第1章 准备知识及非参数和半参数估计的动因

  1.1 随机变量及其分布

  1.2 随机变量序列及Op(·)和op(·)的性质

  1.3 收敛定理

  1.4 非参数与半参数估计的动因

  1.5 Monte Carlo模拟与bootstrap

  1.6 关于GAUSS编程

第2章 密度函数的非参数估计

  2.1 密度函数的非参数核估计

  2.2 密度函数核估计的有限样本性质

  2.3 窗宽的选取

  2.4 密度函数核估计的大样本性质

  2.5 分布函数的核估计

  2.6 多元密度函数的核估计

  2.7 混合变量密度函数的频率估计和核估计

  2.8 密度函数核估计的例子

第3章 回归函数的非参数核估计及检验

  3.1 回归函数的非参数核估计

  3.2 回归函数核估计的偏误与方差

  3.3 窗宽的选取

  3.4 回归函数核估计的渐近性质

  3.5 局部线性核估计

  3.6 含有离散型解释变量的回归函数的非参数核估计

  3.7 回归模型参数设定的假设检验

第4章 部分线性模型和变系数模型的半参数估计

  4.1 部分线性回归模型及其识别

  4.2 Robinson半参数估计方法

    4.2.1 参数部分的估计

    4.2.2 非参数部分的估计

  4.3 线性回归模型与部分线性回归模型的设定检验

  4.4 广义回归模型

  4.5 变系数回归模型的估计和检验

    4.5.1 变系数模型的估计

    4.5.2 变系数模型的设定检验

第5章 单指数模型的半参数估计

  5.1 单指数模型的例子

    5.1.1 二元选择模型(binary choice model)

    5.1.2 归并数据回归模型(censored regression model)

  5.2 单指数模型的识别

  5.3 单指数模型的半参数估计

    5.3.1 半参数最小二乘估计方法（SLS估计量，Ichimura估计量）

    5.3.2 直接半参数估计量（PSS估计量）

    5.3.3 非参数函数g(·)的估计

  5.4 参数单指数模型的设定检验

  5.5 二元选择模型的半参数估计

    5.5.1 KleinSpady估计量

    5.5.2 Hermite多项式半参数估计方法

    5.5.3 Lewbel估计量

    5.5.4 最大秩相关估计量(MRC)

第6章 加法模型的非参数估计

  6.1 加法模型的识别和边际积分估计

  6.2 加法模型的Oracle有效估计

  6.3 加法模型的Backfitting估计量

  6.4 加法部分线性模型的估计方法

第7章 面板数据模型的非参数估计和检验

  7.1 混合数据非参数估计及可混合性检验

    7.1.1 局部常数非参数估计量

    7.1.2 局部线性非参数估计量

    7.1.3 面板数据的可混合性(poolability)检验

  7.2 随机效应模型的非参数估计

    7.2.1 不考虑扰动项的方差结构

    7.2.2 考虑扰动项的方差结构

    7.2.3 二步估计法

  7.3 固定效应模型的非参数估计

  7.4 个体效应的非参数Hausman检验

  7.5 面板数据部分线性回归模型的估计

    7.5.1 随机效应模型

    7.5.2 固定效应模型

    7.5.3 模型设定检验

参考文献

附录 各章实例操作的GAUSS程序