計量經濟學術語
A
校正R2（Adjusted R-Squared）：多元回歸分析中擬合優度的量度，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整。
對立假設（Alternative Hypothesis）：檢驗虛擬假設時的相對假設。
AR（1）序列相關（AR(1) Serial Correlation）：時間序列回歸模型中的誤差遵循AR（1）模型。
漸近置信區間（Asymptotic Confidence Interval）：大樣本容量下近似成立的置信區間。
漸近正態性（Asymptotic Normality）：適當正態化后樣本分布收斂到標準正態分布的估計量。
漸近性質（Asymptotic Properties）：當樣本容量無限增長時適用的估計量和檢驗統計量性質。
漸近標準誤（Asymptotic Standard Error）：大樣本下生效的標準誤。
漸近t 統計量（Asymptotic t Statistic）：大樣本下近似服從標準正態分布的t統計量。
漸近方差（Asymptotic Variance）：為了獲得漸近標準正態分布，我們必須用以除估計量的平方值。
漸近有效（Asymptotically Efficient）：對于服從漸近正態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（Asymptotically Uncorrelated）：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，它們之間的相關趨于零。
衰減偏誤（Attenuation Bias）：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的絕對值。
自回歸條件異方差性（Autoregressive Conditional Heteroskedasticity, ARCH）：動態異方差性模型，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。
一階自回歸過程[AR（1）]（Autoregressive Process of Order One [AR(1)]）：一個時間序列模型，其當前值線性依賴于最近的值加上一個無法預測的擾動。
輔助回歸（Auxiliary Regression）：用于計算檢驗統計量——例如異方差性和序列相關的檢驗統計量——或其他任何不估計主要感興趣的模型的回歸。
平均值（Average）：n個數之和除以n。
B
基組、基準組（Base Group）：在包含虛擬解釋變量的多元回歸模型中，由截距代表的組。
基期（Base Period）：對于指數數字，例如價格或生產指數，其他所有時期均用來作為衡量標準的時期。
基期值（Base Value）：指定的基期的值，用以構造指數數字；通常基本值為1或100。
最優線性無偏估計量（Best Linear Unbiased Estimator, BLUE）：在所有線性、無偏估計量中，有最小方差的估計量。 在高斯—馬爾科夫假定下，OLS是以解釋變量樣本值為條件的BLUE 。
貝塔系數（Beta Coef?cients）：見標準化系數。
偏誤（Bias）：估計量的期望參數值與總體參數值之差。
偏誤估計量（Biased Estimator）：期望或抽樣平均與假設要估計的總體值有差異的估計量。
向零的偏誤（Biased Towards Zero）：描述的是估計量的期望絕對值小于總體參數的絕對值。
二值響應模型（Binary Response Model）：二值因變量的模型。
二值變量（Binary Variable）：見虛擬變量。
兩變量回歸模型（Bivariate Regression Model）：見簡單線性回歸模型。
BLUE（BLUE）：見最優線性無偏估計量。
Breusch-Godfrey 檢驗（Breusch-Godfrey Test）：漸近正確的AR（p）序列相關檢驗，以AR（1）最為流行；該檢驗考慮到滯后因變量和其他不是嚴格外生的回歸元。
Breusch-Pagan 檢驗（Breusch-Pagan Test）：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（Causal Effect）：一個變量在其余條件不變情況下的變化對另一個變量產生的影響。
其余條件不變（Ceteris Paribus）：其他所有相關因素均保持固定不變。
經典含誤差變量（Classical Errors-in-Variables, CEV）：觀測的量度等于實際變量加上一個獨立的或至少不相關的測量誤差的測量誤差模型。
經典線性模型（Classical Linear Model）：全套經典線性模型假定下的復線性回歸模型。
經典線性模型（CLM）假定（Classical Linear Model (CLM) Assumptions）：對多元回歸分析的理想假定集，對橫截面分析為假定MLR.1至MLR.6，對時間序列分析為假定TS.1至TS.6。假定包括對參數為線性、無完全共線性、零條件均值、同方差、無序列相關和誤差正態性。
科克倫—奧克特（CO）估計（Cochrane-Orcutt (CO) Estimation）：估計含AR（1）誤差和嚴格外生解釋變量的多元線性回歸模型的一種方法；與普萊斯—溫斯登估計不同，科克倫—奧克特估計不使用第一期的方程。
置信區間（CI）（Con?dence Interval, CI）：用于構造隨機區間的規則，以使所有數據集中的某一百分比（由置信水平決定）給出包含總體值的區間。
置信水平（Con?dence Level）：我們想要可能的樣本置信區間包含總體值的百分比，95%是最常見的置信水平，90%和99%也用。
不變彈性模型（Constant Elasticity Model）：因變量關于解釋變量的彈性為常數的模型；在多元回歸中，兩者均以對數形式出現。
同期外生回歸元（Contemporaneously Exogenous）：在時間序列或綜列數據應用中，與同期誤差項不相關但對其他時期則不一定的回歸元。
控制組（Control Group）：在項目評估中，不參與該項目的組。
控制變量（Control Variable）：見解釋變量。
協方差平穩（Covariance Stationary）：時間序列過程，其均值、方差為常數，且序列中任意兩個隨機變量之間的協方差僅與它們的間隔有關。
協變量（Covariate）：見解釋變量。
臨界值（Critical Value）：在假設檢驗中，用于與檢驗統計量比較來決定是否拒絕虛擬假設的值。
橫截面數據集（Cross-Sectional Data Set）：在給定時點上從總體中收集的數據集
D
數據頻率（Data Frequency）：收集時間序列數據的區間。年度、季度和月度是最常見的數據頻率。
戴維森—麥金農檢驗（Davidson-MacKinnon Test）：用于檢驗相對于非嵌套對立假設的模型的檢驗：它可用相爭持模型中得出的擬合值的t檢驗來實現。
自由度（df）（Degrees of Freedom, df）：在多元回歸模型分析中，觀測值的個數減去待估參數的個數。
分母自由度（Denominator Degrees of Freedom）：F檢驗中無約束模型的自由度。
因變量（Dependent Variable）：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。
斜率級差（Difference in Slopes）：所描述的是模型中某些斜率參數，因組或時期的不同而不同。
向下偏誤（Downward Bias）：估計量的期望值低于參數的總體值。
虛擬變量（Dummy Variable）：取值為0或1的變量。
虛擬變量陷阱（Dummy Variable Regression）：自變量中包含了過多的虛擬變量造成的錯誤；當模型中既有整體截距又對每一組都設有一個虛擬變量時，該陷阱就產生了。
德賓—沃森（DW）統計量（Durbin-Watson (DW) Statistic）：在經典線性回歸假設下，用于檢驗時間序列回歸模型的誤差項中的一階序列相關的統計量。
動態完整模型（Dynamically Complete Model）：設更多的滯后因變量，或設更多的滯后解釋變量都無助于解釋因變量的均值的時間序列模型。
E
計量經濟模型（Econometric Model）：將因變量與一組解釋變量和未觀測到的擾動聯系起來的方程，方程中未知的總體參數決定了各解釋變量在其余條件不變下的效應。
經濟模型（Economic Model）：從經濟理論或不那么正規的經濟原因中得出的關系。
經濟顯著性（Economic Signi?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。
經驗分析（Empirical Analysis）：用正規計量分析中的數據檢驗理論、估計關系式或確定政策效應的研究。
內生解釋變量（Endogenous Explanatory Variable）：在多元回歸模型中，由于遺漏變量、測量誤差或聯立性的原因而與誤差項相關的解釋變量。
內生樣本選擇（Endogenous Sample Selection）：非隨機樣本選擇，其選擇直接地或通過方程中的誤差項與因變量相聯系。
誤差項（Error Term）：在簡單或多元回歸方程中，包含了未觀測到的影響因變量的因素的變量。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（Error Variance）：多元回歸模型中誤差項的方差。
事件研究（Event Study）：事件（例如政府規制或經濟政策的變化）對結果變量的效應的計量分析。
排除一個有關變量（Excluding a Relevant Variable）：在多元回歸分析中，遺漏了一個對因變量有非零偏效應的變量。
排斥性約束（Exclusion Restrictions）：說明某些變量被排斥在模型之外（或具有零總體參數）的約束。
外生解釋變量（Exogenous Explanatory Variable）：與誤差項不相關的解釋變量。
外生樣本選擇（Exogenous Sample Selection）：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的樣本選擇。
實驗數據（Experimental Data）：通過進行受控制的實驗獲得的數據。
試驗組（Experimental Group）：見處理組。
解釋平方和（SSE）（Explained Sum of Squares, SSE）：多元回歸模型中擬合值的總樣本變異。
被解釋變量（Explained Variable）：見因變量。
解釋變量（Explanatory Variable）：在回歸分析中，用于解釋因變量中的變異的變量。
指數趨勢（Exponential Trend）：有固定增長率的趨勢。
F
F統計量（F Statistic）：在多元回歸模型中，用于檢驗關于參數的多重假設的統計量。
可行的GLS（FGLS）估計量（Feasible GLS (FGLS) Estimator）：方差或相關參數未知，因而必須先進行估計的GLS程序。 （又見廣義最小二乘估計量。）
有限分布滯后（FDL）模型（Finite Distributed Lag (FDL) Model）：允許一個或多個解釋變量對因變量有滯后效應的動態模型。
一階差分（First Difference）：對相鄰時期做差分所構成的對時間序列的轉換，即用后一時期減去前一時期。
一階條件（First Order Conditions）：用于求解OLS估計值的一組線性方程。
擬合值（Fitted Values）：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。
函數形式的錯誤設定（Functional Form Misspeci?cation）：當模型中有被遺漏的解釋變量的函數（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時產生的問題。
G
高斯—馬爾科夫假定（Gauss-Markov Assumptions）：一組假定（假定MLR.1至MLR.5或假定TS.1至TS.5），在這之下OLS是BLUE 。
高斯—馬爾科夫定理（Gauss-Markov Theorem）：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估計量是BLUE （在解釋變量樣本值的條件下）。
廣義最小二乘（GLS） 估計量（Generalized Least Squares (GLS) Estimator）： 通過對原始模型的變換，說明了已知結構的誤差的方差（異方差性）和誤差中的序列相關形式或兩者兼有的估計量。
擬合優度度量（Goodness-of-Fit Measure）：概括一組解釋變量有多好地解釋了因變量或響應變量的統計量。
增長率（Growth Rate）：時間序列中相對于前一時期的比例變化。可將它近似為對數差分或以百分比形式報導。
H
異方差性（Heteroskedasticity）：給定解釋變量，誤差項的方差不為常數。
未知形式的異方差性（Heteroskedasticity of Unknown Form）：以一未知的任意形式依賴于解釋變量的異方差性。
異方差—穩健F 統計量（Heteroskedasticity-Robust F Statistic）：對未知形式的異方差性而言（漸近）穩健的F 統計量。
異方差—穩健LM 統計量（Heteroskedasticity-Robust LM Statistic）： 對未知形式的異方差性而言（漸近）穩健的LM 統計量。
異方差—穩健標準誤（Heteroskedasticity-Robust Standard Error）： 對未知形式的異方差性而言（漸近）穩健的標準誤。
異方差—穩健t 統計量（Heteroskedasticity-Robust t Statistic）：對未知形式的異方差性而言（漸近）穩健的t 統計量。
高持續性過程（Highly Persistent Process）：時間序列過程，其中遙遠的將來的結果與當前的結果高度相關。
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
即期彈性（Impact Elasticity）：在分布滯后模型中，給定自變量增加1%因變量的即時的百分比變化。
即期乘數（Impact Multiplier）：見即期傾向。
即期傾向（Impact Propensity）：在分布滯后模型中，自變量增加一個單位因變量的即時的變化。
包含一個無關變量（Inclusion of an Irrelevant Variable）：用OLS估計方程時，回歸模型中包含了總體參數為零的解釋變量。
指數（Index Number）：關于經濟行為（例如生產或價格）總量信息的統計量。
影響重大的觀測值（In?uential Observations）：見奇異值。
INTRODUCTORY ECONOMETRICS
一階自積［I（1）］（Integrated of Order One [I(1)]）：需要做一階差分來得到I（0）過程的時間序列過程。
零階自積［I（0）］（Integrated of Order Zero [I(0)]）： 平穩、弱獨立時間序列過程，當用于回歸分析時，它滿足大數定律和中心極限定理。
交互作用（Interaction Effect）：回歸模型中為兩個解釋變量的乘積的自變量。
截距參數（Intercept Parameter）：復線性回歸模型中，給出當所有自變量都為零時因變量的期望值的參數。
截距的變動（Intercept Shift）：回歸模型中的截距，因組或時期的不同而不同。
J
聯合假設檢驗（Joint Hypothesis Test）：一個模型中包含不止一個對參數的約束的檢驗。
聯合統計顯著性（Jointly Statistically Signi?cant）：兩個或多個解釋變量具有零總體系數的虛擬假設以一個選定的顯著性水平被拒絕。
L
滯后分布（Lag Distribution）：在無限或有限分布滯后模型中，把滯后系數表示為滯后長度的函數。
滯后因變量（Lagged Dependent Variable）：等于以前時期的因變量的解釋變量。
拉格朗日乘數統計量（Lagrange Multiplier Statistic）：僅在大樣本下為正確的檢驗統計量，它可用于在不同的模型設定問題中檢驗遺漏變量、異方差性和序列相關。
大樣本性質（Large Sample Properties）：見漸近性質。
水平值—水平值模型（Level-Level Model）：因變量與自變量均為標準（或原始）形式的回歸模型。
水平值—對數模型（Level-Log Model）：因變量為標準形式、自變量（至少是其中一部分）為對數形式的回歸模型。
線性概率模型（LPM）（Linear Probability Model, LPM）：響應概率對參數為線性的二值響應模型。
線性時間趨勢（Linear Time Trend）：為時間的線性函數的趨勢。
線性無偏估計量（Linear Unbiased Estimator）：在多元回歸分析中，是因變量值的一個線性函數的那些無偏估計量。
對數—水平值模型（Log-Level Model）：因變量以對數形式出現，而自變量是水平（或原始）形式的一種回歸模型。
對數—對數模型（Log-Log Model）：因變量和（至少一部分）解釋變量都是以對數形式出現的回歸模型。
長期彈性（Long-Run Elasticity）： 因變量和自變量都是對數形式出現的分布滯后模型中的長期傾向。即，長期彈性是在給定解釋變量增長了1%時，被解釋變量最終變化的百分比。
長期乘數（Long-Run Multiplier）：參見長期傾向。
長期傾向（Long-Run Propensity）：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（Matched Pairs Sample）：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（Measurement Error）：觀測到的變量與多元回歸方程中的變量之間的差。
微數缺測性（Micronumerosity）：由Arthur Goldberger 首先提出的一個概念，用以描述容量樣本較小時計量經濟學估計量的性質。
最小方差無偏估計量（Minimum Variance Unbiased Estimator）：在所有的無偏估計量中方差最小的那個估計量。
數據缺失（Missing Data）：當我們沒有觀測到樣本中某些觀測（個人、城市、時期等）所對應的一些變量值時，發生的一類數據問題。
一階移動平均過程[MA（1）]（Moving Average Process of Order One [MA(1)]）：是由某個隨機過程的當期值與一期滯后的線性函數所產生的一種時間序列過程。這個隨機過程是0均值、固定方差和不相關的。
多重共線性（Multicollinearity）：指多元回歸模型中自變量之間的相關性。當某些相關性“很大”時，就會發生多重共線性，但對實際的大小尺度并沒有明確的規定。
多重假設檢驗（Multicollinearity）：涉及到參數的多個約束條件的虛擬假設檢驗。
多元線性回歸（MLR）模型（Multiple Linear Regression (MLR) Model）：對參數是線性的一類模型，其中的因變量是自變量的函數加上一個誤差項。
多元回歸分析（Multiple Regression Analysis）：在多元線性回歸模型中進行估計和推斷的一類分析。
多重約束（Multiple Restrictions）：計量經濟學模型中對參數的多于一個的約束條件。
乘數測量誤差（Multiplicative Measurement Error）：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的一種測量誤差。
N
n-R-平方統計量（n-R-Squared Statistic）：參見拉格朗日乘數統計量。
名義變量（Nominal Variable）：用名義或當前美元數表示的變量。
非實驗數據（Nonexperimental Data）：不是通過人為控制下的實驗得到的數據。
非嵌套模型（Nonnested Models）：沒有一個模型可以通過對參數施加限制條件而被表示成另一個模型的特例的兩個（或更多）模型。
非平穩過程（Nonstationary Process）：聯合分布在不同的時期不是恒定不變的一種時間序列過程。
正態性假定（Normality Assumption）：經典線性模型假定之一。它是指以解釋變量為條件的誤差（或因變量）有正態分布。
虛擬假設（Null Hypothesis）：在經典假設檢驗中，我們把這個假設當作真的，要求數據能夠提供足夠的證據才能否定它。
分子自由度（Numerator Degrees of Freedom）：在F檢驗中，所檢驗的約束條件的個數。
O
可觀測數據（Observational Data）：參見非實驗數據。
OLS（OLS）：參見普通最小二乘法。
OLS截距估計值（OLS Intercept Estimate）：OLS回歸線的截距。
OLS回歸線（OLS Regression Line）：表示了因變量的預報值與自變量的值之間關系的方程，它的參數是用OLS估計出來的。
OLS斜率估計值（OLS Slope Estimate）：OLS回歸線的斜率。
遺漏變量偏誤（Omitted Variable Bias）：回歸中遺漏了有關變量而產生的OLS估計量的偏誤。
單側對立假設（One-Sided Alternative）：被表述為參數大于（或小于）虛擬條件下的假設值的一種對立假設。
單尾檢驗（One-Tailed Test）：與單側對立假設相對的假設檢驗。
序數變量（Ordinal Variable）：通過排列順序傳達信息的一種數據，它們的大小本身并不說明任何問題。
普通最小二乘法（OLS）（Ordinary Least Squares, OLS）：用來估計多元線性回歸模型中的參數的一種方法。最小二乘估計值通過最小化殘差的平方和得到。
INTRODUCTORY ECONOMETRICS
異常數據（Outliers）：在數據集中，與大量其他數據有明顯區別的觀測值。這種現象可能是由于誤差造成的，也可能是因為它們是由與多數其他數據不同的模型產生而造成的。
整體顯著性（Overall Signi?cance of a Regression）：對多元回歸方程中所有的解釋變量所做的一種聯合顯著性檢驗。
模型的過度識別（Overspecifying a Model）：參見含有一個無關變量。
p值（p-value）：指能夠拒絕虛擬假設的最低顯著性水平。等價的，它也指虛擬假設不被拒絕的最大顯著性水平。
綜列數據（Panel Data）：在不同時期，橫截面的不斷反復得到的數據集。在平衡的綜列中，同樣的單位在每個時期都出現。在不平衡的綜列中，有些單位往往由于衰減現象而不會在每個時期都出現。
偏效應（Partial Effect）：回歸模型中的其他因素保持不變時，某個解釋變量對因變量的影響。
完全共線性（Perfect Collinearity）：在多元回歸中，一個自變量是一個或多個其他自變量的線性函數。
變量缺失問題的插入解（Plug-In Solution to the Omitted Variables Problem）：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（Policy Analysis）：用計量經濟學模型來評估某項政策的效果的一種實證分析。
混合橫截面（Pooled Cross Section）：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據集。
總體（Population）：作為統計或計量經濟分析對象的一個明確定義的組群（人、公司、城市等）。
總體模型（Population Model）：一種描述了總體特征的模型，特別是多元線性回歸模型。
總體R平方（Population R-Squared）：總體中，由解釋變量解釋了的那部分因變量的變異。
總體回歸函數（Population Regression Function）：參見條件期望。
實際顯著性（Practical Signi?cance）： 相對于統計顯著性而言的、某個估計值的實際的或經濟的重要性，用它的符號和大小來衡量。
普萊斯—溫斯登（PW）估計（Prais-Winsten (PW) Estimation）：一種用來估計有AR（1）誤差和嚴格外生解釋變量的多元線性回歸模型的方法；不同于科克倫-奧克特方法，它在估計中要用到第一個時期的方程。
前定變量（Predetermined Variable）：在聯立方程模型中的滯后的內生變量或滯后的外生變量。
被預測變量（Predicted Variable）：參見因變量。
預報（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，以得到結果的一個估計值。
預測誤差（Prediction Error）：實際結果與所預報的結果之間的差。
預測區間（Prediction Interval）：多元回歸模型中，某個因變量的未知結果的一個置信區間。
預測變量（Predictor Variable）：參見解釋變量。
項目評估（Program Evaluation）：用計量經濟學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（Proxy Variable）：多元回歸分析中，一個與觀測不到的解釋變量有關系但又不相同的可觀測變量。 二次函數（Quadratic Functions）：包含一個或多個解釋變量的平方的函數，它反映了解釋變量對因變量的逐漸變弱或增強的影響。
定性變量（Qualitative Variable）：描述一個人、企業及城市等的非定量特征的變量。
擬—差分數據（Quasi-Differenced Data）：在估計有AR（1）的序列相關的回歸模型時，當期數據與前一期數據乘以AR（1）模型的參數后得到的數據之間的差。
R
平方（R-Bar Squared）：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統計量（R-Squared Form of the F Statistic）：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統計量。
隨機抽樣（Random Sampling）：在總體中隨機抽取觀測值的一種抽樣方法。各個單位被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（Random Walk）：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（或至少是不相關的）誤差項。
有漂移的隨機游走（Random Walk with Drift）：每個時期都加進一個常數（或漂移）的隨機游走。
實際變量（Real Variable）：用基期貨幣價值表示的變量。
回歸子（Regressand）：參見因變量。
回歸誤差設定檢驗（RESET）（Regression Speci?cation Error Test, RESET）：在多元回歸模型中，檢驗函數形式的一般性方法。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合顯著性F檢驗。
過原點回歸（Regression Through the Origin）：截距被設為0的回歸分析，它的斜率通過最小化殘差的平方和求出。
回歸元（Regressor）：參見解釋變量。
拒絕區域（Rejection Region）：使得虛擬假設被拒絕的一組檢驗統計量的值。
拒絕法則（Rejection Rule）：在假設檢驗中，決定在什么情況下拒絕虛擬假設并支持對立假設的法則。
殘差（Residual）：實際值與擬合（或預報）值之間的差。樣本中的每次觀測都有一個相應的殘差，它們被用來計算OLS回歸線。
殘差分析（Residual Analysis）：在估計多元回歸模型后，對某次特定觀測的殘差的符號和大小所作的研究。
殘差平方和（Residual Sum of Squares）：參見殘差的平方和。
響應概率（Response Probability）：在二值響應模型中，以解釋變量為條件的因變量取值為1的概率。
響應變量（Response Variable）：參見因變量。
受約束的模型（Restricted Model）：在假設檢驗中，施加所有虛擬假設所要求的約束條件后得到的模型。
均方根誤（RMSE）（Root Mean Squared Error, RMSE）：多元回歸分析中回歸標準誤的另一個名稱（僅當期望值等于實測值—譯者）。
s
樣本回歸函數（Sample Regression Function）：參見OLS回歸線。
得分統計量（Score Statistic）：參見拉格朗日乘數統計量。
季節性虛擬變量（Seasonal Dummy Variables）：一組用來表示季節或月份的虛擬變量。
季節性（Seasonality）：月度或季度時間序列具有的均值隨著一年中季節的不同而系統性變化的特點。
季節性調整（Seasonally Adjusted）：用某種統計程序，可能是對季節性虛擬變量做回歸，來消除月度或季度時間序列中的季節性成分。
半彈性（Semi-Elasticity）：自變量的一個單位的增長導致的因變量的變化的百分比。
序列相關（Serial Correlation）：在時間序列或綜列數據模型中，不同時期的誤差之間的相關性。
INTRODUCTORY ECONOMETRICS
序列相關—穩健標準誤（Serial Correlation-Robust Standard Error）：不管模型中的誤差是否與序列相關，都（漸近）生效的估計量的標準誤。
序列不相關（Serially Uncorrelated）：在時間序列或綜列數據模型中，不同時間的誤差兩兩之間不相關。
短期彈性（Short-Run Elasticity）：因變量和自變量都以對數形式出現的分布滯后模型中的即期傾向。
顯著性水平（Signi?cance Level）：假設檢驗中發生第I類錯誤的概率。
簡單線性回歸模型（Simple Linear Regression Model）：因變量只是一個自變量和一個誤差項的線性函數的模型。
斜率參數（Slope Parameter）：多元回歸模型中的自變量的系數。
謬誤相關（Spurious Correlation）：不是因為二者有因果關系，可能是因為它們都受另一個觀測不到的因素影響，所導致的兩個變量之間的相關性。
謬誤回歸問題（Spurious Regression Problem）：如果回歸分析表明兩個或多個無關時間序列具有一定關系，而其原因僅僅因為它們每個都有趨勢或都是自積時間序列（如隨機游走），或上面兩種情況同時出現，這種問題就是謬誤回歸問題。
穩定的AR（1）過程（Stable AR(1) Process）：滯后變量的系數絕對值小于1時的AR（1）過程。序列中的兩個隨機變量的相關性，隨著它們之間的時間間隔不斷增大，以幾何級數趨近于0。
β1的標準誤（Standard Error of β1）：β1抽樣分布的標準差的估計值。
β1的標準差（Standard Deviation of β1）：衡量β1抽樣分布的分散程度的常用指標。
估計值的標準誤（Standard Error of the Estimate）：參見回歸的標準誤。
回歸的標準誤（SER）（Standard Error of the Regression, SER）：多元回歸分析中的總體誤差的標準差的估計值。等于殘差平方和的平方根除以自由度。
標準化系數（Standardized Coef?cients）：一種回歸系數，它度量了自變量增加一個標準差時，因變量的改變是其標準差的倍數。
靜態模型（Static Model）：只有當期的解釋變量影響因變量的一種時間序列模型。
平穩過程（Stationary Process）：邊際和所有的聯合分布都不隨時間變化的一種時間序列過程。
統計上不顯著（Statistically Insigni?cant）：在選定的顯著性水平上，無法拒絕總體參數等于0的虛擬假設。
統計上顯著（Statistically Significant）：在選定的顯著性水平上，相對于特定的對立假設，拒絕總體參數等于0的虛擬假設。
隨機過程（Stochastic Process）：標注了時間的一系列隨機變量。
嚴格外生的（Strict Exogeneity）：時間序列或綜列數據模型中的解釋變量的一個特點，以所有時期的解釋變量為條件的、任何時期的誤差項都是有0均值。更寬松的一種說法是用相關性為0來表述的。
強相依（Strongly Dependent）：參見高度持續過程。
殘差平方和（Sum of Squared Residuals）：多元回歸模型中，所觀測的OLS殘差的平方和。
求和運算符（Summation Operator）：用∑表示的一個符號，用來表示對一組數據的求和運算。
T
t 比率、t 統計量（t Ratio、t Statistic）：用來對計量經濟學模型中關于參數的單個假設進行檢驗的一種統計量。
時間序列數據（Time Series Data）：搜集到的一個或多個變量在不同時間上的數據。
時間序列過程（Time Series Process）：參見隨機過程。
時間趨勢（Time Trend）：時間的函數，它是趨勢時間序列過程的期望值。
總平方和（SST）（Total Sum of Squares, SST）：因變量相對于它的樣本均值的總樣本變異。
處理組（Treatment Group）：在項目評估中，參與這一項目的群體。
（也見實驗群組）趨勢過程（Trending Process）：期望值是時間的增函數或減函數的時間序列過程。
趨勢—平穩過程（Trend-Stationary Process）：在除掉了時間趨勢后變得平穩的過程。毫無疑問，除掉了趨勢的序列是弱相依的。
真實模型（True Model）：表示因變量與有關自變量及一個干擾項之間關系的真實的總體模型。在這個模型中，0條件均值假定成立。
雙側對立假設（Two-Sided Alternative）：總體參數既可以大于又可以小于虛擬假設提出的值的一種檢驗方法。
雙尾檢驗（Two-Tailed Test）：相對于雙側對立檢驗的檢驗方法。
U
無偏估計量（Unbiased Estimator）：期望值（或抽樣分布的均值）等于總體值（與總體值的大小無關）的估計量。
不相關隨機變量（Uncorrelated Random Variables）：相互之間沒有線性關系的隨機變量。
設定不足的模型（Underspecifying a Model）：參見忽略一個有關的變量。
單位根過程（Unit Root Process）：當期值等于前一個時期的值加上一個弱相依的干擾項的一種高度持續的時間序列過程。
無約束模型（Unrestricted Model）：在假設檢驗中，對參數沒有任何限制條件的模型。
向上偏誤（Upward Bias）：估計量的期望值大于總體參數的值。
V
方差（Variance）：表示隨機變量分布的分散程度的一項指標。
預測誤差的方差（Variance of the Prediction Error）：當以估計的多元回歸方程為基礎來預報因變量的一個將來值時，產生的誤差的方差。
W
弱相依（Weakly Dependent）：在時間序列過程中，表示隨機變量在不同時期的兩個值之間的相互依賴性質的指標（比如相關性），如果這一依賴性隨著時間間隔的增大而減小，這個時間序列就是弱相依的。
加權最小二乘（WLS）估計量（Weighted Least Squares (WLS) Estimator）：用來校正某種已知形式的異方差的估計量。其中，每個殘差的平方都得到一個等于誤差的（估計的）方差的倒數的權重。
懷特檢驗（White Test）：異方差的一種檢驗方法，涉及到做OLS殘差的平方對OLS擬合值和擬合值的平方的回歸。這種檢驗方法的最一般的形式是，作OLS殘差的平方對解釋變量、解釋變量的平方和所有非多余的解釋變量間的交叉乘積的回歸。
Z
0條件均值假定（Zero Conditional Mean Assumption）：多元回歸分析中很關鍵的一個假定。它的含義是，給定解釋變量的所有值時，誤差的期望值都等于0。（參見假定MLR.3、TS.2和TS.2'）