概率论与数理统计 一.课程性质及教学目的: 本课程是一门研究随机现象统计规律性的基础课, 为重要的数学分枝之一。其应用已普及经济、科技、教 育、管理和军事等方面。现已成为高等工科院校教学计划中一门重要的公共基础课。 通过本课程的学习,使学生掌握处理随机现象的基本理论和方法,并且掌握一定的分析问题和解决实际问题的能力。 二.课程教学内容,重、难点安排,学时分配: 本课程以介绍概率论和数理统计的基本知识和方法为主,同时注意直观背景和实际意义

10.1 模型总显著性的 F 检验（已讲过） 10.2 模型单个回归参数显著性的 t 检验（已讲过） 10.3 检验若干线性约束条件是否成立的 F 检验 10.4 似然比（LR）检验 10.5 沃尔德（Wald）检验（只讲应用） 10.6 拉格朗日乘子（LM）检验（只讲线性约束情形） 10.7 邹（Chow）突变点检验（不讲） 10.8 JB（Jarque-Bera）正态分布检验 10.9 格兰杰（Granger）因果性检验 10.11 赤池信息准则（AIC），施瓦茨准则（SC）

11.1 时间序列定义 11.2 时间序列模型的分类 11.3 Wold 分解定理 11.4 自相关函数（不讲理论，只分析特征） 11.5 偏自相关函数（不讲理论，只分析特征） 11.6 时间序列模型的建立与预测 11.7 案例分析（中国人口、粮食产量 ARIMA 模型） 11.8 回归与 ARMA 组合模型

8.1 随机解释变量（一般性了解） 8.2 工具变量 8.3 滞后变量（一般性了解） 8.4 虚拟变量（重点）（其中分段线性回归不讲） 8.5 时间变量

9.1 联立方程模型的概念 9.2 联立方程模型的分类（结构模型，简化型模型） 9.3 联立方程模型的识别 9.4 联立方程模型的估计方法（两段最小二乘估计的EViews操作） 9.5 案例

模型的建立及其假定条件 最小二乘估计（OLS） OLS回归函数的性质 最小二乘估计量的特性 yt的分布和 的分布  的估计 拟合优度的测量 回归参数的显著性检验与置信区间 yF 的点预测与区间预测 案例分析 相关系数 EViews操作

多元线性回归模型与假定条件 最小二乘法（OLS） 最小二乘估计量的特性 可决系数 显著性检验与置信区间 预测 预测的评价指标 建模过程中应注意的问题

（1）多项式函数模型 （2）双曲线函数模型 （3）对数函数模型 （4）生长曲线 (logistic) 模型（比教材中的模型复杂些） （5）指数函数模型 （6）幂函数模型

异方差概念 异方差来源与后果 异方差检验（Goldfeld-Quandt 检验、 White 检验、Glejser 检验） 异方差的修正方法（GLS、WLS） 异方差案例分析

12.1 面板数据定义 12.2 面板数据模型分类 12.3 面板数据模型的估计方法 12.4 面板数据模型的设定与检验 12.5 面板数据建模案例分析 12.6 面板数据建模的 EViews 操作