902页，13章，每道练习都用Python、R和MATLAB各写了一遍，这是意大利计量经济学家Alessia Paccagnini交出的答卷。她的《宏观计量经济学》（Macroeconometrics）由De Gruyter（De Gruyter Brill）出版社于2026年9月21日出版，配套代码托管在GitHub仓库中，同时通过Zenodo提供存档，DSGE相关章节使用的是Dynare。
Alessia Paccagnini师从著名宏观计量学者Carlo A. Favero，曾在庞培法布拉大学、英格兰银行、波兰国家银行等机构从事研究与教学工作，研究集中在宏观计量、预测、货币经济学和应用时间序列等领域，在DSGE模型的识别与评估、混合DSGE模型、信贷冲击、大宗商品价格因子等方向都发表过大量论文。
这本书适合哪些读者？首先是经济学、金融学领域的硕士和博士研究生，尤其是研究宏观经济、货币政策和国际金融的同学；其次是在央行、金融监管机构和研究院所从事宏观经济分析与预测的研究人员；再次是想借助现成课件备课、讲授时间序列与宏观计量课程的高校教师；最后是希望突破基础VAR模型的局限，把前沿宏观计量方法用到自己论文中的学者。
宏观计量（Macroeconometrics）究竟是做什么的？它和我们熟悉的DID、IV有什么不同？
宏观计量，就是用统计和计量方法，从GDP、通胀、利率、汇率、信贷、油价这些宏观时间序列中，提炼出经济运行的动态规律和因果关系。
微观计量面对的往往是一个横截面、成千上万个样本，宏观计量则不同。它面对的通常只有一个国家、一条时间线、几十年的季度数据，变量之间还相互影响、互为因果。所以，宏观计量发展出了一整套专门的工具，比如VAR、协整、冲击识别、DSGE、贝叶斯方法等。
宏观计量要完成哪些任务？Stock和Watson在一篇经典综述中，把VAR的用途归纳为四项，这其实也是整个宏观计量的四大任务。
顶刊中的宏观计量如今是什么样子？
（1）先看规模，宏观是经济学最大的研究阵地之一。
Goldsmith-Pinkham最新的文本挖掘研究统计了约3.15万篇NBER工作论文。在NBER的19个研究项目中，经济波动与增长，也就是宏观项目，是论文数量最多的三个项目之一，约有5,600篇；国际金融与宏观、货币经济学这两个项目也各有约3,000篇。
（2）再看方法，宏观实证走的是结构模型加时间序列的路子。
到2024年，应用微观论文中有63%提到了实验或准实验方法，宏观及其他领域只有39%。在宏观和金融论文中，只使用结构模型、不搭配准实验方法的比例，大约是应用微观的两倍。在Journal of Econometrics上，约54%的论文涉及时间序列模型，比如VAR、ARIMA、协整、GARCH和脉冲响应等。
这说明，宏观领域的可信性革命走出了一条自己的路。它没有照搬DID，发展出的是高频识别、叙事识别、外部工具变量、局部投影这些适合时间序列数据的识别策略。这也正是本书第3、4章的核心内容。
（3）从工具层面看，最出圈的是局部投影。
2021年，Econometrica接连发表了两篇重要的方法论文，证明局部投影（LP）与VAR在总体上估计的是同一个脉冲响应，还给出了更稳健的LP推断方法。2025年，Journal of Economic Literature刊发了Jordà与Taylor的长篇综述《Local Projections》，标志着LP正式进入主流工具箱。
单是状态依赖局部投影这一种用法，过去十年在综合类期刊以及宏观、公共、国际经济学和应用计量领域的期刊上，就出现了约45篇应用论文。
这本书凭什么值得读？
1.覆盖面极广，一本书就是一条完整的宏观计量学习路线。
从平稳性、单位根、协整、ARIMA、GARCH这些基础内容，到VAR、局部投影（LP）、冲击识别、贝叶斯方法和DSGE，再到高维数据、机器学习、非线性模型、混频数据、分位数方法、风险增长（Growth-at-Risk）和多国模型，传统的核心方法和近十年的前沿方法基本都囊括其中。
2.代码三语齐发，每张图都能复现。
配套仓库提供两类代码：一类是图形复现代码，书中每一张图都能一键复现；另一类是实证案例代码，每章章末的实证应用都用真实的宏观数据跑了一遍。
所有代码都提供Python、R和MATLAB三个版本，每个脚本的开头都标注了对应的章节、教材中的公式编号以及方法说明。数据也打包放在了仓库里，下载后就能直接运行。
3.实证案例紧跟已发表的前沿研究。
书中的应用案例大量取材于近年发表的研究，涉及货币政策冲击、状态依赖的财政乘数、Proxy SVAR、FAVAR、GVAR溢出效应、GaR等，读者可以直接借鉴到自己的论文中。
4.对教学友好，要点总结、关键公式、习题和配套课件一应俱全。
每章都配有总结、关键方程和练习题，作者还提供了可编辑的LaTeX课件源码，可在Overleaf上直接使用，鼓励老师和学生按照自己的需要加以改编。
全书目录一览。
全书共13章，按内容可以分为四大模块，模块的划分是本文整理的。
模块一 时间序列基础
第1章 单变量时间序列（Univariate Time Series）
第2章 向量自回归模型（VAR Models）
模块二 因果识别与结构分析
第3章 局部投影（Local Projections）
第4章 冲击识别（Shock Identification）
第5章 贝叶斯估计（Bayesian Estimation）
第6章 DSGE模型（DSGE Models）
模块三 预测与大数据
第7章 预测（Forecasting）
第8章 高维数据（High Dimensionality）
第9章 机器学习（Machine Learning）
模块四 前沿拓展
第10章 时变与非线性模型（Time-Varying & Nonlinear Models）
第11章 混频数据（Mixed-Frequency Data）
第12章 分位数回归与风险增长（Quantile Regression & Growth-at-Risk）
第13章 多国模型方法（Multi-Country Methods）
附录
附录涵盖软件、数据与在线资源等内容，比如附录D（Software, Data, and Online Resources）就系统整理了常用的软件、数据库和社区学习资源。
每一章讲什么、能做什么研究？
第1章 单变量时间序列，一切的地基。
这一章讲的是平稳性、单位根检验、ARIMA建模（Box-Jenkins方法）、伪回归与协整、误差修正模型（ECM）以及GARCH波动率模型。
配套实证有三项：一是ARIMA，演示Box-Jenkins方法从识别、估计、诊断到预测的全流程；二是伪回归与ECM，说明为什么两个毫不相关的趋势序列会显得显著相关，以及如何借助协整解决这个问题；三是GARCH，用来刻画波动聚集现象。
可以支撑的研究包括通胀、GDP、汇率等变量的单变量预测，房价与收入、货币与价格之间的长期均衡关系，以及股市、汇率、大宗商品的波动率建模。
第2章 VAR模型，宏观实证的瑞士军刀。
这一章讲的是VAR模型的设定、估计、滞后阶数选择、诊断检验、格兰杰因果检验、简化式脉冲响应和方差分解，以及非平稳情形下的VECM。
配套实证包括VAR的估计与诊断、VECM以及简化式脉冲响应。可以支撑的研究是多个宏观变量之间的动态互动，比如利率、产出和通胀之间如何相互传导，货币供应与价格、汇率与贸易之间的长期关系和短期关系。
第3章 局部投影，近年来最火的脉冲响应估计方法。
这一章讲的是Jordà提出的局部投影（LP）方法及其与VAR的比较，还包括平滑局部投影（Smooth LP）和状态依赖（state-dependent）的局部投影。
配套实证有两项：一是货币政策冲击的动态效应，比较LP与平滑LP的估计结果；二是状态依赖的财政乘数，考察经济衰退期与扩张期的财政政策效果是否存在差异。
可以支撑的研究是政策冲击的动态效应和非对称效应，比如财政刺激在经济下行期是否更有效，紧缩性与宽松性货币政策的效果是否对称。局部投影是当下顶刊宏观实证中的高频工具，强烈推荐做政策评估的同学精读这一章。
第4章 冲击识别，从相关走向因果。
这一章讲的是结构VAR（SVAR）的识别问题、递归识别（Cholesky分解），以及基于外部工具变量的识别，即Proxy SVAR。
配套实证分别用Cholesky VAR和Proxy SVAR识别美国的货币政策冲击，再对比两者的结果。可以支撑的研究包括识别货币政策冲击、油价冲击、不确定性冲击和财政冲击的结构性效应，以及把高频识别得到的政策意外作为外部工具变量。想在宏观实证中把因果关系讲清楚，这一章绕不过去。
第5章 贝叶斯估计，应对小样本、多参数的利器。
这一章讲的是贝叶斯推断的基本思想、先验设定（比如Minnesota先验）、后验抽样以及贝叶斯VAR（BVAR）。
配套实证用BVAR研究美国的货币政策。在变量多、样本短的情况下，比如很多国家的季度宏观数据只有二三十年，BVAR能够有效缓解过度参数化的问题，因此在央行和国际组织的研究中被大量使用。
第6章 DSGE模型，连接理论与数据的桥梁。
这一章讲的是DSGE模型的求解与估计，以及新凯恩斯模型的贝叶斯估计。作者本人在DSGE模型的识别与评估方面就发表过多篇论文。
配套实证是新凯恩斯模型的估计，用Dynare实现。这也是全书唯一不提供Python和R版本的一章，因为Dynare是DSGE估计的行业标准工具。可以支撑的研究包括结构性政策分析、反事实模拟和福利评估，比如考察央行如果采用不同的政策规则，经济会如何运行。
第7章 预测，谁才是真正的预测赢家？
这一章讲的是点预测与密度预测、预测评价指标、预测比较检验以及模型组合。配套实证比较了随机游走、VAR和BVAR三种模型对美国GDP、通胀和利率的预测表现。
可以支撑的研究包括宏观变量预测，以及不同模型样本外预测能力的比较，这是写预测类论文的标准范式。
第8章 高维数据，当变量多达上百个。
这一章讲的是因子模型、主成分方法和因子增广VAR（FAVAR）。配套实证用FAVAR研究美国的货币政策，信息集包含100多个变量。
传统的VAR只能放进少数几个变量，容易遗漏信息，从而导致价格之谜等问题。FAVAR能够利用大量的宏观指标，适合研究货币政策的传导、共同因子的驱动作用，比如大宗商品价格的共同因子等问题。
第9章 机器学习，当ML遇上宏观计量。
这一章讲的是机器学习方法在宏观预测中的应用，以及它与传统计量模型的对比。
配套实证比较了机器学习与传统方法对美国GDP和通胀的预测效果。可以支撑的研究包括大数据环境下的宏观预测和即时预测，以及检验机器学习究竟能不能打败经典模型。想在论文里用上机器学习、又担心做得不规范的同学，可以把这一章当作很好的范本。
第10章 时变与非线性模型，经济结构是会变的。
这一章讲的是时变参数VAR（TVP-VAR）、马尔可夫区制转换VAR（MS-VAR）和平滑转换VAR（STVAR）。
可以支撑的研究包括货币政策的传导机制是否随时间变化，经济在高通胀与低通胀、危机与正常时期等不同区制下的动态差异，以及金融危机前后的结构突变。TVP-VAR在国内期刊中应用非常广泛，这一章能帮你把这个模型真正弄懂。
第11章 混频数据，让月度数据和季度数据同框。
这一章讲的是MIDAS回归和混频VAR（MF-VAR）。可以支撑的研究包括用月度的工业增加值、PMI和金融数据预测季度GDP，以及即时预测（nowcasting）。数据频率不一致，是实证研究中最常见的痛点之一，这一章直接给出了解决方案。
第12章 分位数回归与风险增长（GaR），不只看平均，更看尾部。
这一章讲的是分位数回归、分位数VAR以及风险增长（Growth-at-Risk）框架。可以支撑的研究，比如金融条件收紧会如何放大经济下行的尾部风险。GaR是IMF和各国央行进行宏观审慎监测的核心工具之一，也是当前宏观金融研究中的热门方向。
第13章 多国模型方法，全球化时代的溢出效应。
这一章讲的是面板VAR（Panel VAR）和全球VAR（GVAR）。配套实证有两项：一是用Panel VAR研究油价冲击对多国经济的影响，二是用GVAR研究美国货币政策的国际溢出效应。
可以支撑的研究包括美联储加息对新兴市场的溢出、国际油价冲击的跨国传导，以及贸易与金融联系下的风险传染。研究外部冲击对中国经济影响的同学，可以重点参考这一章。
本书配套的全部Python / R / MATLAB / Dynare代码、数据集及LaTeX课件源码已为大家整理打包。代码按章节分文件夹，附幻灯片PDF与源码包，数据随代码同放，下载即可运行。进入计量社群即可一键下载，省去逐个文件夹翻找的麻烦。
