好，现在终于到了与Econ，Finance 关系最紧密的概率统计部分。关于概率统计的重要性我实在不想再强调了，不过需要再说一句的是，很多同学觉得学计量，学Finance很多东西看不懂，迷茫，那就是因为你概率统计没学好；甚至还有很多论调说什么Idea最重要，数学不重要，对于这种说法，我想说，别说Econ，Finance，连数学都是Idea最重要，任何学科都是Idea最重要的，但是你连基本的知识，研究工具都没掌握，都一窍不通，何来资本去讨论什么Idea？？好了，语调有点激烈，不想多说了，这个问题说多了没意思！下面我概率统计分开讲。

1概率

：Basic Probability Theory

这个很重要，虽然不是基于Measure-Theory的，但是是你明白概率是什么东西的基础。国内数学系本科一学期的概率论的内容基本跟这边Undergraduate的Honors Course for Probability差不多，但问题是很多学校的老师不怎么认真在讲的时候。比如我所在学校的数学系，当时那个老师真是不咋地，上课光在那闲扯淡，证明一点都不讲，而且课堂过大，整个数学院所有不同专业的学生一起在上课，起码100多号人，效果可想而知。我不知道别的学校情况咋样，但是我本科所在学校的数学系还是国内比较不错的，连这里况且如此，很多地方可能也好不到哪去。当然，这只是我个人的瞎猜想，没有任何证据。

这门课的主要教材是名家Durrett的《The essentials of Probability 》，我想很多人都知道他的另外一本Graduate Probability教材《Probability：Theory and Examples》，现在美国这边的学校几乎都用这本书作为Math PHD Probability课的教材。顺便说一句，Durrett是超级牛人钟开莱（中国人，虽然是美国公民）的学生，好像我记得他在一本书里管钟开莱叫做Academic Godfather，真是牛到无极限啊。

这门课Durrett这本书所有内容全讲，题目几乎全做，这样使得学生Basic Probability的基础相当好，Probability的Intuition很不错，从而在后面学习基于Measure Theory的Probability跟Stochastic Process时，不至于迷失在Technical Details中。不过这本主要是给Math的学生的，我自己觉得Casella & Berger的《Statistical Inference》前面的Basic Probability部分也是超好无比，而且这是一本数理统计的教材，多了很多Distribution的东西，从而给你学数理统计打下一个坚实的基础。并且，这本书习题量大质量又好，而且网上有Solution Manual，所以是非常好的习题书。我自己其实没有上这门课，不过我们计量I（美国这边计量I其实是概率论与数理统计的内容，不过有经济系的特点罢了）当时教材是Cassella & Berger，于是我就把前五章的习题都给做了，真是受益匪浅。另外，国内复旦李贤平的那本概率论教材也是非常好的。

个人建议：经管类毕业的同学我想都有一点概率论基础了，所以个人觉得不必要专门花一学期修这门课，但是我想自己自学或者在上计量I的时候将基本内容再过一遍，查缺补漏是有必要的，多做点题目，最好能将Casella & Berger前面五章的题目做完，然后适当的参考下Durrett当有概念不清晰的问题时，这样基础就打的比较牢了。Casella & Berger国内有影印版，习题答案网上可以找得到。至于原来读数学的同学，请根据你原来学的深度自行决定。

：Measure-Based Probability-Probability I

这门课跟下面的Introduction to Stochastic Process-Probability II通常在美国这边是一年的Core Course Sequence 给那些将来可能做Probability的Math PHD学生。Probability I的内容一般包括（以我所在的学校为例）以测度论为基础的的概率基本概念，经典的极限定理（LLN于CLT for Independent Sequence）, Random Walk，Conditional Expectation,有的还会加上Discrete Time Martingale Theory。这门课的先修课为Real Analysis或者Measure Theory，你必须对Measure and Integration的内容很熟才行。这门课我想不论你是做微观，宏观，还是计量还是Finance基本上最好都要学，毕竟现代经济学Uncertainty是核心，从而概率的应用极为广泛。微观里现在做的Decision theory, 关于Imperfect Information的很多东西都需要很好的概率论基础，上周跟一个要跟我们这里一个微观牛人做的同学见面讨论，他说那个Professor的Paper里就用到了Martingale Convergence Theorem，虽然不是很深，但是一个好的Probability基础还是很必要的；宏观里面常用的Stochastic Optimal Control，Stochastic Dynamic Programming；还有更不要提Finance了，如果没有一个好的概率基础，根本连现在入门的Asset Pricing教材你都看不懂，比如Cochorane的《Asset Pricing》，更别说Duffie的《Dynamic Asset Pricing》跟Merton的《Continuous-time Finance》了；计量理论我就更不说了，它本来就是研究一些有经济数据特点的统计理论的，想想Time Series Econometrics里的Unit，Cointergration吧，那里Asymptotic distribution的推导都是基于Functional CLT的。我就不多说了，总之，我们这里理论做的比较好的同学，几乎都有一个很好的Probability基础。

如果你Measure Theory掌握的好，学这门课会舒服很多，当然，你依然需要花费巨大的时间跟精力。我这门课上了两次，一次是在Operation Research系里上的，讲课的是个俄罗斯裔的老师，课讲的极好，真的算是领教了Russian的数学水平，一个字，牛！！！光作业就给我们布置了14次，每次5－7个题目，一学期下来做了快一百个题目，想象一下，Graduate Course，每个题目光写有的时候就要2页多纸，学的时候真的是痛苦之极，不过学完之后真的是感觉收获特别多。我经常跟OR几个同学讨论问题，他们都是国内数学系出身，有的都是在这边的学校读过数学然后再转到这边来的，他们对作业量之大也很头疼，不过我们都很觉得那个老师确实讲的好，没得说。一个搞笑的是，这个老师的Webpage上写着，“对于那些不想完成作业的同学请点这个链接”，然后等你点了后就到了另外一个Web上，上面是他练空手道的一张照片，而且照片的光线有问题，他两眼发的都是绿光，恐怖啊，呵呵！！

由于这个课老师为了照顾一些对Measure Theory不是很熟的同学，于是他花了快一半的时间又把Measure Theory讲了一遍（这部分内容他主要用Billingsley的《Probability and Measure》里面的测度论部分），因此后面概率的东西只是讲到了CLT，后面没有讲Martingale，而且LLN跟CLT讲的不是特别深入，只是证明了IID情形下的定理，并没有证明Independent but not Identical Distribution的情形，而且我也想学多一点，因此我就去上了Math PHD Probability Core Sequence的第一学期的课（我本来想着上了OR这个然后直接去上第二学期的Probability II就算了的）。总算是把这个搞定了。 

总的来说，Probability的好教材是非常之多，其中有Durrett,《Probability: Theory and Examples》，Williams,《Probability with Martingales》，Billingsley,《Probability and Measure》，Resnick 《A Probability Path 》，Jacod & Protter，《Probability Essentials》, Dudley，《Real Analysis and Probability》, Shirayev，《Probability》，以及牛人钟开莱的《A Course in Probability》这些教材基本上都是包括了Probability I的测度论为基础的的概率基本概念，极限定理与Probability II的Stochastic Process的内容，所以基本上每一本都可以作为这一Sequence的教材，不过不同的教材特点还是不一样的。

Billingsley是公认的好教材，特点是全，既有Measure Theory的完整介绍，又包含有直到Brownian Motion的一年Probability课的所有内容，但有个问题是体系安排很怪异，不适合从头看到尾，事实上我们是从Chp2，Chp3开始学，然后穿插上Chp1的内容，然后再过渡到后面的Probability部分的。这本书的行文也是Informal式的，很多重要定理的叙述证明都是在字里行间完成的，并不是定理－证明式的写法。我个人经验是不适合自学，如果有老师教课用这本书，那真的是再好不过了，不过如果没有老师教，最好把这本作为参考。这本书的课后习题非常好，对于比较难的题目后面附有简要的答案。做Econ的人好多Paper后面在涉及Probability的时候引用的都是这本书（看看White的《Asymptotic Theory for Econometrians》），我猜他们当时学概率用的都是Billingsley这本教材，呵呵。

Durrett的教材是给Math PHD的标准教材，全书主要讲概率，将Measure Theory的主要结果附录在书的后面，以供参考，因此，学这本书必须有扎实的Measure Theory基础。现在国内这本书刚出了影印版（Billingsley现在也刚处影印版，痛啊，这两本书花了我快200刀就，因为我修课的时候国内还没有影印版，唉），忘记上面是谁做的序了，讲了一个故事，说是有个Math PHD学生放假还是怎么着出去玩的时候，身边就带了这么一本书，然后这个学生现在美国是美国一所著名大学的Professor了已经。抛开故事真假不说，我对这种传说式的故事一点都不信，搞得好像背着宝剑，身怀绝世武功，天生的武功奇才一样，不知道是不是武侠小说看的是不是太多了（实际上，我的武侠小说看的是巨多无比）。Durrett这本教材讲的虽然挺难，但只是一些早期Probability结果的总结，离着研究前沿还差的很远。所以我觉得序里的故事是想说明把这本书学透基础就会打的很牢固，但是这种故事容易对人形成误导，起码我记得我在未学Measure Theory跟Probability I之前也看过很多这种小故事，看完后热血沸腾，老想着一口气吃成个胖子，但是事与愿违，反而事倍功半，其实最重要的还是下功夫好好学。当然，这只是针对我个人而言，别的同学可能比我要理智的多。闲话不多说，Durrett这本书Probability I的内容讲的比较深，其中Random Walk作为单独一章进行深入透彻的讲解，我想Random Walk做Econ的同学应该很熟吧，这就是Unit Root Process了。其他书唯一这样做的就是钟开莱了，我想Durrett这样做跟他是钟开莱先生的学生有关系吧应该。Durrett这本是我们这Probability I&II这个One Year Sequence的主要教材，老师没有自己的Lecture Notes，会把这本书从头讲到尾，至于为什么我就不多说了。

下面想说牛人钟开莱的书了，这本书如前面个人背景里面所述，我在国内的时候上那个测度论因为很多问题不明白所以就找了这本书来看，结果受益匪浅。忘记在哪里看过了，说这本书其实是将前苏联数学家对基于测度的概率论，对Independent情形下Limit Theorem的研究的一个总结。也就是说，这可以说是一本现代概率论教材的雏形，虽然在这之前也有很好的教材，但是正是这本书以及钟开莱在Stanford教授这个课程的经验，导致了现在大部分学校的第一门概率Core Course所教授的主要内容为Independent情形下的Limit Theorem。实际上，我觉得在Limit Theorem定理的证明上，这本书依然是讲的最好的，不但严格，而且清晰明了，反而现在很多新出的概率书讲的迷迷糊糊，要吗不严格，要么太Technical。不过这本书大量集中于Limit Theorem的证明，作为Probability II主要内容的Martingale，Markov Chain讲的很少（当然，我觉得依然讲的很好，特别干脆利落），对Ergodicity，Brownian Motion更是一点都没涉及，他前言里好像说了这些应该作为第二门课的内容我记得。所以，这本书是加强版的Probability I教材，但是不能作为Probability II的教材。

Shirayev的书是一本典型的Russian数学书，内容跟Durrett基本上一样，只是前面加了一章基本的Probability and Stochastic Process，后面用两章讲了Stationary Process，少了对Brownian Motion的介绍。这本教材证明上清楚明了，课后习题很多是一些重要结果，是很好的教材。而且对Stationary Process的讲解特别好，算是奠定了Time Series Analysis的一个数学基础。想做Time Series Analysis我想这是一本必备的参考书。

Williams的书短小精悍，讲完Probability的基本内容立即进入Martingale的学习，真的是又快又准，毕竟Martingale在现代Probability甚至是Econ，Finance等等都起着关键的作用。

Resnick的书是我上OR那个Probability的教材，因为Resnick本身就是在OR系，所以他写的教材就稍微简单点，很多结果都给出了证明，不象是前面那基本为Math PHD准备的书很多结果你自己要证明，有的时候花很多时间。这本书的内容最后一章讲了Martingale，前面是Measure Theory跟Probability I的内容，看起来相对其他几本要稍微容易点，很多学校开给Engeering，Statistics或者Finance学生的Probability课都用这个作为教材。

Dudley的书Probability部分讲的内容很多，从经典的Limit Theorem到Martingale，到Brownian Motion，Ergodicity甚至还有一些Weak Convergence的内容，由于这本书整合了Real Analysis跟这么多的Probability内容，深度上感觉稍微差一点。Dudley本人在Empirical Process方面是奠基人之一，他1978年左右的几篇Paper给出了处理Empirical Process不Measurable一种处理方法，奠定了他的地位。他本人是MIT的教授，这本书是MIT概率论的教材，这门课的内容你可以在MIT Opencourse上查得到，上面有一些讲义跟习题答案，可以用来作为参考。

Jacod & Protter我没读过，把它列出来是因为这本书近年来有很多地方都在用，更重要得是这两个人虽然都是数学出身，但是现在都在做Finance得东西，而且都是名家。Protter是OR的Professor，我想很多做Finance的人都知道，他跟Jarrow有一篇关于Term Structure的Paper影响很大，是用Diffusion Process作为Model的。而Jacod则是法国巴黎“？“大的数学系教授，他跟Princeton经济系的Professor Ait-Sahalia（Review of Financial Studies的上一个三年的Editor）合作了一系列关系Continuous Time Process的算是金融计量领域的文章。

当然，在这边Finance领域主要还是在Business School，但由于Merton，Duffie等人对连续时间模型的使用导致了很多原来做Probability的数学出身的人都在搞Asset Pricing，不过他们管这个叫做Financial Mathematics，Financial Engeering等等，国内山东大学的彭实戈搞得所谓的金融数学其实就是这个。结果现在在搞Econ，Finance的人与这批以前数学出身的人之间有了巨大的分歧，前者认为后者摆弄数学，没有Intuition，没有Idea；而后者认为前者数学不行，模型用的不严格。于是就各搞各的，各自形成了一个圈子。个人认为两者都有道理，前者很多数学确实不行，模型用的不是很好，统计工具掌握的也不好，于是Journal of Finance上的Paper非常多的计量用的不对，或者是为了一个比较Significant，比较Interesting的结论故意这么做。其实很多结果，如果你用正确的或者比较严格的计量方法再做一遍，根本就不对，从而得出的Interesting的结论的可信度大打折扣。但是由于这些人已经形成了一个圈子，他们之间互相接受这种做法，所以文章还是能发，研究还是能做。说道这里，顺便说一下，记得以前在国内看到有人把Journal of Finance(JF), J of Financial Economics(JFE) 跟Review of Financial Studies（RFS）给排了一个顺序，说什么这个比那个好，那个比这个好。我猜那个排法应该是按照所谓的影响因子或者引用率之类的来排的，但是个人觉得这种东西没什么意思，这三个Journal都是Finance的Top Journal，如我前面所说JF的文章数学水平，计量工具的严格性要差一点，但是这样导致了结果很Interesting，而RFS是数学应用深一点，计量工具用的严格，但反而结果不那么Interesting。如此一来，使得JF的引用率要高于RFS，但你能就说前者比后者好吗？如果你真的这么想，那比较一下Econometrica上文章的引用率跟其他Journal然后再来回答这个问题。实际上，在美国这边的学术圈子里也存在争论，有人觉得JF好一些，有人觉得RFS更好一些，所以这也是没办法的事。但是我觉得做事要严谨一点，不要对别人产生误导，所以当你说JF比RFS好，或者RFS比JF好的时候，我自己就会加上，“我觉得“，或者“按照引用率，按照工具使用的严格程度来说“等等的修饰词以表明你这样判断的根据。

接着上面，反过来讲，后者确实是Intuition比较差一点，由于Econ比较特殊的学科性质，你用的严格却没有Interesting的结论，模型很好，但是结论跟以前一样，这样就没什么太大的意义。拿彭实戈老师做的Backward SDE来说，数学上确实很重要，提供了一种新的处理SDE的方法，而且实践上也可以应用；但是拿到Finance理论上来看，就是提供了一种解B-S模型的方法，而Finance理论则是再探讨B-S模型本身的问题，所以这个研究对于Finance理论则基本上没什么意义或者意义不是很大。从这里可以看出，学术研究某种程度上也是市场化，需要有人跟你一起开拓，有人欣赏你的东西才行，要不然你自己认为的再好的东西也卖不出去。

好了，该结束这一部分了，太长了。这部分介绍的书太多了，说一下我的学习过程。我个人由于是修课所以主要用了Billingsley的教材，基本上通读了算是，钟开莱的书我也基本上看完了，看这个是因为LLN，CLT 的证明讲的好。Shirayev我精度了他讲Stationary Process的两章，及Martingale那一章的部分内容。Durrett我没有精读，因为上面的好多证明都在别的书上认真推导过了，而且我下面会再去上那个一年的Core Course Sequence，这次完全讲这本书，所以打算把它精度一遍。其他几本Williams, Resnick , Dudley都只是在看别的书产生问题时候去找相应的部分做了参考。还有就是修完课后我花了几天时间把它们浏览了一下，以对照一下感觉。

个人建议：可以用Billingsley，Durrett，钟开莱，Shirayev中的任意一本作为主攻教材，尽量完成大部分的课后习题，很多题目网上应该可以搜索到答案。这四本书国内都已经有了英文影印版了，可以省钱了又。其他几本Williams, Resnick , Dudley可以作为参考，Williams网上有电子版，而Dudley国内有英文影印版，Resnick就不知道了。

：Introduction to Stochastic Process-Probability II

这门课主要内容是Discrete time Stochastic Process,，讲Martingale, Markov Chain, Stationary Process and Ergodicity, Brownian Motion(BM)，有的老师还会加上点Introduction to Ito’s Integral with respect to BM。我这学期上这个课的老师是在概率领域里面一个超级牛的Russian老头，他教的东西太多了。除了上面的内容，他还讲了Continuous-time 下的Martingale跟Markov Process，甚至包括了Stochastic Integral最General的情形即对于Semi-martingale的积分，所有这些内容加起来一般都是分两门课来讲的，因此作业做的我很痛苦。不过痛苦完后感觉收获还是很大的。由于他这种教法是非常规的，并不是Probability II应该包含的内容，因此学这门课我觉得还是以标准内容为主，打好基础，这样以后要用到比较深的概率理论就可以自己学了，因为后面你要用到的可能都是近年才得出的结果，这种内容开课讲的好像不多，即使有也跟老师的研究方向有关了。

鉴于前面已经将众多概率教材做了详细介绍，这里就简要一谈就可以了。Billingsley的书把Probability II里面的内容都包含了，但不是特别成体系，都是分散开来的，所以不太适合作业主要教材。不过他最后一部分分两章讲的General Theory for SP跟BM是非常好的，前面一章详细的介绍了给出一个Finite Distribution然后Construct一个SP的方法，也即Kolmogrov Consistency Theorem，给SP的存在性奠定了一个基础。Durrett是标准的教材，因为将Measure Theory作为附录，从而腾出了大量空间详细介绍SP，是非常好的现代教材。钟开莱这方面的内容很少，但是他最后一张对Martingale跟Markov Process的介绍切中要害，理解深刻，我觉得非常值得一读。Shirayev内容跟Durrett差不多，只是少了BM的介绍，但是多了Stationary Process的详细讨论。Williams, Resnick , Dudley都有一些相关的介绍，但不如前面基本书是系统的介绍，所以只能用作参考我觉得。

个人建议：Durrett或者Shirayev都可以作为主要教材，主要的参考教材可以用Billingsley，钟开莱，其它基本可以翻一翻，了解一下别的处理方法。

：Continuous time SP, Stochastic Integral and SDE, Weak Convergence and Convergence of SP, Limit Theorems for Dependent Sequence

这些内容每一个都是概率论的一部分比较现代一点的内容，关于这些内容的书一般都叫做Monograph，而不是象前面那些一样可以叫做Textbook，当然每一部分都是挺难的，想学会也挺不容易的。我这里只能稍微说几句，没法细论，一是因为这些内容都比较Specialized，如果你不需要根本不需要学，不象前面的内容是一个Econ PHD最好能具备的素质基础；二是因为我也说不了，因为我自己还没有修这些课，有的是无课可修，根本没人讲，只能自己学，比如Limit Theorems for Dependent Sequence，虽然计量尤其是Time Series Analysis经常用，但是没人教这些东西，不过如果前面Probability I & II你基础打好了，花上一点时间跟精力学好是没问题的。还有的是因为这些课程需要的预备知识太多，比如Stochastic Integral and SDE需要Discrete time SP的一些知识，Weak Convergence and Convergence of SP需要Topology跟SP的知识，所以我也没法修（这个是很难跨越的，Weak Convergence and Convergence of SP去年有个老师开这门课，我当时只是上了Probability I，学了Topology，但是没有SP的知识，前面讲Weak Convergence还勉强可以听，后来讲Convergence of SP时完全听不懂，最后只好Drop掉了那门课），自己水平还不到。

我在这里稍微写一下是因为有些人将来可能会修其中的内容，比如做Finance的人会去修Continuous time SP, Stochastic Integral and SDE,做计量的人有的会去学Weak Convergence and Convergence of SP跟Limit Theorems for Dependent Sequence等。我虽然没有修过但是已经接触到了其中甚至大部分的内容，比如我这学期上的Probability II已经将重要的Continuous time SP 跟Stochastic Integral，SDE都讲了；Weak Convergence and Convergence of SP虽然后面我没学好，但是Weak Convergence我还算是学明白了，因此我知道有哪些书是用的比较多的，在这里稍微列一下，以便兄弟姐妹需要学的能找到合适的参考书，还有过来读Econ PHD的知道哪些书可以带来，以便省钱，呵呵，省钱万岁！！

Continuous time SP跟Stochastic Integral and SDE都是联系在一起的，好多教材都是两者一起讲，这其中比较好的教材为：

Revuz and Yor, 《Continuous time martingale and BM》(国内世图好像即将出影印版了)

Williams and Rogers, 《Diffusions, Markov Process and Martingales》I & II（有影印版）

Oksendal，《Stochastic Differential Equations》(有影印版，好像都出到第六版了，可能是最简单的Stochastic Calculus教材)

Karatzas and Shreve, 《BM and Stochastic Calculus》（GTM，有影印版）

Protter，《Stochastic integration and differential equations 》（国内即将有影印版，这是最难的一本Stochastic Integral教材了可能）

Shreve，《Stochastic Calculus for Finance》，Vol II（国内有影印版，这本是现在标准的Continuous Time Finance的教材了，这边大部分的Financial Engeering Program都用这个）

Weak Convergence and Convergence of SP的教材有：

Billingsley， 《Convergence of Probability Measure》

Jocod and Shereve，《Limit Theorems for Stochastic Process》

Ethier and Kurtz，《Markov Process: Characterization and Convergence》

Van der Vart and Weller, 《Weak Convergence and Empirical Process》(这其实是一本Empirical Process的教材，但Weak Convergence讲的很不错)

这些书国内好像没有影印版，不过倒是都有电子书，大家在网上应该可以搜索得到。

Limit Theorems for Dependent Sequence

用这些内容的我觉得肯定是想做Time Series Analysis的同志们，可以参考的教材有；

Hall, 《Martingale Limit Theorems》（这本书早已不印刷了，不过网上找得到）

Davidson, 《Stochastic Limit Theorem》（这是计量经济学家写的，不过连Billingsley都在他的专门提过）

好了概率部分就结束了，最后还有数理统计的一部分就大功告成了。

2 数理统计

：Basic Mathematical Statistics：

这是基本的非基于测度论的数理统计，这部分内容加上的Basic Probability Theory其实正好是美国这边Econ PHD计量I的内容。这部分数理统计的内容相当于这边本科Hornors Course for Math Statistics的内容，因为我在国内既上过经管类那种概率统计一门课大杂烩的数理统计，也上过数学系单独一学期的数理统计，从而比较知道两者的区别，当然这也仅限于我本科所就读的学校。这门课跟前面的 Basic Probability Theory一样，我觉得不需要去专门修本科Honors的课，但是最好自己或者在上计量I的时候认认真真的把基本数理统计的基础打好，这样做不光是对那些做将来做计量理论的同学而言，对那些打算做别的领域的，也同样适用。因为不管你做微观，宏观还是Finance，哪个现在都是Theory跟Empirical并重的，现在连Auction Theory都在做计量检验，更别说宏观，Finance等等了。顺便说一下，经常看到有人在BBS上说自己看不懂计量经济学的教材，比如Green，Hayashi或者Davidson & Mackinnon，其实我以前也是看不懂，跟大家的感觉一样，迷迷糊糊。后来才知道，其实就是因为数理统计不行，因为现在所谓的计量就是以统计里面的回归分析为基础发展起来的具有经济金融数据特点的统计理论，这本身就是统计学，数理统计不行当然看不懂。

这门课的教材可以用一般计量I的教材，比如Gallant的《An Introduction to Econometric Theory》，Birrens，《Introduction to the mathematical and Statistical Foundation of Econometrics》，但是我个人更偏好一些纯数理统计的教材，比如Casella & Berger的《Statistical Inference》，还有更深一点的Bickel & Dokosum《Mathematical Statistics: Basic Ideas and Selected Topics》，因为我是打算做计量理论的。前面两本因为是计量I的教材，更偏重于一些在计量中有直接作用的统计的介绍，而后两本是标准的北美这边统计系非测度数理统计的教材，当然其实Bickel & Dokosum已经算是接近于使用测度论作为语言了。学习后两本可以使得你对统计的理解更深刻，知识面也更广。我自己是在上计量I的时候将Casella & Berger认真的通读了一遍，做了大量的课后习题，同时参考了Bickel & Dokosum的教材，而后来在修下面基于测度论的数理统计时又参考了Bickel & Dokosum。我没有读过Gallant与Birrens，因为计量I的Professor有自己的Lecture Notes，所以我对这两本不是很有发言权。但是这两本我都浏览过，所以知道它们的内容。

个人建议：如果你打算做计量理论，可以将Casella & Berger与Bickel & Dokosum作为计量I的主要教材，认认真真的把前一本上面的习题完成，打好基础；如果不是做计量理论的，我觉得可以读Gallant与Birrens，适当参考一下Casella & Berger，它上面的习题多又好，而且还能找得到答案做完后对照思路。Casella & Berger国内有影印版，Bickel & Dokosum现在都是第二版了用，第一版国内有翻译版，不过第二版好像也要快出影印了，我不建议读翻译的；Gallant与Birrens好像国内有些学校有复印的，网上可能也可以找的到。

：Measure-based Mathematical Statistics I & II

这其实是包含两门课的一个一年的Sequence，因为一门讲不完这么多内容的。但是我觉得只有打算做计量理论的才需要考虑这个课，不象在讨论前面的Probability I & II时， 我觉得所有Fields的人最好都修Probability I，而Probability II则不一定这样的分开来考虑，所以我把它们放到一起讨论。这个课其实是Statistics PHD一年的Core Course，可想而知是讲的比较严格的。

这门课的主要内容就是严格的数理统计理论，既包含Statistical Inference（Point Estimation, Hypothesis Testing，以及Confidence Set），又包括Statistical Decision Theory；既包含Frequentist方法，又包括Bayesian的方法；既有小样本的uation标准，像是Unbiased，UMVUE等等，又包括大样本的Asymptotic Efficiency统计评价方法。当然，这个课还包含很多现代统计方法的简单介绍，比如Nonparametric，Semiparametric，Bootstrap为代表的Resampling方法。不过这里只能是简单介绍，详细的内容只能由后续课程或者通过自学（因为这些课程的开设都是跟老师的研究兴趣有关的，一个学校不一定能把所有的课都开起来）来完成。详细的课程内容我就不多说了，因为我个人觉得，凡是想做计量理论的人这门课的内容都是必然要具备的素质，起码对于现在这个年代的计量理论来说我觉得是这样，看看现在Econometrica，Econometric Theory，Journal of Econometrics上的Paper，基本上都是各种各样的新的Estimation，Hypothesis Testing方法的提出，所用的工具无不是基于现代数理统计最新的研究进展，如果不能打一下一个很坚固的数理统计基础，起码对我来说真是难以想象怎么来做研究将来。

这门课的主要教材就是著名的《Theory of Point Estimation》（TPE） by  Lehmann and Casella，与《Testing Statistical Hypotheses》（TSH）by Lehmann and Romano，我想这两本教材的难度很多人都早就听说过了，反正我觉得这两本书真是得至少花一年的时间才能学好，课后的习题多，质量也好，这边的图书馆里能借到他们第一版的习题解答，非常老了，感觉字体很象是手写然后复印的。这本习题解答的作者一说大家肯定知道，就是写了类似于Probability百科全书的《Modern Theory of Probability》的Kallenberger了。跟这两本书难度差不多相当的Bayesian统计的书可以参考《Statistical Decision Theory and Bayesian Analysis》by Berger，注意这个Berger跟与Casella写《Statistical Inference》的Berger可不是一个人。另外，Shao Jun的《Mathematical Statistics》写的也是非常之好，内容涵盖了TPE跟TSH的所有内容几乎，当然程度要容易的多，并且这本书简单介绍了包括Nonparametric，Semiparametric，Bootstrap，甚至还有Empirical Likelihood的几乎所有的现代统计方法，真是一书在手，天下事尽知啊。还值得一提的是，这本书习题也是很丰富，而且还有专门的一本习题答案，以供大家参考，如果能好好利用这些习题，还是那句话，受益终生。我自己上课时老师把这基本都列为了参考教材，我则除了TPE跟TSH上老师上课讲的内容外，仔细读了Shao Jun的相关内容，并且做了上面的一小部分题目，收获颇丰。Shao先生（我不知道是不是邵，所以只好写拼音）好像是国内华东师大毕业的，现在为U of Wisconsin at Madison统计系的主任，那里Statistics PHD第一年的Math Stat Core Squence就是讲他这本书。

不知道为什么纯数学的书国内有影印版的非常多，但是统计的书国内很少找到影印版，这使我想起了有位统计牛人在一个报告上说的，国内跟国外在统计学研究上的差距这几年非但没有缩小，某种程度上反而有点扩大了。我不是做数理统计的，也不知道事实是否如此，不过统计方面影印书的出版比纯数学方面的差了很多，这是一个很奇怪的现象，因为统计在现实中的应用应该更多些，按说统计书的引进应该是更快一步才对，现在反而是相反的。这里想推荐一本中文的高等数理统计教材，那就是陈希儒先生的《高等数理统计》了，陈老的地位以及水平我想我不需要多说了，他这本书写的是非常之好，基本跟TPE，TSH差不多一个难度水平，不过就是内容少了一点。还有就是这本书习题令人称赞，而且书的后半部分就是习题的参考答案，供大家研习之用。陈老对做习题以掌握内容，训练基本技能的说法我想很多同学都是见过的，不得不说，姜还是老的辣啊！！！

个人建议：这门课值得好好花一年的时间学好TPE，TSH或者学好Shao Jun，Bayesian的部分可以参考下Berger。Berger的书国内有影印版，其他基本好像没有，不过可以找得到电子版，而且国内一些学校也有复印版。题目要认真做，多做。

：Asymptotic Statistics

Asymptotic Statistics包括了数理统计里面的很多大样本理论，比如M-Statistic, U-Statistic，MLE，Asymptotic Relative Efficiency，Empirical Process等等，我觉得是应该作为一门课认真学学的，教材可以用现在最流行的Van der Vart 的《Asymptotic Statistics》，事实上很多学校都已经将这门课开做一本Stat PHD的必修课。由于我自己还没修过，所以我没什么发言权，只能推荐这么一本书，不过很多Professor都有Course Webpage，大家可以去网上搜索，看看他们怎么个讲法，讲哪些内容，找相应的课本认真学习，打好基础。我本人正打算这个Summer学这个，因为以后要把大部分的时间都转向与我自己的研究方向相关的学习，还要开始准备我的PHD Dissertation，因此估计比较少有时间再去象第一，二年一样这样耐心的打基础了，所以觉得最好在Summer将这门重要的内容解决掉。

：Topics in Modern Math Statistics

这个不是一门课，是我把所有的除了基本的One-Year Core Sequence与上面的Asymptotic之外的现代统计方法都放到了一起，大致包括了Nonparametric，Semi-parametric，Bootstrap，Empirical Likelihood等内容。这些都是近几十年才发展壮大起来的现代统计方法，其中像是Bootstrap也不过是1980年左右才开始的。

如Nonparametric，Semi-parametric，Bootstrap，Empirical Likelihood这些内容都是现代统计理论中的研究方向，很多研究还正在进行中，我个人只是因为要用从而自学了Nonparametric的一些书，但因为这方面的书特别散，没有一本将所有Nonparametric方法都讲好的书，所以很难做推荐，所以这里就不多说了。需要说的是，这些研究方向都有相关的计量领域对应，比如Nonparametric Econometrics，Semi-parametric Econometrics，Bootstrap Econometrics，这些其实是相应的统计方法在对Econ跟 Finance特点的数据的应用，有的时候Statisticians搞出来的这些统计方法针对的数据类型跟Econ，Finance的数据特点不符，而Econometricians做的就是基于原来的方法提出针对这些Econ，Finance特点的数据进行分析的新的统计工具，由于基于的General的统计方法不一样，因此便有了Nonparametric Econometrics，Semi-parametric Econometrics，Bootstrap Econometrics这些称呼。这与以数据本身类型对计量分为Micro-econometrics（Cross-section, Limited Dependent Variables） Time Series Analysis, Panel Data Econometrics(有的把这个也归为Micro-econometrics)，是不同的，不同的方法跟不同的数据类型结合在一起便形成了很多不同研究方向与叫法，总之，对计量进行完全彻底的分类好像很难。

由于这些内容既不简单，我也没有完整学过，所有我在这里就说到此为止了。实际上，我也不可能把它们都学完，一是我知道自己没那么大能量，水平毕竟有限；二是也没有必要，这些学不学，学到什么程度都要视你的研究而定，你需要用就学，不需要就算。说实话，我觉得现在经济学研究已经开始逼近象数学一样的高度分工了，做微观跟做计量的互相很少有共同语言，即使都是做计量的，不同的方向能通话的也是比较少的，比如你做Panel Data，他做Financial Econometrics，不光使用的方法不一样。模型的假设不一样，就连最基本的检验的经济理论更不一样。你需要学习不同的经济理论，这一点就使得两者很难对话。不过话说回来，大家还是有的，象Hausman，L Hansen, Philips，White那样的，诸多方向通吃，水平确实高，没办法。不过我觉得他们的概率，数理统计的基础肯定很牢固，从而来了新的Topic时很快就能上手，我自己觉得这个一个很重要的原因

概率论与统计书目推荐