计量经济学 第一章new.ppt

显著性检验法 拒绝域（region of rejection） 拒绝原假设的检验统计量的值域（取值范围）称为拒绝域；拒绝域的边界点称为临界值（critical value） 1.96 -1.96 0 2.5% 2.5% 2.57 -2.57 0.5% 0.5% 显著性检验法 实例： 显著性检验法 双尾检验（two-tailed test） 单尾检验（ one-tailed test） 显著性检验法 p值/精确显著性水平(p value or exact level of significance) 谢谢您的专注！ （10）t分布 或者： n=120 n=5 n=20 该分布的性质 （11）F分布 F分布（F distribution） F(2,2) F(10,2) F(50,50) F分布常用于比较两总体是否同方差。 有关分布的几个重要定理 定理1:设 为正态且独立分布的随机变量 则对于不全为零的常数ki，总和 也是正态分布，且均值 方差为 简言之，一些正态变量的线性组合本身是正态分布 定理2:若 为正态分布但非独立的，则总和 也是正态分布，且均值仍为 方差为 定理3:设 为正态且独立分布的随机变量 简言之，独立标准正态变量的平方和遵循自由度等于该总和所含项数的卡方分布 遵循自由度为k的学生氏t分布。 是自由度为k1和k2的F分布。 定理7：t分布变量的平方服从分子自由度为1，分母自由度为k的F分布，即： 若分母自由度充分大(技术上说，无限大)，则F值的m倍，等于自由度为m的χ2分布值。 参数估计与假设检验 参数估计（parameter estimation） 点估计 区间估计 假设检验（hypothesis testing） 置信区间法 显著性检验法 矩估计法（method of moment） 用样本矩作为相应总体矩的估计量，并用样本矩的连续函数作为总体矩连续函数的估计量。通过这种方法得到的估计量称为矩估计量。例如： 极大似然法（method of maximum likelihood） 点估计 极大似然法：实例 点估计的渐进正态性（asymptotic normality） 当样本容量无限增大时估计量趋向于正态分布 中心极限定理（central limit theorem, CLT） 定理一（独立同分布的中心极限定理）：当样本容量无限增大时，任何总体的随机样本的均值趋近于正态分布。 中心极限定理 定理二：李雅普诺夫（Liapunov）定理 区间估计 对于一个未知参数，除了估计其近似值（点估计）外，还希望知道这个值的精确程度，从而引出区间估计（interval estimation）问题 置信区间（confidence interval） 区间估计 正态总体均值的区间估计：总体方差已知 实例：总体方差已知时正态总体均值的区间估计 正态总体均值的区间估计：总体方差未知 2.131 假设检验 假设检验（hypothesis testing） 在总体的PDF未知或某些参数未知的情况下，对总体的分布或参数提出某些假设，然后根据样本对提出的假设作出是拒绝还是接受的判断。实例： Bush和Kerry竞选总统，Bush获得42%的选票而Kerry获得58%的选票。Bush怀疑大选中有作弊行为，雇佣一个咨询机构随机抽取100个选民调查其选举意愿，发现有53人支持他，47人支持Kerry。由此Bush提出两个假设： H0(虚拟假设/原假设，null hypothesis)：v=0.42 （没有作弊） H1(对立假设/备择假设，alternative hypothesis)：v0.42（有作弊） 第Ⅰ类错误（type Ⅰ error） 拒绝了一个真实的虚拟假设 第Ⅱ 类错误（type Ⅱ error） 没有拒绝一个错误的虚拟假设 理论上我们希望犯两类错误的概率都尽可能小，但事实上不可能同时最小化两类错误。为此，我们首先考虑减少犯第Ⅰ类错误的概率，并规定了一个可容忍的犯第Ⅰ类错误的概率 （譬如0.05, 0.01），称为显著性水平（level of significance）。 在选定了显著性水平之后，再考虑把犯第Ⅱ 类错误的概率( )减到最小。并把不犯第Ⅱ 类错误的概率 称为检验的功效（power of the test）。但一般来说我们不考虑检验的功效。 真实情况 H0真 H0假 检验结果 拒绝 Ⅰ类错误 无错 不拒绝 无错 Ⅱ类错误 讨论α与β之间的关系 对于给定样本，如果我们要减少第Ⅰ类错误，第Ⅱ类错误就要增加；反之亦然。 即如果我们企图减少拒绝真实假设的概率，我们就同时增加了接受错误假设的概率。 如果错误的拒绝一个其实是真实的虚拟假设（第Ⅰ类错误）的代价，