，可能是對季節(jié)性虛擬變量做回歸，來消除月度或季度時間序列中的季節(jié)性成分。半彈性（Semi-Elasticity）：自變量的一個單位的增長導(dǎo)致的因變量的變化的百分比。序列相關(guān)（SerialCorrelation）：在時間序列或綜列數(shù)據(jù)模型中相關(guān)性。INTRODUCTORYECONOM序列相關(guān)—穩(wěn)健標(biāo)準(zhǔn)誤（SerialCorrelation-Robust否與序列相關(guān)，都（漸近）生效的估計量的標(biāo)準(zhǔn)誤。序列不相關(guān)（SeriallyUncorrelated在時間序列或綜列數(shù)據(jù)模型中，不同時間的誤差兩兩之間不相關(guān)。短期彈性（Short-RunElasticity因變量和自變的即期傾向。