A. 你好，在大數據的背景之下，微觀經濟學要怎麼運用去解釋一些現實問題呢
1. 大數據的"大"
大數據最顯著的特徵就是 數據量大 ( large scope ) + 即時性 ( real time data )
比如: 你在超市收銀機的數據, 網購的記錄, 或者在線閱讀( 比如在知乎的關注文章 ) 等等.
同時大數據時代帶來了很多新的數據類型 (新在於對比以往經濟學上運用的數據)
比如: 社交網路上發的微博或者朋友圈裡所包含的文字數據 (這是以往經濟分析中不太會使用的)。計量經濟中的數據結構經常是矩陣型的, 也就是說通常收集 N 個觀察項, K 個變數 (且 K << N)
大數據的數據結構顯然不是這樣, 很多情況下 K > N
計量中經常假設觀察項之間是獨立的, 但是在社交網路中觀察項之間卻是經常互相聯結, 計量經濟學未來在使用社交網路數據時如何處理這種觀察項間的影響將成為一個關鍵。
2. 目前時髦的大數據應用: 預測建模 ( predictive modeling )
簡而言之, 預測建模可以理解為: 已知 N 個觀察 通過 K 個預測變數 來推導出相關性最強的 N 個結果。大數據時代數據雖然豐富多了, 但是數據的質量卻很容易下降.
比如: 縱使你有全國層次上百萬級的觀察項, 而你所研究的課題卻是在市縣層次. 容易造成大量不相關且描述不夠詳盡的數據.
而且這種統計方法面臨一個權衡取捨:
在 K > N 的時候, 模型的樣本外預測效果 ( out-of-sample performance ) 就會很差。但是模型的樣本內預測效果 (in-sample performance) 會很好.
而當經濟學家考慮運用機器學習的方法時, 很容易想到盧卡斯批評( Lucas Critique ): 如果一個預測模型通過收集市場上已知的經濟行為, 從而用來預測最優的政府幹預政策時, 預測的結果可能並不準確, 因為預測出來的干預政策會改變市場的經濟行為( 而這些正是和原模型中相關聯的 )
3. 大數據時代已經為實證經濟學研究提供了新的思路
美國統計局調查通貨膨脹是使用派發問卷的方式, 回收的數據再分類到不同的通貨膨脹指標中 (eg CPI). 大數據領域的 Billion Price Project ( BPP ) 運用實時的在線商店數據提供了一種 CPI 的替代指標 (這一指標在美國被驗證 BPP 與 CPI 有很強的相關性)。
其他的還有穆迪分析通過 MasterCard 和 Visa 的 Spending Pulse 來提供行業就業率的觀測指標.
然而這些大數據還不夠完美, 很顯然這些數據的樣本本身就不具有代表性. 比如: 利用 MasterCard 和 Visa 推導出的就業率指數首先就要求被調查者要至少有一張 MasterCard 或者 Visa。
4. 對經濟學家的挑戰
數據獲取: 公共領域以及政府數據是否容易獲得.
數據管理以及編輯能力: 經濟學家是否有能力快速的把大數據高效地應用在經濟學思想。
最重要的, 急需開發出創新的數據總結, 描述和分析的方法？供參考。
B. 什麼是計量經濟學計量經濟學方法與
那經濟學的方法呢？一定要根據一個數量變數的變化
C. 計量經濟學的大數據經濟學是什麼意思
大數據經濟學是在經濟學研究和應用中採用大數據並且採用大數據思想對傳統經濟學進行深化的新興交叉學科。
大數據經濟學不僅要研究如何建模、管理和應用大數據，而且要深入研究傳統經濟學如何應對大數據帶來的挑戰並進行改良，大數據經濟學需要經濟學家、領域專家和信息技術專家等密切合作，對人文社科與 自然科學的跨學科研究提出了更高的要求，並且對整個經濟學、社會學、公共管理等將帶來革命性變革。
大數據經濟學的研究內容
第一，大數據計量經濟學 (Big Data Econo—m etrics)。這是和傳統計量經濟學對應的一個學科，也是大數據經濟學下面的子學科。在大數據背景下，經濟學建模與分析方法與傳統計量經濟學完全不同，迫切需要採用全新的思路和方法進行研究。對信息技術專家們而言，大數據經濟學僅僅是演算法和建模問題，但是如果沒有經濟學理論指導，沒有經濟學家的思維，必然會導致研究方向的迷失。一些大數據領域的學者認為 「要相關，不要因果」，這是非常要不得的，傳統經濟學理論至今仍然到處閃爍著智慧的光芒，對經濟現象的深入見解時刻發揮著重要的作用，所以大數據背景下的經濟學分析不能主要靠信息技術的建模專家來進行，必須繼續依靠大數據計量經濟學家。
第二，大數據統計學 (Big Data Statistics)。如前所述，大數據給統計學帶來的挑戰是革命性的，在某些領域，傳統統計學所採用的抽樣調查方式必將徹底淘汰。此外，傳統統計學所要求的精確數據與數據加工方式可能是畫蛇添足甚至敗筆之舉，人們更加重視對一手數據而不是經過加工過的二手統計數據進行分析。大數據時代，人們更加關注原始數據、關注半結構化甚至非結構化數據，瀏覽記錄、查詢關鍵詞、微薄文字、照片等等都是寶貴的數據資源。在大數據時代，傳統統計學也必須進行變革，對數據儲存手段、處理設備、處理方法都提出了新的要求。
第三，大數據領域經濟學。包括大數據生態經濟學、大數據環境經濟學、大數據金融學、大數據城市經濟學、大數據工業經濟學、大數據農業經濟學、大數據交通經濟學、大數據建築經濟學、大數據商業經濟學、大數據信息經濟學、大數據人口經濟學等學科，借用大數據的思想和技術來進行各應用經濟領域的研究。
在以上大數據經濟學的各學科中，大數據統計學是基礎，大數據計量經濟學是研究方法，而大數據領域經濟學是具體的運用，他們之間存在著密切的共生關系。
大數據由於是基於總體的，很大程度上解決了傳統宏觀經濟學與微觀經濟學缺乏較強邏輯聯系的問題，此外大數據對傳統計量經濟學帶來的一個有益之處就是，結構化的大數據更加接近正態分布，這樣 就降低 了小樣本假設檢驗失效問題 。
D. 計量經濟學中，對於多元模型而言，SST、SSR、SSE各自的自由度是什麼
對於一元線性回歸模型，SST有n-1個自由度；SSE有1個自由度；SSR有n-2個自由度。
因為一元線性耽歸方程在建立時要求離回歸的平方和最小，即根據「最小二乘法」原理來建立回歸方程。
回歸分析（regression analysis)是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。運用十分廣泛，回歸分析按照涉及的變數的多少，分為一元回歸和多元回歸分析；按照因變數的多少，可分為簡單回歸分析和多重回歸分析；按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。如果在回歸分析中，只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且自變數之間存在線性相關，則稱為多重線性回歸分析。
在統計學中，回歸分析（regression analysis)指的是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。回歸分析按照涉及的變數的多少，分為一元回歸和多元回歸分析；按照因變數的多少，可分為簡單回歸分析和多重回歸分析；按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。
在大數據分析中，回歸分析是一種預測性的建模技術，它研究的是因變數（目標）和自變數（預測器）之間的關系。這種技術通常用於預測分析，時間序列模型以及發現變數之間的因果關系。
多元回歸中SST=SSE+SSR公式怎麼推導出來，就是「最小二乘法」
計量和統計學中的rss ess 和sse ssr
但是Regression和Error是兩個名詞他們要用of 或者 from放在後面又因為意思的不同就變成了RSS=SSE ESS=SSR。
供參考。
E. 現在大數據時代，讀計量經濟學可以從事大數據工作嗎
可以。因為計量經濟學基礎理論課之一數理統計和概率計算，是大數據分析的必需的工具。只要你這門課學的扎實，工作起來會比較得心應手。
F. 計量經濟學的數據來源
計量經濟學，是結合經濟理論與數理統計，並以實際經濟數據作定量分析的一門學科。
主要內容包括理論計量經濟學和應用經濟計量學。理論計量經濟學主要研究如何運用、改造和發展數理統計的方法，使之成為隨機經濟關系測定的特殊方法。應用計量經濟學是在一定的經濟理論的指導下，以反映事實的統計數據為依據，用經濟計量方法研究經濟數學模型的實用化或探索實證經濟規律。
G. 求問數量經濟學的大數據經濟方向為什麼報錄比挺高的
(10272)上海財經大學/(002)經濟學院/(020209)數量經濟學/(01)計量經濟學專業的考試范圍：1(101)思想政治理論(201)英語一(301)數學一(801)經濟學2(101)思想政治理論(201)英語一(301)數學一(807)實變函數與數理統計(10272)上海財經大學/(002)經濟學院/(020209)數量經濟學/(02)金融計量經濟學專業的考試范圍：1(101)思想政治理論(201)英語一(301)數學一(801)經濟學(10272)上海財經大學/(002)經濟學院/(020209)數量經濟學/(03)大數據經濟學專業的考試范圍：1(101)思想政治理論(201)英語一(301)數學一(801)經濟學
H. 大數據時代對統計學和經濟學有何影響
濟學界追求 casual inference 和 大數據追求的 predictive modeling 被廣大經濟學家認為有天壤之別, 所以大數據 (或者准確的說 statistical learning方法) 對目前經濟學研究, 公共政策指定還沒有實質性的幫助. 但是提供了不少實證方面的新思路新方法, 也對計量經濟學提出新挑戰 ( 社交網路數據 ). 未來障礙一個個突破後, 會有很大的應用.
經濟學家是很追求效益的, 對於大的資料庫肯定要盡可能的獲取好處, 排除壞處. 大數據並不會替代常識, 經濟學理論, 以及細致的研究設計. 大數據只會在這些方面進行彌補.
I. 怎樣理解計量經濟學的重要作用
線性假設是線性模型最基礎也是最重要的假設。而之前我們也有提及所謂的簡單線性回歸也就是指模型僅包含兩個變數X和Y。這里的X，Y和觀測值並沒有關系，只是根據線性模型刻畫出的變數之間的關系：Y可以被看作成是一個關於X的單元函數 （比如說小樹苗的高度，可以看成是受到施肥量的一個單元函數）。
這一講比較重要，會涉及一些模型識別的本質，和計量經濟的基礎概念，可能會講得比較長一些。我決定把識別估計篇分為兩部分，第一部分主要講識別，第二部分主要講估計，今天模型識別這一部分主要分為一下幾塊：
識別的基本概念；
如何理解識別；
存在性；
唯一性；
識別估計篇（一）
識別的概念：
線性假設給模型提供了識別的基礎，這里不可避免地我們就要來講一下識別這個詞到底是什麼概念。識別這個詞可以說是貫穿整個計量經濟學的研究，識別這個詞許多學過統計的人都有接觸過，但是真的問到識別究竟是什麼許多人也很難說出一個所以然來，甚至可能許多人會混淆模型「識別」的概念，最常見的兩種混淆是：
「模型識別與「模型估計」混淆；
「模型識別」與實證中我們常說的「因果識別」混淆;
「模型識別」究竟是什麼？在數理統計中，一旦我們對所觀測到的現象建立了概率參數模型，參數模型一旦確定，我們就可以判斷模型是否「可識別」。而這里所謂的「可識別」，指的就是不可能存在兩組不同的參數使得在兩組不同的參數下，我們觀察到「等價」的觀測值。