一、了解多元线性回归模型 二、 掌握相关关系的测定方法特别是相关系数的计算方法 三、领会相关关系的含义、分类及与函数关系的区别，相关分析和回归分析之间的关系 四、掌握一元线性回归分析方法

处理效应与选择难题 通过随机分组解决选择难题 依可测变量选择 匹配估计量的思想 倾向得分匹配 倾向得分匹配的Stata实例 偏差校正匹配估计量 双重差分倾向得分匹配 断点回归的思想 精确断点回归 模糊断点回归 断点回归的Stata实例 处理效应模型

一、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机扰动项 四、样本回归函数（SRF）

第一节引言 第二节分布滞后模型的估计 第三节部分调整模型和适应预期模型

本章将一元回归模型拓展到了多元回归模型，其基本的建模思想与建模方法与一元的 情形相同。主要内容仍然包括模型的基本假定、模型的估计、模型的检验以及模型在预测方 面的应用等方面。只不过为了多元建模的需要，在基本假设方面以及检验方面有所扩充

§2.1 回归分析概述 (Regression Analysis) 一、变量间的关系及回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数 §2.2 一元线性回归模型的基本假设 (Assumptions of Simple Linear Regression Model) 一、关于模型设定的假设 二、关于解释变量的假设 三、关于随机项的假设 §2.3 一元线性回归模型的参数估计 (Estimation of Simple Linear 一、参数的普通最小二乘估计（OLS） 二、参数估计的最大或然法(ML) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干扰项方差的估计 §2.4 一元线性回归模型的统计检验 Statistical Test of Simple Linear Regression Model 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.5 一元线性回归分析的应用——预测问题 一、预测值条件均值或个值的一个无偏估计 二、总体条件均值与个值预测值的置信区间 §2.6 实例及时间序列问题

§2.1 回归分析概述 一、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机扰动项 四、样本回归函数（SRF） §2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计 §2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.4 一元线性回归分析的应用——预测问题 §2.5 实例：时间序列问题 一、中国居民人均消费模型 二、时间序列问题

第一节 时间序列概述 一、时间序列的意义 二、时间序列的种类 三、时间序列编制原则 四、时间序列的建立 第二节 时间序列分析 一、时间序列分析概念 二、确定性与随机性时间序列分析 三、时间序列分析方法 四、时间序列的应用 第三节 时间序列及其特征识别 一、时间序列与随机过程 二、时间序列的识别判据 三、时间序列特征的识别 第四节 平稳时间序列模型 一、一阶自回归模型 二、一般自回归模型 三、移动平均模型 四、自回归移动平均模型

一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计(OLS) 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计

一、模型参数的线性约束 二、对回归模型增加或减少解释变量 三、参数的稳定性 *四、非线性约束