计量经济学slj5.ppt

Review 协方差与相关系数 矩与中心矩：偏度与峰度 次序统计量：最小值，最大值，中位数，分位数 习题：5-1，5-2，5-4 （1），5-5，5-7 Matlab计算均值，方差程序 clear %randomly generating 1 colon bino distribution n=100; r=binornd(1,0.5,[n,1]); %plot plot(r), %expected return m=mean(r), %variance v=var(r), %standard deviation s=std(r), Matlab计算协方差,相关系数程序 clear %randomly generating 3 colons standard normal distribution a=randn(1000,3); %covariance v=cov(a), %correlation coeficient p=corrcoef(a) 第三节 抽样分布 从正态分布导出的几个重要分布 ?2-分布：Hermert和K.Pearson分别于1875年和1900年导出。 t-分布：W.S.Gosset于1908年以“student”为笔名的论文中首次提出，因此又称为学生氏分布。（Guiness） F-分布：是以统计学家R.A.Fishes姓氏的第一个字母命名的。 ?2-分布 定理：设随机变量X1,…,Xn相互独立，且Xi ~N(0,1)，则随机变量 伽玛函数（gamma(A)） t-分布 定理：若随机变量X~N(0,1)，Y~?2(n) ，且X与Y相互独立，则随机变量 F-分布 定理：若随机变量X~ ?2(m)，Y~?2(n) ，且X与Y相互独立，则随机变量 抽样分布定理 引理：设X1,…,Xn为n个相互独立的标准正态变量，常数矩阵为正交矩阵，且 单个样本均值的分布(已知总体方差) 定理：设(X1,…,Xn)为来自总体的样本，X~N(?,?2)，则 J·格兰威尔能选择买卖时机吗？ 背景：格兰威尔可能是引起投资界感兴趣的最为投机的市场预测专家。3年多以来，他一直非常成功地预测了股市走向，他的名望是如此之高，以至他的一举一动备受金融煤体如《华尔街时报》等的极大关注。 研究：贝塞尔等（1982）在文章《J·格兰威尔能选择买卖时机吗？》中检验了格兰威尔的预测功力。 格兰威尔预测能力与随机游走预测的比较 检验方法 结论：市场上升的几率是51.7%，格兰威尔预测上升行情的成功率为57%，51.7%与57%之差异在统计上是高度显著的，这意味着格兰威尔在预测上的确是成功的。这一证据当然与市场的半强式高效的假设相违。 显然，市场可能是半强式低效的，但仍以半强式有效来运做。如果允许交易费用，那么他的策略并不胜于“买入持有策略”。 例题 设（X1,…,X10）和（Y1,…,Y20）分别为来自正态总体N(0, 1)和N(1, 4)的两个相互独立样本, 求两样本均值之差大于1的概率。 定理：设(X1,…,Xn)为来自总体X的样本，X~N(?,?2)，则 例题 设（X1,…,X10）为来自正态总体N(1, 4)的独立样本, 求样本方差Sn2大于1的概率。 * 抽样分布：确定统计量的分布。 密度函数 服从自由度为n的?2-分布，记为X~ ?2(n)。 注: 当n趋于无穷, ?2(n)趋于正态分布. chi2pdf(X,V) chi2cdf(X,V) 密度函数 服从自由度为n的t-分布。记为：X~t(n)。 注：当n趋于无穷大时，t(n)分布收敛于标准正态分布。 tpdf(X,V) tcdf(X,V) 密度函数 则称随机变量X服从第一自由度（分子自由度）为m，第二自由度（分母自由度）为n的F-分布。记为X~ F(m,n)。 fpdf(X,V1,V2) fcdf(X,V1,V2) 则随机变量Y1,…,Yn相互独立且都服从标准正态分布。 推论：随机变量 时期：1978.4.12~1981.10.12 道*琼斯指数 格兰威尔的上升天数 总天数 市场上升天数 市场下跌天数 719 446 372（51.7%） 347（48.3%） 254（57.0%） 191（43.0%） 两个独立样本均值之差的分布(已知两个总体方差) 1-normcdf(3.6515) 推论： 单个样本方差的分布(已知总体方差) 1-chi2cdf(2.25, 9) *