计量经济学的主要问题是？
计量经济学研究对象：
计量经济学的两大研究对象:横截面数据(Cross-sectional Data)和时间序列数据(Time-series Data)。前者旨在归纳不同经济行为者是否具有相似的行为关联性，以模型参数估计结果显现相关性;后者重点在分析同一经济行为者不同时间的资料，以展现研究对象的动态行为。
新兴计量经济学研究开始切入同时具有横截面及时间序列的资料，换言之，每个横截面都同时具有时间序列的观测值，这种资料称为追踪资料 (Panel data，或称面板资料分析)。追踪资料研究多个不同经济体动态行为之差异，可以获得较单纯横截面或时间序列分析更丰富的实证结论。
计量经济学是以一定的经济理论和统计资料为基础，运用数学、统计学方法与电脑技术，以建立经济计量模型为主要手段，定量分析研究具有随机性特性的经济变量关系的一门经济学学科。主要内容包括理论计量经济学和应用经济计量学。理论经济计量学主要研究如何运用、改造和发展数理统计的方法，使之成为随机经济关系测定的特殊方法。应用计量经济学是在一定的经济理论的指导下，以反映事实的统计数据为依据，用经济计量方法研究经济数学模型的实用化或探索实证经济规律。
特点
模型类型:采用随机模型。 模型导向:以经济理论为导向建立模型。 模型结构:变量之间的关系表现为线性或者可以化为线性，属于因果分析模型，解释变量具有同等地位，模型具有明确的形式和参数。 数据类型:以时间序列数据或者截面数据为样本，被解释变量为服从正态分布的连续随机变量。 估计方法:仅利用样本信息，采用最小二乘法或者最大似然法估计变量。 非经典计量经济学一般指20世纪70年代以后发展的计量经济学理论、方法及应用模型，也称现代计量经济学。
学习方法
与一般的数学方法相比，计量经济学方法有十分重要的特点和意义:
研究对象发生了较大变化。即从研究确定性问题转向非确定性问题，其对象的性质和意义将发生巨大的变化。因此，在方法的思路上、方法的性质上和方法的结果上，都将出现全新的变化。
研究方法发生根本变化。计量经济学方法的基础是概率论和数理统计，是一种新的数学形式。学习中要十分注意其基本概念和方法思路的理解和把握，要充分认识其方法与其它数学方法的根本不同之处。
研究的结果发生了变化。我们应该知道，计量经济学模型的结论是概率意义上的，也可以说是不太确定的。但真正要理解其不确定性的含义，并不那么简单，学习中需要始终关注这一点。理论计量经济学和应用计量经济学 理论计量经济学(Theoretical Econometrics)以介绍、研究计量经济学的理论与方法为主要内容，侧重于理论与方法的数学证明与推导，与数理统计联系极为密切。理论计量经济学除了介绍计量经济学模型的数学理论基础和普遍应用的计量经济学模型的参数估计方法与检验方法外，还研究特殊模型的估计方法与检验模型。
应用计量经济学(Applied Econometrics)则以建立与应用计量经济学模型为主要内容，强调应用模型的经济学和经济统计学基础，侧重于建立与应用模型过程中实际问题的处理。
xgboost特征的顺序影响结果么
相当于学习速率（xgboost中的eta）。xgboost的并行是在特征粒度上的。我们知道，xgboost在训练之前，预先对数据进行了排序，用于高效地生成候选的分割点。（补充。
xgboost在代价函数里加入了正则项。
Shrinkage（缩减），这也是xgboost异于传统gbdt的一个特性，xgboost还支持线性分类器，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，防止过拟合，这也是xgboost优于传统GBDT的一个特性。
对缺失值的处理。
xgboost工具支持并行，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，让后面有更大的学习空间，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。xgboost借鉴了随机森林的做法，那么各个特征的增益计算就可以开多线程进行。
可并行的近似直方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下。实际应用中，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲，正则项降低了模型的variance，使学习出来的模型更加简单，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点）：传统GBDT的实现也有学习速率）
列抽样（column subsampling），一般把eta设置得小一点，然后迭代次数设置得大一点，不仅能降低过拟合，还能减少计算。
传统GBDT在优化时只用到一阶导数信息。boosting不是一种串行的结构吗?怎么并行的？注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完才能进行下一次迭代的（第t次迭代的代价函数里包含了前面t-1次迭代的预测值），支持列抽样，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。顺便提一下，主要是为了削弱每棵树的影响
传统GBDT以CART作为基分类器
计量经济学的问题
首先你要告诉我你的解释变量是什么，被解释变量是什么。不过这么看上去你的模型应该有问题。
1、根据利润的计算，税收和利润之间有确定的函数关系，如果你的被解释变量是企业利润，你的模型没有价值，至少将税收放进模型作为因变量没有价值，因为这会影响模型的随机性。回归模型的最基本假设是解释变量和被解释变量间是未知的相关关系，而不是确定的函数关系。简单的说，如果你知道函数关系，就没有必要回归。
2、还是刚才那个问题，你没有说清解释变量和被解释变量是什么，不过看你提供的信息即可能是利润也有可能是GDP，不过无论是哪一个，你的模型一定存在解释变量过少的问题。从经济上讲无论是GDP增长还是企业利润，影响他们的因素过少的话会导致模型解释力不足。如果在数据量不大的情况下，会出现拟合度过低的问题。另外遗漏了其他可能的解释变量也会使模型本身的可信度下降。而且在只有两个解释变量的情况下，很可能将非线性回归强行作为线性回归拟合。
如何在xgboost Python安装包
不知道使用什么开发环境，我建议大家使用anoconda，里面集成了不少做挖掘、统计相关的包，省去了我们自己安装的麻烦。（主要是考虑到包与包之间有依赖关系，建议用anoconda，numpy、matplotlib这些基础包自动都安装上了）。
在安装完集成开发环境后， 下载xgboost-windows文件，链接如下：
xgboost-windows文件
打开xgboost目录下的windows文件夹，用vs2013以上版本打开xgboost.sln工程（一定要用以上版本，之前我用
vs2010打开会出现各种问题），右键项目名称-点击配置管理器-将debug改为release，win32还是win64根据自己的电脑选。
然后右键重新生成解决方案，当在输出窗口出现成功字样后，就表示xgboost的C++版本安装成功了。
打开cmd，进入到xgboost的python-package目录下，我的是这个路径：F:\Program Files\annoconda\xgboost-master\python-package。cmd命令为：
f：回车
cd \Program Files\annoconda\xgboost-master\python-package
然后输入python setup.py install 回车
若上述步骤都没问题，此时系统会自动在python-package包里安装xgboost包。
判断xgboost是否成功安装：
import xgboost as xgb
成功导入后，基本就没有问题了。
如何调用xgboost python
1
建议大家使用anoconda，里面集成了不少做挖掘、统计相关的包，省去了我们自己安装的麻烦。（主要是考虑到包与包之间有依赖关系，建议用anoconda，numpy、matplotlib这些基础包自动都安装上了）。
在安装完集成开发环境后， 下载xgboost-windows文件，链接如下：
xgboost-windows文件
打开xgboost目录下的windows文件夹，用vs2013以上版本打开xgboost.sln工程（一定要用以上版本，之前我用vs2010打开会出现各种问题），右键项目名称-点击配置管理器-将debug改为release，win32还是win64根据自己的电脑选。
然后右键重新生成解决方案，当在输出窗口出现成功字样后，就表示xgboost的C++版本安装成功了。
打开cmd，进入到xgboost的python-package目录下，我的是这个路径：F:\Program Files\annoconda\xgboost-master\python-package。cmd命令为：
f：回车
cd \Program Files\annoconda\xgboost-master\python-package
然后输入python setup.py install 回车
若上述步骤都没问题，此时系统会自动在python-package包里安装xgboost包。
判断xgboost是否成功安装：
import xgboost as xgb
成功导入后，基本就没有问题了。
wav转换成mp3的原理是什么
MP3就是一种音频压缩技术，他是利用 MPEG Audio Layer 3 的技术，丢弃掉脉冲编码调制（PCM）音频数据中对人类听觉不重要的数据（类似于JPEG是一个有损图像压缩），从而达到了小得多的文件大小。将音乐以1:10 甚至 1:12 的压缩率，压缩成容量较小的file，换句话说，能够在音质丢失很小的情况下把文件压缩到更小的程度。而且还非常好的保持了原来的音质。
作为一种有损压缩技术，反复的压缩转换肯定会加剧原音频文件的失真，同样，存在于原音频文件中的水印随着失真也就可以理解了。
当然，针对这种水印失真也有一定的解决办法，比如：用一些抗干扰失真能力强的算法来把水印均匀调制到音频文件的各个部分~
这类算法也是当前数字签名技术的一个研究热点
mp3格式 压缩原理
MP3的压缩方式与诸如Zip、RAR、aiz等我们所熟知的一般压缩方法截然不同的、非常复杂的算法。主要采用非破坏性压缩方式。
- 非破坏压缩方式
在数字压缩和复原过程中，音质没有任何改变或损失的方式将在“韩文”操作系统中制作的文件采用 ZIP压缩方式进行互联网发送时， 如果在ZIP压缩或复原过程中产生数字变化或者损失时，接收文件的人就无法读懂文件信息。而这种非破坏的压缩相当简单。
对于连续相同数字，主要采用1和重复次来表示。
比如数字“1222222334”，首先将该这数字压缩成“12 ?63-34”形式。原来的数字是11位，而压缩后减少为8位数。数字压缩表现形式是“2-6”，2重复6次，“3-3”也是3重复3次。 相同数字重复次
数越多压缩效率越高。
首先我们比较一下对“韩文”文件和WINDOWS专用Wave音频文件的压缩结果。结果“韩文”（存在程 度上的差异）文件容量减少了1/3以上，而数字wave音频文件容量的减少额度不大。因为与音频类似 的多媒体数据与一般文件或执行文件有所不同，它的连续数字较少，因此压缩效率也有相当程度的 下降。
因此音频文件一般不采用非破坏性方法，而采用其它具有复杂算法的破坏性压缩方式。
-破坏的压缩方式
删除不必要数字的压缩方式，压缩1次后复原比较困难，但是其压缩率却很高。
一般音频文件或执行文件在数据复原方面要求比较苛刻时，就不能使用反向数字压缩，此时会在音 质或话质有一些损失降低，这样的JPEG或MPEG就属于破坏压缩方式。
对于MP3来说，是以什么方式压缩呢？我们可以设想一下在街上和朋友交谈的情景。在没有车通过的 时候低声交谈就可以与朋友达到交流的目的，而卡车经过的一瞬间，由于噪音的干扰，朋友的声音 根本听不清楚。卡车开过去后，有一段时间耳朵中会残留马达的余音。同样，当音乐的声音很大时，人们有时会根本听不到细小的声音。这种现象是人的大脑在分析声音过程中对输入声波的过滤作用。
“MP3”提前分析数字音频，就像人类大脑的过滤部分提前过滤压缩的方式一样。所以支持CD级音质的同时，也可以相当程度地提高压缩效率，事实上，对于非音频专家，区分压缩前后的数字音频和MP3是很难的，其原因也正是如此。这种压缩方式称之为音频数据感知编码压缩。
MP3模拟音频数据感知编码压缩过程
模拟音频 ->AD转换 -> 数字PCM型-> 将20HZ与20KHZ之间的频率分解为32个层次->其中的每一个阶层又进一步细分为18个阶层（总576个层次）-> 在各细分层次对于振幅最高的音频信号作为选择信息->过滤其它音频信息->细分的576部分强音信息集中在一起再合成 -> 完成MP3文件。
