序

第1章 导言

第2章 合并时间序列模型的理论推导

 第1节 在应用中的合并

 第2节 合并线性回归模型

 第3节 四种合并模型

 第4节 初步诊断与残差分析

第3章 恒定系数模型

 第1节 估计恒定系数模型

 第2节 纠正自相关

 第3节 异方差性

 第4节 恒定系数模型的局限性

第4章 LSDV模型

 第1节 异方差性与单位效应

 第2节 估计LSDV模型

第5章 随机系数模型

 第1节 估计随机系数模型：GI—S方法

 第2节 GLS模型的一个ARMA变异

 第3节 GLS模型的一个看似不相关回归版本

 第4节 Swamy随机系数模型

 第5节 Hsiao随机系数模型

 第6节 转换模型

 第7节 ARCH模型

 第8节 随机系数模型的总结

第6章 结构方程模型

 第1节 两步估计

 第2节 最大似然估计

 第3节 LOGIT与PROBIT设定

 第4节 最大似然法的总结

第7章 稳健性检验：这些估计值有多好?

 第1节 稳健性估计函数

 第2节 异方差性与稳健性

第8章 合并时间序列分析的总结

注释

参考文献

译名对照表

随着时间序列数据与横截面数据变得越来越容易获得，如何更加有效地对它们进行分析逐渐成为研究者需要面对的问题。洛伊斯·塞耶斯编著的《合并时间序列分析》提供了同时分析这两种数据形式的方法，并且也探讨了如何能够改进对研究群体的估计。除此之外，随着相关数据不断被获得，该方法也能分析更大的样本，并最终帮助研究者进行更有效的研究。

主要特点

作者为同时估计时间序列数据与横截面数据提供了简洁的步骤

书中所介绍的不同类型模型允许更加灵活的估计

来自社会科学与行为科学的例子为读者理解提供便利

洛伊斯·塞耶斯编著的《合并时间序列分析》介绍了，什么是合并时间序列？正如字面上所表达的，时间序列（在一个分析单位下规律出现的具有时间性的观测值）由横截面数据（cross-sections）（在单独时间点上一个分析单位下的观测值）组成的一个数据集。这些分析单位可以是学校、健康组织、商业交易、城市、国家等。为什么需要进行“合并分析”呢？其中一个原因在于，当下研究者可以获得越来越多的相关横截面数据与时间序列数据。另外一个原因在于，将时间序列数据与横截面数据合并可以显著地扩大样本量，这使之前显得棘手的分析问题变为可能。