译者序
前言
1 经典最小二乘估计理论
1.1 线性回归模型
1.2 最小二乘理论
1.3 正态分布假设的模型1
1.4 带线性约束的模型1
1.5 检验线性假设
1.6 预测

2 回归分析的最新发展
2.1 选择回归变量
2.2 岭回归和Stein估计量
2.3 稳健性回归

3 大样本理论
3.1 随机变量和分布函数
3.2 不同收敛方式
3.3 大数定律和中心极限定理
3.4 limE、AE和plim的关系
3.5 最小二乘估计量的相合性和渐近正态性

4 极值估计量的渐近性质
4.1 一般结论
4.2 极大似然估计量
4.3 非线性最小二乘估计量
4.4 迭代方法
4.5 渐近检验及相关问题
4.6 最小绝对偏差估计量

5 时间序列分析
5.1 简介
5.2 自回归模型
5.3 残差为移动平均的自回归模型
5.4 自回归模型的最小二乘估计量和极大似然估计量的渐近性质
5.5 预测
5.6 分布滞后模型

6 广义最小二乘理论
6.1 已知协方差矩阵
6.2 协方差矩阵未知6.3 系列相关
6.4 似不相关回归模型
6.5 异方差性
6.6 误差成分模型
6.7 随机系数模型

7 线性联立方程模型
7.1 模型和识别
7.2 完全信息极大似然估计量
7.3 有限信息模型
7.4 三阶段最小二乘估计量
7.5 前沿性论题

8 非线性联立方程模型
8.1 单方程估计
8.2 方程组估计
8.3 假设检验、预测和计算

9 定性反应模型
9.1 简介
9.2 单维二分变量模型
9.3 多分模型
9.4 多元模型
9.5 基于选择的抽样
9.6 任意分布法
9.7 面板数据QR模型

10 Tobit模型
10.1 简介
10.2 标准Tobit模型(第一类ToNt模型)
10.3 实证事例
10.4 标准假设的估计量的性质
10.5 非标准假设的Tobit极大似然估计量的性质
10.6 广义Tobit模型
10.7 第二类Tobit模型：P(y1<0)?P(y1>0，y2)
10.8 第三类Tobit模型：P(y1<0)?P(y1，y2)
10.9 第四类Tobit模型
10.10 第五类Tobit模型：P(y1<0，y3)?P(y1>0，y2)

11 马尔科夫链和持续期限模型
11.1 马尔科夫链模型
11.2 持续期限模型
附录1 矩阵分析的常用定理