🌐 [translation-sync] Repoint the hansen_singleton pair at QuantEcon/data-lectures (wave B2')

.translate/state/hansen_singleton_1982.md.yml

@@ -1,6 +1,6 @@
-source-sha: 4ab3365729d5afd5f25c62d73c505034e090a75c
-synced-at: "2026-07-22"
-model: claude-opus-4-8
-mode: NEW
+source-sha: a501f03230eed210adb9a8984842695dddd82018
+synced-at: "2026-08-13"
+model: claude-sonnet-5
+mode: UPDATE
 section-count: 7
-tool-version: 0.20.0
+tool-version: 0.25.0

.translate/state/hansen_singleton_1983.md.yml

@@ -1,6 +1,6 @@
-source-sha: 25044edf163f6ffb3e4647f80e3c738671f8d8ea
-synced-at: "2026-07-31"
+source-sha: a501f03230eed210adb9a8984842695dddd82018
+synced-at: "2026-08-13"
 model: claude-sonnet-5
 mode: UPDATE
 section-count: 12
-tool-version: 0.24.0
+tool-version: 0.25.0

lectures/hansen_singleton_1982.md

@@ -115,7 +115,6 @@ def display_table(df, title=None, fmt=None):
     display(Latex("$" + latex + "$"))
 ```
 
-
 ## 经济模型
 
 我们考虑一个单一商品经济，其中有一个代表性消费者，其偏好是 CRRA 类型的，遵循 {cite:t}`hansen1982generalized` 和 {cite:t}`hansen1983stochastic`。
@@ -745,7 +744,6 @@ def run_two_step_by_lag(
     return pd.DataFrame(rows).set_index("NLAG")
 ```
 
-
 ### 模拟
 
 在将估计量应用于真实数据之前，我们验证 GMM 能从模拟数据中恢复已知参数。
@@ -1000,28 +998,24 @@ $\hat\gamma$ 和 $\hat\beta$ 都以其真实值为中心，$J$ 直方图跟踪
 
 本讲和配套讲座 {doc}`hansen_singleton_1983` 使用相同的数据构建。
 
-下面的隐藏单元格加载了一个供应的月度数据集，包含总实际回报和总消费增长。这些数据由维护脚本 [`_static/lecture_specific/hansen_singleton_1982/make_data.py`](https://github.com/QuantEcon/lecture-python.myst/blob/main/lectures/_static/lecture_specific/hansen_singleton_1982/make_data.py) 从 [FRED](https://fred.stlouisfed.org/) 和 [Ken French](https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html) 数据库构建，并在此直接从 GitHub 读取。
+下面的隐藏单元格从 [QuantEcon/data-lectures](https://github.com/QuantEcon/data-lectures) 加载了一个月度数据集，包含总实际回报和总消费增长。这些数据由维护脚本 [`builders/hansen_singleton_1982_data.py`](https://github.com/QuantEcon/data-lectures/blob/main/builders/hansen_singleton_1982_data.py) 从 [FRED](https://fred.stlouisfed.org/) 和 [Ken French](https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html) 数据库构建，并在此直接从 GitHub 读取。
 
 ```{code-cell} ipython3
 :tags: [hide-cell]
 
-DATA_URL = (
-    "https://github.com/QuantEcon/lecture-python.myst/raw/refs/heads/main/"
-    "lectures/_static/lecture_specific/hansen_singleton_1982/"
-    "hansen_singleton_1982_data.csv"
-)
+DATA_URL = "https://github.com/QuantEcon/data-lectures/raw/main/lectures/hansen_singleton_1982_data.csv"
 
-# 一次性读取供应的快照；load_hs_monthly_data 只对其切片。
+# 一次性获取快照；load_hs_monthly_data 只对其切片。
 _data = pd.read_csv(DATA_URL, index_col=0, parse_dates=True)
 
 
 def load_hs_monthly_data(start="1959-02-01", end="1978-12-01"):
     """
     加载月度总实际回报和总消费增长序列。
 
-    数据是由维护脚本
-    ``_static/lecture_specific/hansen_singleton_1982/make_data.py`` 构建的
-    供应快照，该脚本从 FRED 和 Ken French 数据库构建它们。
+    数据是由 QuantEcon/data-lectures 中的维护脚本
+    ``builders/hansen_singleton_1982_data.py`` 构建的快照，
+    该脚本从 FRED 和 Ken French 数据库构建它们。
     """
     start = pd.Timestamp(start).to_period("M").to_timestamp("M")
     end = pd.Timestamp(end).to_period("M").to_timestamp("M")
@@ -1138,4 +1132,4 @@ GMM 估计量只需要欧拉方程隐含的正交条件和一组条件变量。
 因此，GMM 提供了一种估计某些感兴趣对象的方法，而无需估计 {cite:t}`hansen1983stochastic` 在其消费增长和回报的对数线性模型中估计的所有参数。
 
   * 如果 {cite:t}`hansen1983stochastic` 的完整模型被正确指定，那么他们的最大似然估计量有望比本讲中描述的 GMM 估计量更有效率。
-  * 估计*某物*而非估计*一切*的主题贯穿了 Lars Peter Hansen 的大部分工作。参见 {cite:t}`hansen2014nobel`
+  * 估计*某物*而非估计*一切*的主题贯穿了 Lars Peter Hansen 的大部分工作。参见 {cite:t}`hansen2014nobel`

lectures/hansen_singleton_1983.md

@@ -1436,18 +1436,14 @@ display_table(spread_pretty, fmt={
 
 消费序列由非耐用品消费（`ND`）与非耐用品平减指数构造而成。
 
-下面的隐藏单元格加载了一个封装好的月度回报和消费序列数据集。这些数据由位于 [`_static/lecture_specific/hansen_singleton_1983/make_data.py`](https://github.com/QuantEcon/lecture-python.myst/blob/main/lectures/_static/lecture_specific/hansen_singleton_1983/make_data.py) 的维护脚本从 [FRED](https://fred.stlouisfed.org/) 和 [Ken French](https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html) 数据库构建而成，并在此直接从 GitHub 读取。
+下面的隐藏单元格从 [QuantEcon/data-lectures](https://github.com/QuantEcon/data-lectures) 加载月度回报和消费序列数据集。这些数据由位于 [`builders/hansen_singleton_1983_data.py`](https://github.com/QuantEcon/data-lectures/blob/main/builders/hansen_singleton_1983_data.py) 的维护脚本从 [FRED](https://fred.stlouisfed.org/) 和 [Ken French](https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html) 数据库构建而成，并在此直接从 GitHub 读取。
 
 ```{code-cell} ipython3
 :tags: [hide-cell]
 
-DATA_URL = (
-    "https://github.com/QuantEcon/lecture-python.myst/raw/refs/heads/main/"
-    "lectures/_static/lecture_specific/hansen_singleton_1983/"
-    "hansen_singleton_1983_data.csv"
-)
+DATA_URL = "https://github.com/QuantEcon/data-lectures/raw/main/lectures/hansen_singleton_1983_data.csv"
 
-# 读取一次封装的快照；load_hs_monthly_data 只是对它进行切片。
+# 获取一次快照；load_hs_monthly_data 只是对它进行切片。
 _data = pd.read_csv(DATA_URL, index_col=0, parse_dates=True)
 
 
@@ -1457,8 +1453,8 @@ def load_hs_monthly_data(start="1959-02-01", end="1978-12-01"):
     总消费增长、总消费通胀、人均实际
     消费和总实际国库券回报。
 
-    这些数据是由位于
-    ``_static/lecture_specific/hansen_singleton_1983/make_data.py`` 的维护脚本构建的封装快照，
+    这些数据是由 QuantEcon/data-lectures 中位于
+    ``builders/hansen_singleton_1983_data.py`` 的维护脚本构建的快照，
     该脚本从 FRED 和 Ken French 数据库构建它们。
     """
     start = pd.Timestamp(start).to_period("M").to_timestamp("M")