第1章 導 論
如序言所述，本書將以Python介紹計量經濟學內屬於橫斷面數據資料（crosssectional data）部分。計量經濟學內較完整介紹屬於橫斷面數據資料部分，應該可參考Wooldridge（2010, 2020），不過Wooldridge（2010）屬於較為「進階的（advanced）」書籍，故可供查詢之用。雖然Wooldridge（2020）屬於基礎或導論型的介紹，但是Wooldridge並未強調實際的操作方式；另一方面，上述書籍也欠缺使用模擬的方法。本書強調除了數學證明之外，使用Python以模擬的方式應該也可以達到異曲同工之妙；有意思的是，利用電腦來模擬並不如想像中的難。有關於Python的使用，除了可閱讀本書的附錄A之外，讀者亦可參考《資處》、《統計》或《財計》等書。
本章介紹計量經濟模型（econometric model）的本質、範圍及其所使用的方法邏輯。全章分成4部分說明，其中第1 部分說明「何謂計量經濟學？」；第2部分則介紹資料的類型（資料結構）；第3部分則說明計量經濟學的方法邏輯；第4部分說明本書所使用的檔案數據資料。
1.1 何謂計量經濟學？
我們時常聽到「理論與實際（或實證）」，就經濟學而言，對應的「實證」學科，就是計量經濟學；因此，簡單地說，計量經濟學就是欲拿實際的統計資料驗證經濟學的內容是否符合實際的學科，是故計量經濟學本身就是屬於應用統計學的一環。
經濟學是研究不同變數間相互影響的學科，因此，顧名思義，計量經濟學所檢視的主題就是如何實證不同變數間相互影響的科學；換言之，上述主題可以簡單寫成：
y = f (x1, x2, ⋯, xk , u) (1-1)
其中y表示所欲檢視的標的或稱為被解釋變數（explained variable），而xj ( j = 1, 2, ⋯, k)則稱為解釋變數（explanatory variables）。例如：熟悉的需求函數可以寫成(1-1)式，其中例如：y可以為芒果的消費量，而x1則表示芒果的價格、x2表示所得、x3表示其他水果價格、⋯⋯。
當然，(1-1)式的型態較為籠統，一個較為明確的型態可將(1-1)式寫成：
y = β0 + β1x1 + β2x2 + ⋯ + βkxk + u (1-2)
(1-2)式的特色可以分述如下：
(1-2)式的特色可以分述如下：
(1) 顯然，(1-2)式屬於(1-1)式的一個特例。
(2) 就(1-2)式而言，我們必須先明確定義清楚y與xj ( j = 1, 2, ⋯, k)的意思，然後再蒐集對應的樣本資料。
(3) 就(1-2)式而言，βj稱為參數（parameters），βj通常是我們有興趣的部分，而u則稱為誤差項（error term）或干擾項（disturbance）。明顯地，u扮演著重要的角色，可以想像缺乏u的(1-2)式應該如何解釋？我們是否有足夠的資訊可以找到完整的xj值，透過(1-2)式而以xj來表示y，更何況有些xj值如偏好、素質或社會背景等，其實並不容易實際觀察到。
(4) 即使y與xj可以完整地蒐集或觀察到，但是實際的u值卻不行。一般而言，我們將u視為一種隨機變數（random variable），以彌補y無法由xj充分表示的差距。
(5) 其實，不僅u是一種隨機變數，y與xj亦皆是一種隨機變數，只不過我們希望y與xj皆存在對應的樣本觀察值或實現值，而u則表示y內無法觀察到的部分。因此，就統計學的觀點而言，(1-1)式可視為母體（population）的表現方式，而(1-2)式只是明確地展現母體的型態。
直覺而言，計量經濟學所欲研究的主題應該是熟悉的，例如：需求、供給、消費、成本或失業函數等之估計。不過，若仔細思考，上述熟悉的部分仍太過於狹隘，我們可以思考下列的例子。 |
