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後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並沒有明確的規定。
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於一個的約束條件。
乘數測量誤差（Multiplicative Measurement Error）：觀測到的變量等於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恆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係的方程，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）：被表述為參數大於（或小於）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，它們的大小本身並不說明任何問題。
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。這種現象可能是由於誤差造成的，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，橫截面的不斷反覆得到的數據集。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，有些單位往往由於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）：一種描述了總體特徵的模型，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 ）：參見條件期望。
實際顯著性（Practical Signi?cance）：相對於統計顯著性而言的、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；不同於科克倫-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後的內生變量或滯後的外生變量。
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係但又不相同的可觀測變量。 二次函數（Quadratic s）：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徵的變量。
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）模型的參數後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、用於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。
隨機遊走（Random Walk）：在這樣一種時間序列中，下個時期的值等於本期值加上一個獨立的（或至少是不相關的）誤差項。
有漂移的隨機遊走（Random Walk with Drift）：每個時期都加進一個常數（或漂移）的隨機遊走。
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，決定在什麼情況下拒絕虛擬假設並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後，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後得到的模型。
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（僅當期望值等於實測值—譯者）。
s
樣本回歸函數（Sample Regression ）：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後模型中的即期傾向。
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係數。
謬誤相關（Spurious Correlation）：不是因為二者有因果關係，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係，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（如隨機遊走），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）：滯後變量的係數絕對值小於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，以幾何級數趨近於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。等於殘差平方和的平方根除以自由度。
標準化係數（Standardized Coef?cients）：一種回歸係數，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於0的虛擬假設。
統計上顯著（Statistically Significant）：在選定的顯著性水平上，相對於特定的對立假設，拒絕總體參數等於0的虛擬假設。
隨機過程（Stochastic Process）：標註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。更寬鬆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於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）：因變量相對於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）：在除掉了時間趨勢後變得平穩的過程。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幹擾項之間關係的真實的總體模型。在這個模型中，0條件均值假定成立。
雙側對立假設（Two-Sided Alternative）：總體參數既可以大於又可以小於虛擬假設提出的值的一種檢驗方法。
雙尾檢驗（Two-Tailed Test）：相對於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）等於總體值（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係的隨機變量。
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）：當期值等於前一個時期的值加上一個弱相依的幹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）：估計量的期望值大於總體參數的值。
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於誤差的（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餘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，誤差的期望值都等於0。