1、計量建模時一般考慮線性模型，why？我的答案很簡單：why not？反正模型的形式是未
知的。既然未知，為何不選最簡單的線性模型？
2、很多教科書一討論參數估計，就搬出幾大標準：無偏性、有效性和一致性。這幾個性質
的地位是不一樣的。一致性是最重要的，而有效性在它面前微不足道。至於有偏無偏，即
使有偏，也可能是一致的；所以無偏性也不重要。在某些特定的條件下，無偏性只是為了
保證一致性成立的必要條件而已。
3、當在計量經濟學中遇到困難時，往往要回到經濟學中尋找答案。
4、不能根據R平方判斷模型的優劣。R平方隨著解釋變量個數的增加而增加，因為Informa
tion is never negative。如果高的R平方只是源於更多的解釋變量，那麼顯然高的R平方
不代表更好的模型。而且，高的R平方還意味著模型樣本外預測的能力較低。
5、在時間序列分析中，R平方超過0.9不是什麼大不了的事情，不必為此沾沾自喜；而在橫
截面分析中，超過0.3的R平方就被看作超級了不起的事情。
6、橫截面數據一般包含特定的結構，因此處理起來要小心。
7、ARMA模型是計量經濟學家的良心。如果你建的模型的預測能力不如ARMA，那麼模型就是
失敗的。你要敢於拿ARMA去挑戰自己。
8、時間序列的回歸中，一定要保證內部邏輯的一致性。拿I(0)對I(1)做回歸或拿I(1)對I
(0)做回歸都是不能接受的。當你看到有人直接拿GDP對利率作回歸，那他的模型必錯無疑
。
9、當你看到模型的t值很大時，先不要高興，因為這很可能是謬誤回歸的產物。如果此時
Durbin-Waston值很小（小於0.5），那麼謬誤回歸的可能性就進一步變大了。
10、在處理聯立方程組模型中，一般採用reduced form。reduced form雖然不一定得到原
方程組的參數，但用來預測足矣。
11、如果預測誤差有相關性，那麼模型設定一定有錯誤。
12、在對用極大似然法得到的參數的漸進分布進行討論時，千萬別忘了信息矩陣等式是一
切簡化結果的前提。雖然這一等式很難成立，但大部分計量經濟學家都默認它成立。
13、在假設檢驗中，如果模型是線性的而原假設是非線性的，則一般考慮wald test。如果
模型是非線性的，則要考慮LM test。
14、在模型設定上有兩種思路：一種是由頂至下（top-down），一種是由底至上（bottom
-up）。前者是指先設定一大串解釋變量，然後一個一個排查；後者是指從最簡單的模型入
手，逐個往裡加解釋變量。前者的問題在於包含了多餘的變量，致使非有效性產生；而後
者遺漏了重要變量，致使不一致性產生。從一致性和有效性的重要程度來看，似乎應當選
擇前者。但是，除非你能保證那一大串解釋變量完全包含了真實的模型，否則那一大串變
量的模型也是不一致的。而能做到這一點（包含真實模型），很難。既然都不一致，為何
不選擇從簡單的模型開始呢？
15、在經典假設不滿足的情況下，FGLS不比OLS更有效。
16、解決序列相關的傳統辦法是「準差分法」。但是，序列相關出現，意味著模型設定有
問題；應從模型設定上入手解決。
17、在檢驗序列相關時，DW test針對AR(1)的誤差項。即使誤差項不滿足AR(1)，DW test
也富含信息。
18、小樣本時，DW test比LM test更powerful，因為LM test是一個漸進的檢測。
19、遞歸殘差比OLS殘差更有信息量。
20、實際操作中，如果存在異方差，仍然使用OLS，但方差估計值要選擇Robust Variance
.
21、實際操作中，如果存在異方差，且根據OLS方差和Robust方差得到的顯著性檢驗結果相
同，那麼就沒有必要理會異方差的存在。
22、如果必須要修正異方差，就要大膽假設異方差的形式，並用Breusch-Pagan test檢驗
，而不是迴避異方差的形式。
23、其他修正異方差的方法包括對數據取對數和把變量變成人均變量。
24、在用Newton-Ralphson方法對非線性模型作迭代時，初始值和步長的選定很重要。
25、在GARCH（1,1）中，誤差項的方差在實證中總是趨近於無窮大。儘管後人對此作了修
正，但我認為問題出在根本模型的設定。