TVP-VAR-SV：时变参数 VAR 模型的完整 Python 实现 一句话：把宏观与金融实证里最常用的 TVP-VAR-SV 模型——时变参数 + 随机波动率——做成一套开箱即用的 Python 实现：完整的贝叶斯 MCMC、时变溢出分解、脉冲响应，再配一个打开浏览器就能用的界面。 你大概遇到过这些 变量之间的传导关系，危机前后明显不一样，可模型里只有一个固定系数； 政策冲击的效果，十年前和现在不是一回事； 残差波动有明显的聚集，模型却假设它是常数。 这些正是 TVP-VAR-SV 要回答的问题——它在三个层次上都允许参数随时间变化。 但真动手时门槛不低：Gibbs 抽样要自己搭；Carter-Kohn 前向滤波后向抽样要自己写； 随机波动率不是线性高斯，得用混合正态去近似；链一旦不收敛，还很难定位原因。 好不容易跑通，时变溢出、脉冲响应、对冲比率又要自己从头算…… 结果 80% 的时间花在实现上，只有 20% 在做研究。 导入数据后立刻给出样本量、序列数与区间，11 个商品价格序列一览 模型：三处时变性 TVP- ...

做空间计量，别再和 R 代码死磕了 一句话：把 spatialreg、sphet、splm、spsur 里最主流的空间计量模型，全塞进一个双击就能用的 Windows 软件里——从数据、权重、检验、建模，到稳健性验证和出报告，一个界面走完。* 你是不是也这样过？ 调 lagsarlm 的参数调了一下午，报错是 'a' is computationally singular； 面板数据一跑 spml 就提示 unbalanced panels，查了半天是列顺序的问题； 好不容易把 spsur 的 SUR-SARAR 跑通，又要自己算直接效应、间接效应、总效应…… 最后发现：80% 的时间花在跟代码和环境较劲，只有 20% 在做研究。 如果有这么一个软件——模型点一下就跑、结果自动成表、还能一键出报告——你愿不愿意试试？ 软件全貌 它长这样：三个步骤走完全流程 准备数据与权重 → 检验并建模 → 比较出报告 首页三张卡片，就是完整的研究路径，每一步都能一键跳转。 三步流程 内置 9 套示例数据，哥伦布犯罪率、美 ...

交叉效率SBM计算工具：让效率评估更客观、更准确 一、为什么需要交叉效率？ 在传统的数据包络分析（DEA）中，每个决策单元（DMU）都会选择对自己最有利的权重进行评估。这就像让学生自己出题、自己评分——结果往往过于"乐观"。 传统SBM模型的局限： - ❌ 多个DMU效率值为1，无法区分优劣 - ❌ 权重选择存在主观性 - ❌ "假有效"DMU难以识别 交叉效率的优势： - ✅ 每个DMU被所有其他DMU的权重评估 - ✅ 完全排序能力，避免并列第一 - ✅ 更客观、更公平的绩效评估 二、核心方法论：两阶段评估框架 第一阶段：自评估（Model 6） 使用基于松弛的度量（Slacks-Based Measure, SBM）模型计算每个DMU的自评估效率： \[ \begin{aligned} \rho_{dd} = \min \quad & \frac{1 - \frac{1}{m}\sum_{i=1}^{m}\frac{s_i^-}{x_{id}}}{1 + \frac{1}{s}\sum_{r=1}^{s}\frac{s_r^+}{y ...