楼主你好！我自己现在学了李子奈的计量经济学（包括经典回归，对异方差、序列相关、多重共线性、随机解释变量的检验与补救方法、时间序列模型、平稳性和协整检验）和面板数据模型（混合模型、固定效应模型、随机模型的选择、估计、检验），现在适合看哪些计量经济方面的书，您能推荐下吗？谢谢

纯属友情帮顶，不懂这个！！

下面是陈强老师在山大上研究生计量时给学生们开的参考书，供你参考。
1. Hayashi, F., 2000, Econometrics, Princeton University Press.
2. Wooldridge, J., 2010, Econometric Analysis of Cross Section and Panel Data, 2nd ed., MIT Press.
3. Greene, W., 2012, Econometric Analysis, 7th ed., Pearson Education.
4. Stock, J. & M. Watson, 2010, Introduction to Econometrics, 3rd ed., Addison-Wesley.
5. Kennedy, P., 2003, A Guide to Econometrics, MIT Press.
6. Baum, C., 2006, An Introduction to Modern Econometrics Using Stata, StataCorp LP.
7. Cameron A. and K. Trivedi, 2005, Microeconometrics: Methods and Applications, Cambridge.
8. Cameron A. and K. Trivedi, 2010, Microeconometrics using Stata, revised edition, Stata Press.
     对陈强老师个人而言，在计量理论方面受益最大的是Hayashi的书。Greene的书在理论方面比较混杂，但内容全面，适合作为工具书（需要时，搜索相应内容即可）。如果你想做理论计量，则需要看更深、更偏向证明的书，比如White的书，计量经济学手册等。而大量的前沿成果显然存在于论文中（书籍更新速度太慢）。

呵呵，谢谢支持。加油，共勉~

针对第五个问题，关于高斯—马尔科夫假定
假定MLR.1(线性于参数)
总体模型可以写成
y = β0 +β1x1 +β2x2+…+βkxk+μ                                         （1）
其中，β0，β1，…，βk是我们关心的未知参数,而μ则是无法观测的随机误差或随机干扰。
假定MLR.2(随机抽样)
我们有一个包含n次观测到的随机样本{（xi1，xi2 ，xik，yi）：i=1,2，…，n}，它来自假定MLR.1中的总体模型。
假定MLR.3(不存在完全共线性)
在样本（因而在总体中），没有一个自变量是常数，自变量之间也不存在严格的线性关系。
如果方程（1）中 的一个自变量刚好是其他自变量的一个线性组合，那么我们就说这个模型遇到了完全共线性（perfect collinearity）的问题，也就不能由OLS来估计。
但是这并不意味着我们不允许自变量之间不存在任何相关关系，因为那样的话多元回归分析就没有多大用处了。比如这样一个模型y = β0 +β1x1 +β2x12 +μ就不违背假定MLR.3，尽管想x12是x1的一个函数，但不是线性的。
另外，在模型（1）中，若样本容量小于参数个数k+1，假定MLR.3也不成立。
假定MLR.4(条件均值为零)
给定自变量的任何值，误差μ的期望值为零，换句话说，
E(u|x1, x2， …,xk )= 0
初学者总是将假定MLR.4与假定MLR.3混淆，但他们相当不同。假定MLR.3排除了自变量和因变量之间的某些关系，而与μ无关。但是假定MLR.4则限制了μ中无法观测因素与解释变量之间的关系。尽管我们永远无法确切的知道，无法观测因素的平均值是否与解释变量无关，但是这是一个关键假定。
假定MLR.5（同方差性）
给定任意解释变量值，误差μ都具有相同的方差。换言之
Var（μ|x1,x2, …,xk）=σ2

呵呵，欢迎继续来分享。

针对第七个问题——7、 高级点的问题来了：您是否听说过异方差呢？如果模型一不小心出现了异方差怎么办，会对模型结果产生什么样的影响呢？1.什么是异方差以及举例。
首先，要想知道什么是异方差性，就要对同方差性有一个了解。那么什么是同方差性呢。根据我的上一个帖子关于高斯——马尔科夫假定，假定5就是对同方差性做了一个解释，

给定任意解释变量值，误差μ都具有相同的方差。换言之

Var（μ|x1,x2, …,xk）=σ2

这意味着，不管解释变量出现何种组合，误差μ的方差都是一样的。如果这个假定不成立，那么模型就会表现出异方差性。我们以简单回归分析为例说明同方差与异方差的区别。

E（y/x)= β0 +β1x

Var（y/x）=σ2

得出同方差下的简单回归分析

当Var（μ|x）取决于x时，便称误差项表现出异方差性，由于Var（y/x）=Var（μ|x），所以只要Var（y/x）是x的函数，便出现异方差性。 如图所示

比如消费函数C（i）=α+βY（i）+ε（i）,其中，C为消费，Y为收入。一般来说，富人的消费计划较有弹性，而穷人的消费多为必需品，甚少变动。另一方面，富人的消费支出波动较大，很难预测，故包含较多测量误差，因此，Var[ε(i)|Y(i)]可能随Y(i)的上升而增大。

那么遇到异方差的时候我们要怎么处理呢。

2.异方差的处理方法

最简单最通用的方法是使用OLS+稳健标准差。也就是说遇到异方差时，仍然进行OLS回归，但是要使用稳健标准差。即使在异方差的情况下，若使用稳健标准差，则所以参数估计、假设检验均可照常进行。

另外几种方法分别是GLS，也就是广义最小二乘法。加权最小二乘法WLS，可行广义最小二乘法FWLS。

后面几种方法偏于数学推导，这里就不赘述了。

总之，OLS+稳健标准差更为稳健，使用于大多数情况。

谢谢支持，欢迎继续来分享经验。

对数据正态分布进行检验主要有三大类方法：图示法、计算法
一、        图示法
1.P-P图
以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。
2. Q-Q图
以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。
以上两种方法以Q-Q图为佳，效率较高。 3、直方图
3.直方图
判断方法：是否以钟形分布，同时可以选择输出正态性曲线。
4.箱式图
观察离群值和中位数
5.茎叶图
与直方图相似
二、        计算法
1.        偏度系数和峰度系数
偏度计算公式μ=g1/σg1
峰度计算公式μ=g1/σg2
g1表示偏度，g2表示峰度，通过计算g1和g2及其标准误σg1及σg2然后作U检验。两种检验同时得出U<U0.05=1.96，即p>0.05的结论时，才可以认为该组资料服从正态分布。由公式可见，部分文献中所说的“偏度和峰度都接近0……可以认为……近似服从正态分布”并不严谨。
2.        非参数检验方法
非参数检验方法包括Kolmogorov-Smirnov检验（D检验）和Shapiro- Wilk （W 检验）。
SAS中规定：当样本含量n ≤2000时，结果以Shapiro – Wilk（W 检验）为准，当样本含量n >2000 时，结果以Kolmogorov – Smirnov（D 检验）为准。
SPSS中则这样规定：（1）如果指定的是非整数权重，则在加权样本大小位于3和50之间时，计算 Shapiro-Wilk 统计量。对于无权重或整数权重，在加权样本大小位于3 和 5000 之间时，计算该统计量。由此可见，部分SPSS教材里面关于“Shapiro – Wilk适用于样本量3-50之间的数据”的说法是在是理解片面，误人子弟。（2）单样本 Kolmogorov-Smirnov 检验可用于检验变量（例如income）是否为正态分布。
对于此两种检验，如果P值大于0.05，表明资料服从正态分布。

谢谢分享，欢迎继续来分享。

8、 更高级的问题来了：您是否听说过变量的内生性呢？如果模型一不小心出现了内生变量怎么办，会对模型结果产生什么样的影响呢？我们有哪些手段可以去判定一个模型是否存在内生变量呢？

      如果发现模型确实存在变量内生的情况，我们有哪些办法可以去解决它呢？请举例说明。这个问题奖励会比较高哦。

什么是变量的内生性呢？

对于多元回归模型：

                                                                                             

我们知道高斯—马尔科夫假定，MLR.4假定是条件均值为零的假定，即给定自变量的任何值，误差μ的期望值都为0.当假定MLR.4成立时，我们说我们具有外生解释变量（exogenous explanatory  variables），如果出于某种原因自变量xj与μ仍相关，那么xj就被成为内生解释变量（endogenous  explanatory  variable）。这就是变量的内生性。我们举个例子说明一下。

典型的一种内生形式是联立性，即联立方程模型（simultaneousequations

model），我们给出劳动的供给和需求方程

令qts=qtd=qt

显然，这两个方程的被解释变量与解释变量完全一样。如果直接做回归，那么估计的究竟是需求函数还是攻击函数呢？两者都不是。如下图所示：

因为OLS能够成立的重要条件之一是MLR.4，否则，OLS的估计量将是不一致的，即无论样本容量多大，OLS估计量都不会收敛到真实的总体参数。一般来说，这是无法接受的，然而，内生变量是如此的常见。那么我们怎样去解决这样一个问题呢，工具变量法是一个不错的方法。既然OLS的不一致性是因为内生变量与扰动项相关而引起，如果我们能够将内生变量分成两部分，即一部分与扰动项相关，另一半部分与扰动项不相关，那么就有希望用与扰动项不相关的那部分得到一部分估计。这可以通过工具变量来实现。

工具变量法

假设在图10.1中，存在某个因素使得供给曲线经常移动，而需求曲线基本不动，此时就可以估计需求曲线，见下图。这个使得供给曲线移动的变量就是工具变量。假设影响供给方程扰动项的因素可以分解为两部分，即可以观测的气温xt与不可观测的其他因素：

  

假设气温xt是个前定变量，与两个扰动项都不相关，即Cov(xt,μt)=0, Cov(xt,νt)=0.由于气温xt的变化使得攻击函数沿着需求函数移动，这使得我们可以估计出需求函数。在这种情况下，称气温xt为工具变量（intrumental variable）。一个有效的工具变量应该满足相关性和外生性两个条件。相关性是指工具变量和内生变量相关，外生性是指工具变量与扰动项不相关。

从上式也可以看出，如果工具变量与内生变量无关，即无法定义工具变量估计。如果工具变量与内生变量的相关性很弱，则会导致估计量方差变得很大，这被称为“弱工具变量问题”。传统的工具变量法一般通过两阶段最小二乘法（Two Stage Square,简记为2SLS或TSLS）来实现。即通过两个回归来完成。

第一阶段回归：用内生解释变量队工具变量回归，得到拟合值；

第二阶段回归：用被解释变量队第一阶段回归的拟合值进行回归；

但是使用工具变量法的前提是存在内生解释变量，这需要检验。如何从统计上检验解释变量是否为内生呢？由于扰动项不可观测，因此无法直接检验解释变量与扰动项的相关性。但如果找到有效的工具变量，则可以借助工具变量来检验变量的内生性。有以下几种方法：

1.“豪斯曼检验”：基本思路是把可能存在测量误差的解释变量与工具变量做回归，将得到的残差序列作为解释变量加入初始的模型，如果残差序列是显著的，则说明存在测量误差，反之不存在。具体步骤为：1）、对所研究的回归模型，无论是否存在测量误差，先采用OLS法得到参数估计量；2）、对可能存在的测量误差的解释变量，选择与其相关的工具变量，将可能存在测量误差的解释变量对选择的工具变量回归，并且获得回归残差;3）、将回归残差作为解释变量加入第一步的回归模型，再次进行OLS回归，得到回归残差的参数估计值和显著性检验结果;4）、若参数估计值显著，则存在观测误差，反之不存在。

但是传统的豪斯曼检验不适用于异方差的情形。

2.“杜宾—吴—豪斯曼检验”，该检验在异方差的情形下也适用，更为稳健。

这是我对第8个问题的相关整理结果。

大赞～谢谢分享～

说实话这个得慢慢研读

对，需要慢慢思索摸索。加油，共勉。

不错，支持楼主

好详细啊

谢谢您的推荐

加油，共勉～

呵呵，加油，共勉～

不客气，加油，共勉～

做一个实证分析，往往是根据目的去寻找数据。按照我们的目的，是要研究时间序列还是要用面板模型

好贴，逛逛，学习学习

加油，共勉。

看完果真是吓住了

谢谢推荐，可以少走弯路！

哈哈，不要被吓住了。欢迎来分享经验。加油，共勉。

加油，共勉。

看完有一种头昏脑胀的感觉，这些知识要慢慢去吸收啊，一口气看下来我已经不记得都看了什么了，脑子乱了，谢谢诸位大神啊