计量经济分析方法与建模课件2007版第01章序列的统计量、检验和分布幻灯片.ppt

* Robustness lterations(稳健叠代) 最小二乘法对一些无关观测值的存在非常敏感，稳健叠代操作就是产生一种对残差平方的加权形式，使无关的观测值在估计参数时被加最小的权数。 这里xi , yi 是变形后的序列，权值 r 通过下式得到： 其中: ei ? yi – a –bxi ，m是|ei| 的中间数，大的残差的观测值给一个小权数。选择叠代次数应是一个整数。 * 3. Scatter with Nearest Neighber Fit(最邻近拟合散点图) 这是一种带宽基于最邻近点的局部回归。简而言之，对样本中的每一数据点，它拟合出一条局部的并经加权的回归线。局部是说只用邻近点也就是样本的子集来一步步回归，加权是说邻近点越远给越小的权数。当选择后，会出现如下的对话框： * 因为要靠子样本点周围的点来进行局部回归，并来求拟合值，因此specification操作就是确定选择识别周围进行回归的观测值的规则。 ① Bandwidth span（带宽范围） 用来决定在局部回归中应包括哪些观测值，可以选取在0，1之间的一个数 ? 。 ② Polynomial degree(多项式次数) 选择多项式的次数来拟合每一局部回归。 ( 1) Specification （说明操作） * (2) Method 操作 可以选择在样本中的每一个数据点作局部回归或在数据点的子集中作局部回归。 ·Exact(full sample) 在样本中的每一数据点都作局部回归 ·Cleveland subsampling 在选取的子样本中进行回归，可以在编辑框中键入子样本的大小。 * 工作文件1_5.wf1中的居民消费和GDP的最邻近点拟合的散点图 * 4. Scatter with Kernel Fit（核拟合分布） 这也是一种局部回归拟合，不过是无参数的。另外与最邻近回归拟合相比，区别主要体现在局部带宽的选取上。最邻近拟合的有效带宽可以有很多种，而核拟合则固定带宽且局部的观测值通过核函数来加权。 局部核回归拟合通过选取参数 ? 使加权残差平方和最小。 N是观测值的个数，h是带宽（或光滑参数），K是核函数。 注意：对于不同的 x，? 的估计值不同。 * 打开Scatter with kernel fit，出现下面的对话框： Regression用来指定局部回归的形式，指定多项式的阶数k。Nadaraya-Watson操作设置k=0。 Local linear操作设置k=1。对于高阶多项式，应使用 Local polynomial 操作，可在下面编辑框中输入k的值。 * 工作文件1_5.wf1中的居民消费和GDP的核拟合的散点图 使用 Local polynomial 操作，k=2。 * Kernel用来定义核函数，这里的核函数用来在每个局部回归中给观测值加权，对核函数的操作前面已经介绍过。核心函数如下： Epanechnikov(default) Triangular Uniform(Rectangular) Normal(Gaussian) Biweight(Quartic) Triweight Cosinus 在这里 I 是指示器，1表示真，2表示假。带宽 h 决定每个局部回归的观测值的权数。越大越平滑。 * §1.4 相关矩阵及协方差矩阵 在组中可以显示了组中各序列的相关矩阵及协方差矩阵。Common Sample使任何缺数据的序列都被排除在相关及协方差计算之外。 Pairwise Samples用相关序列的所有无丢失观察值计算。此方法使用样本的最大数,但可能导致不确定矩阵。 * §1.5 交叉相关 交叉相关（Cross correlation and Correligrams） 显示组中头两个序列的交叉相关。序列 X 与 Y 的交叉相关的计算公式如下： 注意与自相关不同，交叉相关不必围绕滞后期对称。交叉相关图中的虚线是二倍的标准差，近似计算。 * 居民消费（CS）和GDP的交叉相关系数 * 第一章 序列的统计量、检验和分布 EViews提供序列的各种统计图、统计方法及过程。当用前述的方法向工作