经济管理专业英语戴贤远17精华版Word下载.docx
《经济管理专业英语戴贤远17精华版Word下载.docx》由会员分享，可在线阅读，更多相关《经济管理专业英语戴贤远17精华版Word下载.docx（23页珍藏版）》请在冰豆网上搜索。
一个人会说：
“我最爱吃龙虾”或者说“我爱吃龙虾胜过其他的海鲜或肉”但几乎没人说“喜爱度17”更没人能听懂，但是效用概念的实质还是适合用顺序表示。
用顺序表示喜好度时人们只可能区分最高和最低、最好和最坏或者最满意和最不满意；
没有人会试着去数量化一种效用比另一种好（或坏）多少。
摒弃效用不能精确定量的事实，效用可以按按基序法排列的假设还是很有用的。
这将会使解释几种重要的消费者行为变得容易了很多。
第二章How
Markets
Function市场如何发挥作用
考核一种商品市场的关键是它的竞争结构——在这个行业中有很多还是很少卖家。
这里的“多”与“少”不仅是看企业的数目，更重要的是看企业间的竞争活动。
一种产品有很多卖家是说没有哪家企业有足够大的市场份额，或者作为市场领导者高高在上，使得其余的卖家只能对它已有的行动做相应的反应。
在整个市场范围内每一个企业都足够小或者足够不重要。
实际上每一家都是淹没在众多企业中的小企业，不会引起其他企业的注意。
反之，我们说一种产品的卖家很少是指每一个企业都被对手注意这，它的每个举动都会引起竞争对手的反应。
“很少”是少到企业认为有必要彼此紧跟对方行动的程度。
企业很少是说每个企业都与它所在的市场大小息息相关。
一般而言，当企业的数目少时，每个企业的规模会相应的大，单一企业行业或者垄断是少有的极端事件。
市场分析的第二个关键因素和卖家的产品是完全相同的还是有区别的有关。
不论何时够没及在哪里购买消费者都不会对某一企业的产品有特殊的偏爱，而对另一企业的产品部感兴趣就认为商家的产品是完全一样的。
发生这种事可能是因为商品是由同一套给质量赋予一个确切的量化质量后进行分级的工序生产的而与商家无关。
举例来说，精选牛肉就是精选牛肉，说不出来（也无关紧要）它是产自牧场A还是牧场B。
如此而言同个产业里企业生产的产品趋向于完美替代品，例如棉花、硫磺酸、天然气、煤、水泥、和咖啡豆。
另一方面，如果一个企业的产品是唯一的或者有几分独特的，它们就不是其他产品的完美替代品，而购买者就有理由比起其它企业的产品更喜欢另一家企业的，然而最终的差异化取决于购买者的意愿，而且从众多企业中的产品中发掘的不同可能是真实存在的也可能是认为认定的，涵盖了外观、材料、设计、工艺和服务，这些明显都是产品差异化的重要方面，但是主观感受到的差异涵盖了品牌、商标、包装还有广告，这些对购买者而言也会很重要。
例如，尽管所有品牌的阿司匹林化学成分基本都一样，很多购买者显示出对某一品牌比其他的更热衷的趋向。
另外，应该认识到（就产品的效用而言）一个企业的产品不仅仅限于产品本身和功能上的那些特征。
尽管在一个地区里的很多零售商都卖佳洁士牙膏，但是佳洁士的购买者对他们的态度却不一定是相同的。
在某个电力的店员可能更有礼貌，或者店面位置更方面，或许结账系统更迅速或许配送服务更有弹性或许赊购条款或融通，这些因素可能导致购买者更偏爱某一家店铺，即使是企业的产品是一样的，众多品牌的鞋、酒、谷物、化妆品、头饰还有软饮料都是这种差异化产品的例子。
依据商家是“大量”还是“少量”，产品是相同还是有差异的，竞争在各自的轨道上进行着，从这个角度上看，总结出四条市场结构和组织的形式。
1．完全竞争——很多商家卖标准化的产品
2．垄断竞争——很多商家卖差异化的产品
3．寡头——少来那个商家生产出售相同或者差异商品
4．完全垄断——一个商家卖某种产品，产品无相近替代品
第二部分PART
2
MACROECONOMICS
第三章Outlays
and
Components
Demand支出和需求构成
在前面的部分，我们从国内生产总值开始并且提到到底有多少商品和服务会进入家庭。
在这一部分我们将通过探究谁买了产品而不是谁获得了收益来从另一角度看国民生产总值。
我们从细节上看一下产品需求，谈一下总商品和服务需求的构成。
国内产品的总需求由四部分组成：
1）家庭消费2）投资3）政府支出4）国外净需求。
现在我们来进一步分析每一部分。
消费
表2—1是根据需求构成不同编制的商品服务分类表。
表中的信息说明重要的需求构成是个人消费部分，它包括从食物到高尔夫课程的所有消费，同样包括我们将在投资部分讨论的耐用品消费，像汽车，这种消费可能会别看成是投资而不是个人消费。
政府
接下来我们重点介绍政府需求。
我们有这样一个项目叫做国防支出和由国家、当地政府及政府雇员出资铺成的路。
我们关注跟政府支出有关的确切数字，我们把政府消费当做政府需求，我们把转移支付和购买成为政府的支出。
联邦政府要求的6500亿美元的预算要参考联邦政府的支出，少于一半的政府支出用于购买。
投资
私人国家总投资要有个定义，首先，抛开这本书来看，投资意味着追加资本，我们用的术语投资并不包括在generalmotors购买一大堆股票，实际上投资包括房屋建造，机械类建造，商业类建造和追加公司存货。
消费和投资的区分很大程度上要依据传统，从经济的角度看建造一个花生油仓库和杂货店没有什么不同，然而在国家会计核算中，个人购买被看做个人消费支出，店铺的支出却算入投资项目中的投资支出。
尽管这些临界状态很明显的存在，我们可以应用一种简单的衡量方法来区分：
投资是跟商业部门有关系的追加资金，包括存货。
同样的问题也存在于家庭支出中，举个例子，我们该如何看待家庭支出中的汽车消费？
既然汽车通常可以用几年，那么把汽车消费看做投资看起来应该是合理的，然后我们把使用汽车的过程看做服务消费。
我们可以把它看做汽车拥有者考租赁业务获得的收入，然而人们习惯把家庭支出当做个人消费。
这其实并没有看起来那么糟糕，因为会计员会把家庭购买中的耐用品从其他购买消费中区分开来，像汽车和冷冻食品。
从细节上研究消费者的购买决策时对耐用品的消费支出通常是分开来研究的。
顺便提下，在表2—1中投资被定义为“总的”和“国内的”。
在这就未被扣除的前提下它是总的，净投资是总投资减去这就，因此国民生产净值等于净投资加上表2—1中的其他类表的支出。
术语“国内”指国内居民的投资消费而不是对这个国家商品的所有消费，花费在外国商品上的资金也是一种支出，类似的，个人消费和政府支出中也包括部分进口商品。
从另一方面讲，许多国内的产品也在国外出售。
净出口
表2—1中出现的术语“净出口”显示了我们消费国外产品和外国人对国内产品总需求的关系。
对我们生产的产品的总需求包括出口产品，也就是外国人对我们产品的需求，这不包括国人对非本国产品的消费，于是进出口之间的差额叫做净出口，是对我们的产品的需求的一部分。
这一论点可以用一个例子说明，假如个人消费部分不是花费了19920亿而是200多亿，GNP会怎么样？
如果我们假设政府支出和投资通表2—1中相同，我们会看到GNP会多于200亿，如果我们把这些资金花费在我们的商品上这种说法是对的，另一个极端是我们把这些资金花费在进口商品山个，这一前提下，在不影响国内生产总值的前提下个人消费会上升200亿并且净出口将会下降200亿。
第四章Macroeconomic
Policy宏观经济政策
政策制定者可以自由地运用两大类政策影响经济。
货币政策由联邦储备系统管理，其政策工具是调节货币储备，调节利率——贴现率——联邦储备系统借款给银行的利率和一些经由银行系统实施的控制。
财政政策由国会控制，通常通过政府行政机构发挥作用，它的政策工具是税率和政府支出。
宏观经济政策的核心问题之一就是货币与财政政策对宏观经济政策的影响难以充分预测，他们并不是在一定的时间和范围内来影响需求和供给的。
这两个不确定是平衡政策的核心问题。
平衡政策就是被计划用于缓和经济波动——尤其是经济增长率、通货膨胀率和失业比率波动的货币和财政政策。
最近的通货膨胀率和失业率的波动强烈地表明平衡政策还没有完全成功地在一定范围控制住通货膨胀和失业。
然而，政治经济的问题还涉及平衡政策的实施方式。
迅速实行平衡政策以试图消除失业率，将会产生增加通货膨胀的风险，这需要在经济发展和失误代价之间作出一个判断。
那些认为失业代价相对高于通货膨胀代价的比那些认为通货膨胀代价是主要的而失业是相对次要的不幸事件的人会冒更多的通货膨胀风险去降低失业率。
政治经济在很多方面影响平衡政策而不是仅仅通过具有不同政治观点的政策制定者花在通货膨胀和失业上的代价，以及他们在试图改变经济形势时愿意承担的风险。
还有所谓的政治景气循环，它是以对受经济条件影响的选举结果的观察为基础的。
当经济状况改善，失业率下降时，现任总统就可能再次竞选。
因此激励了再次竞选的政治决策者或想影响竞选结果的人，在竞选之前使用平衡政策来制造经济繁荣的景象。
平衡政策也被认为是反周期政策，也就是缓和经济周期的政策。
经济周期在过去20年中已经不成规律性了，平衡政策的实施实际上影响了经济周期的表现甚至其存在的方式。
成功的平衡政策会消除经济周期，而不成功的平衡政策可能使经济的波动恶化。
实际上，货币主义的信条之一就是经济的较大波动是政府行为的结果，而不是私营经济的内在不稳定性造成的。
第三部分PART
3
STATISTICAL
ANALYSIS
FOR
DECISION
MAKING
第五章Why
Sample为什么抽样
简述中，我们引入了在企业界决策过程中最重要的工具之一——调查。
尽管调查经常被轻视，但它提供了丰富的信息和巨大的帮助给从跨国公司的执行官到奥什科什·
威斯康星州的零售商中的每一个人。
或许，调查描述的杰出例子，就是运用抽样的方法作出的关于总体的推论。
但是为什么抽样？
为什么不把我们感兴趣的特别总体作为目标，然后做总体调查？
当然它会消除伴随样本推论而来的不可避免的不确定性。
案例
从1790年美国人口的统计数据每十年被收集和公布一次，大体上包含详细的增长数量。
十年一次的人口普查试图把每个人、每个家庭如此等等都算入到总体中。
它被视为全部人口的最完整普查。
可能因为人口普查是最大的统计调查，因而它能够非常好地说明收集统计数字时的问题和为什么抽样调查即使在这样的问题中仍可能是收集数据的最好方法。
我们看一下1980年的人口普查以及与试图统计人口总体当中的每一个人有关的问题，和因此得到实际的参数而不是估计值。
由于总体如此之大，在一些情形下，又是分散的，1980年的人口普查花费超过了十亿！
大量的调查工作在春天正式开始进行。
1980年3月28日，人口普查表格通过信件发出，我们看一看收集数据的系统所产生的问题。
首先，许多市民反映他们从来没有收到三月份邮寄的表格。
美国的邮政总局声称邮寄单满是错误。
例如，在曼彻哈顿，13%的人口普查表格由于邮政局的失误而不能邮递。
在寄出的表格中，大约有85%被填写并寄回。
由于人口普查试图计算所有的公民，所以超过30万的工人被征召，受雇佣去追查邮寄的表格并联系不在正常居住地的公民。
这里考虑一下所涉及的钱的花费。
我们知道，及时是一个关键因素。
不幸的是，1980年的人口普查遇到了法律方面的困难。
因而，不仅仅是宝贵时间的耽搁，而且我们可以想象由这些诉讼带来的对最终成本的影响。
然后，当然普查官员遇到了和任何普查相关的通常性问题。
总体的许多成员难以接近、找不到、或简单的不回答。
尽管法律对不给普查局提供所需信息的人罚款，据普查局主管报告，“很难统计不想被统计的人。
”他指出这些人包括非法的外国人、骗取福利的人、逃税者和其他觉得人口普查侵犯了他们隐私的人。
这个特殊类型的问题——不包含处理总体的部分——已经引起了各种各样的法律冲突。
例如，联邦法官支持底特律的观点，即居民的数量被低估了。
纽约市官员宣称1980年的人口普查漏掉了至少800000的市民。
在最近几年，大城市断言普查局因为统计市民的方法过时而漏掉了大量的黑人和美籍西班牙人。
到1980年9月，人口调查局面临着诸如纽约、费城、芝加哥和纽毕克（不包括底特律）这样的城市提起的诉讼。
据华尔街日报，所有的诉讼都指向1980年调查数据的再调整上。
因此，我们看到，即使是他们中最大的人口普查也存在着问题。
然后，我们应该检查一下与这些政府统计数据相关联的错误。
芝加哥大学国民意见研究中心主任说，也许（人口调查局）能够点人数，但是如果需要他们计数的人越多，那么对的可能性就越小。
我们看一些说明我们为什么抽样的其它例子。
每分钟的电视广告成本是由诸如一天中的哪个时间，一周中的哪天和看某个特定节目的大约观众数决定的。
在美国，大约98%的家庭拥有至少一台的电视机，那么，获得7500万个家庭的实际收看电视节目的居民数是不可想象的。
显而易见，总体是庞大的。
即使总数没那么多，花费也是令人望而却步的，而且用于收集和分析数据的时间将会使得到的结果和上周的报纸一样过时。
为了评估在给定的小型汽车中司机和乘客重伤或死亡的风险，汽车被以35英里每小时的速度开上一堵混凝土墙，通过电线连接在敏感性器械上的人体模型就提供了有关可能的影响结果的数据。
由于实验涉及机动车的损坏，如果全部总体用这种方式测得，那么汽车经销商的车就没有可用的。
政府代理商委托一个研究机构确定矿难的主要原因。
由于一些受难者可能被埋在成吨的尘土和污水下，全部总体就不可能得到。
或者，一所大学对它的毕业生收入和占有率感兴趣，由于各种理由，不可能统计总体的所有成员。
他们可能死亡，可能被关起来，或者因为他们有高的政治地位而不可接近或者其它各种理由。
因此，样本足够代表总体了。
我们试图说明有许多因素使抽样成为必要而不是试图去测量全部总体。
简而言之，抽样的理由如下：
1.节约。
统计数字越多、越不易收集，抽样得到统计数字的成本就越高。
然而，当总体的规模足够小的时候且容易得到，抽样与普查的成本差距是可以忽略不计的。
2.及时。
通常，样本收集、分析和报告数据比用普查做
出相似结果需要的时间更少。
如果调查是为了做及时的决定，抽样调查有截然不同的优势。
同时，如果总体规模足够小且容易调查，这个优势会被削弱，应该强调的是，推断性统计程序与普查数据无关。
3.破坏性。
当实验会毁坏或有害于调查对象时，除了抽样调查就别无选择了。
4.无限总体。
当总体是无限的，诸如由正在进行的生产过程引起的，由于普查的不可实施，就应该采取抽样调查。
5.准确。
矛盾的是，抽样调查可能比普查更准确，尤其是在调查需要从被调查者那儿获得更多信息的情形下时。
因为成本和时间因素，一个样本可能需要仔细调查，而统计数字却常常只需“是”与“否”的回答。
第六章Basic
Concepts
Hypothesis
Testing假设检验的基本概念
我们都知道，在做决定的时候我们通常必须要考虑不确定性因素。
我们从来都不能完全确定任何我们所作的决定都是正确的（除非是发生在事情之后——那已经太迟了）。
虽然直觉和预感常在管理决策中起作用，但是我们需要有一个更加客观的方式来降低这种不确定性。
不幸的是，正如我们所看到的，我们不可能完全清除不确定性。
尽管如此，我们可以去除一些猜测，用一种更加客观的方式做出决策。
在本章我们将检测一下假说检验在决策制定中的作用。
我们将制定规则，这些规则有助于我们在可替代物中作选择时，控制并将出错的机率最小化。
为了说明假设检验中的一些基本概念，我们来看一下这个例子：
自从随着1973年的赎罪日战争阿拉伯开始禁运石油，许多产品已经进入这样一种市场：
宣称将会极大地增加那些家庭里突然变糟的汽车的每加仑英里数。
一些产品使用添加剂与汽车用油相混合，而其它设置必须安装在油路中或直接连接汽化器。
所有人都宣称，在每英里耗油方面取得了重大提高。
毫无疑问，你肯定看过这样的广告，“让您的车在里程方面享受10%到40%的提升。
”这些声称是建立在什么基础上呢？
很不幸，它们只代表了“满意”的使用者的纪念品，并且通常是以信件的形式写给销售商。
我们知道这种类型的简单样本并不能代表总体（所有添加剂或装置的购买者）的利益。
此外，几乎没有消费者有能力或有积极性去实施检验这些声明的、必要的、客观的、系统的调查。
最后还有，顾客有一种强烈的心理趋势，使得他们为了平衡资金花费而去寻找这种提升。
幸运的是，许多政府和私人机构已经建立起来，用来专门评估这类声明。
我们跟随合理的方式和步骤来检验一下里程数的宣称。
首先，这个声明要么是真，要么是假，即添加剂会增加或减少里程数。
作为研究者我们要为这两个选择指定步骤，按正式的格式，这两个可选的可能性是：
1．添加剂对汽油里程数没有影响
2．添加剂对汽油里程数有影响
因为第一个选项通常是一个“无影响”假设，通常被叫
作虚无假设（H0）。
正如我们看到的，虚无假设也能具体说明利益的决定因素的一种特殊价值。
但是如惯常一样，它否定我们努力寻找去评估所付出的努力。
第二个假设，叫作备择假设（H1），它断言虚无假设是错误的。
注意这两个假设是相互排斥的而且是全面的，他们不能同时正确或错误，一个必定是正确的而另一个必定是错误的。
我们利用数据收集和统计步骤来选择二者之一。
但是，如果你仔细想一下，你就会意识到想要证明虚无即假设是多么困难，除非实行一次全面的人口普查，而这仅靠公路上的数百万辆汽车是行不通的，我们必须依靠从总体中抽取样本。
我们已经看到这些样本统计值分布在中心值附近，比如人口均值或人口比例。
实际上样本均值从来不等于总体均值，样本比例从来不等于总体比例。
除此之外，它们通常几乎每一个都不同于另一个，并且数量变化无常。
那这样的样本统计怎么能被用来说明没有差别？
一句话，它们不能。
然而，因为H0和H1是对立事件，否定H0，我们就能肯定H1,注意这个证明是间接的，我们通过否定H0来肯定H1，同样，统计证明是单向的，我们可能否定H0也同时可能肯定H0，但是不能否定H1来肯定H0。
总之，正如我们不能直接证明H1，我们也不能直接否定它。
举个例子，如果两个样本均值恰好相等，这并不能证明总体范围没有差别。
换句话说，我们不能证明它们来自同一个总体或两个均值相同的不同总体。
我们知道即使是从不同总体中抽取的样本偶尔也会相同，应当注意虚无假设和备择假设通常以总体范围而不是样本统计的形式界定的，尽管我们用样本统计来检验假设。
我们简单总结一下合理假设的重点。
首先，我们建立两个对立的假设：
1．虚无假设（H0）:
a.不能被证明，我们不能证明添加剂或装置不起作用
b.能够被否定，如果被排除，我们可以确定H1为真，我们可以通过否定这个假设，即添加剂和装置不起作用，来确定它起作用
2．备择假设（H1）:
a.不能直接被证明，我们不能直接证明添加剂或装置起作用
b.不能直接否定，我们不能直接不考虑添加剂或装置起作用的可能性
只有通过否定H0（b），我们才能肯定备择假设的“间接证据”。
但是我们如何否定H0？
概率论从这里引入。
首先，应当强调在假设检验中我们肯定虚无假设是真实分布。
如果在虚无假设下的一个样本统计分布中，一个特殊的结果将有很低的发生概率，那么这两种情况下的一种已经发生了。
也就是，虚无假设是真实的，那我们得到一个只有很小发生概率的结果。
或者虚无假设不是真实的，我们选择接受后一种情况，我们拒绝H0而选择H1。
我们如何定义低概率？
定义是据情况而定，而不是多变的。
一些学者愿意否定H0，当获得的统计数据在恰当的样本分布中发生的概率不高于5%的时候。
这个否定H0的标准经常以5%的显著性水平被提到，或者仅仅是5%或0.05水平。
这个否定标准用希腊字母α表示。
那么当我们使用0.05显著性水平的时候，α=0.05。
另外一些研究人员建立了一个更加严格的标准来否定H0，肯定H1，那就是0.01或1%显著性水平（α=0.01）。
只有在样本范围内所获得的统计数据发生概率不超过1%的时候研究者才愿意否定H0并肯定H1的间接证据。
这两个重要性水平最常用，尽管我们偶尔也会遇见一些其他的标准，例如0.10或0.001。
显著性水平的设定不仅仅是不同研究者或不同统计数据之间的事。
选择必须要与两种类型的错误的结果有关系——错误地否定了一个真实的H0或没能排除一个错误的H0。
相同的研究者在不同实验中也可能使用不同的显著性水平。
注意统计证明完全没有绝对证明的意思。
如果我们的检验允许我们否定虚无假设，即添加剂或装置不起作用，我们没有证明所有的关于它起作用的合理疑问。
正如我们反复强调的，统计分析和概率论有助于我们减少不确定性。
它们不能消除不确定性。
事实上，统计推断的分析方式表明有两种类型的错误我们可能会犯：
1.我们可能在虚无假设为真的时候而否定它。
从而,就可能错误地否定了H0，即添加剂和装置不起作用，同时肯定H1，即添加剂和装置起作用，这样错误的否定H0的错误称为第Ⅰ类错误或α错误，这类错误的可能性用α表示。
因此，如果α=0.05，我们将有5%的可能错误地拒绝一个真实的假设。
从而，我们声称的对已改变状况所引起的影响的证明会在100次里错5次。
有些人可能认为错误的机率太高了，这就是为什么一些调查者用α=0.01或更小的值，他们对添加剂或装置可能不发生作用的有作用声称更保守。
2.第二类错误中，我们没否定H0在它确实错误的时候。
这类错误称为第Ⅱ类错误或β错误。
当装置或添加剂确实起了作用，我们没否定H0，即在它们有作用时没声明作用。
注意，我们没声称已经证明了H0而仅仅是说没否定它。
我们不应该低估第Ⅱ类错误，许多有希望的研究思路因为初步调查结果不受鼓励就毫无疑问地被草率放弃了。
理想的状况是一种由两种类型的错误导致的平衡。
在这种理想状况下，我们应当能够提前明确犯第Ⅰ错误和第Ⅱ类错误的概率。
正如我们所见，我们可以依据使用的α值来判定一个第Ⅰ类错误发生的概率。
第Ⅱ类错误发生的概率用β表示。
我们如何来计算这个概率？
只有当H0是错误的并且我们知道真实数值在H1中的范围时，我们才能定义β。
因为这种情况很少见，所以很难计算这个概率。
然而，有可行步
升级会员 