经典计量经济学中，一般认为模型是比较关键的因素，因而比较重视对模型的讨论，但是从实际情况看来模型的确比较的重要，但是还有比模型更加重要的问题，就是数据问题。得到数据是需要花费很大的功夫的，而且得到的数据的类型和特点不一样，那么需要的模型和使用的检验也就不同。所以我在这里对数据加以讨论。

横截面的数据：这一类的数据表示的是在一个时点上的数据，从总体中抽样调查，并且服从iid（独立同分布的假定）。这样就不会出现在经典计量经济学中的序列相关的问题。但是必须重视异方差的问题。异方差主要是说明残差项和自变量相关。这种问题主要是遗漏变量、测量误差问题。

遗漏变量问题的讨论，如存在不可测的变量或者是存在遗漏的问题，一般的估计情况不是乐观的。特别是遗漏的变量和自变量之间存在相关的关系，那么一般而言，在ols方法之下的估计是有偏的。而且是整体的参数有偏，不是相关的参数有偏，主要存在这种问题的是“无完全的多重共线性的假定”。在现代观点之下，对参数的估计一般而言可以容忍自变量之间存在一定的多重共线性。所以估计出来的参数在一定的程度上是有偏的。那么处理这种遗漏变量的方法是使用替代变量的方法。就是选择一个和因变量无关的，但是和自变量相关的替代变量，比如我们要研究学习成绩和天赋之间的关系，那么我们没有办法度量天赋的程度，我们只能选择一个变量来替代它比如IQ。这样在某种程度上可以减少偏误，这里我用的语言是减少，而不是完全消除，因为代理变量不是遗漏的原始变量，只是在两者的关系上，存在高度的相关性。这就存在这个问题，使用代理变量是好事情，尽管没有好到我们预期的那样，但是始终是比没有使用的时候好。

测量误差的问题：对于测量误差的问题的讨论，现在我认为误差产生的原因如果和实际值之间无关，那么这种情况之下，没有必要过分紧张的认为出现问题，他会增加随即误差的方差，但是不会影响其它的性质。但是如果测量误差和观测值之间没有关系，那么问题也就比较严重。

• 解决办法：
  

       隐性变量问题或者是变量不可测的问题：在这类问题之下，如果我们的数据来源比较的单一，只有横截面的数据，那么我们比较好的方法是利用2SLS的方法来解决问题，在一般的计量经济学教科书中，这种方法主要是针对联立方程组而使用的。比如存在一个变量能力，这个东西我们没有办法得到直接的测量数据（因为没有对能力侧度的较好的指标），我们估计学习成绩（综合测评分数）与上课的出勤率、高考分数、年龄等之间的回归问题，但是很显然学习成绩是和能力有关系的，如果我们没有办法得到能力的数据，那么能力就只能方到随机误差里面来考虑，但是如果有一种方法能在某种程度上对能力最一些刻画，那么不是更好吗。比如我们认为IQ可以在某种程度上标明能力的大小，或者是选择EQ，这个取决做计量经济学的人和数据的情况。在某种程度上我们选择的这些IQ或者EQ称之为代理变量，这些变量不可能完全表现我们所直接需要的变量如能力，但是最起码有这些变量比没有这些变量要好一些。如果我们的目标是研究出勤率对成绩的影响问题，那么我们得到的偏效应也就会好一些，或者说更加地准确。

from:http://blog.163.com/wxhzwx_xyc/b ... 121200792973430814/