第九部分应用于序列和组的统计图课程.pptVIP

* * 第九章 应用于序列和组的统计图 EViews提供了几种对数据进行初步分析的方法。在第七章我们已列出了几种图来描述序列分布特征。在本章，列出了几种散点图且允许我们可以用有参数或无参数过程来做拟合曲线图。 这些图包含着复杂计算和大量的特殊操作，这些将在下面详细论述。对某些完全技术性的介绍，你不必掌握所有细节。EViews中设置的缺省值除了对极特殊的分析外，对一般分析而言是足够的用的。直接点击ok键接受缺省设置，就可以轻松的展现出每个图。 §9.1 序列分布图 本节列出了三种描述序列经验分布特征的图。 §9.1.1 CDF—Survivor—Quantile图 这个图描绘出带有加或减两个标准误差带的经验累积分布函数，残存函数和分位数函数。在序列菜单中或组菜单中选择View /Distribution/ CDF—Survivor—Quantile…时（组菜单的Multiple Graphs中） ，就会出现右面的对话框： 其中，Cumulative Distribution(累积分布)操作用来描绘序列的经验累积函数（CDF）。CDF是序列中观测值不超过指定值r的概率 Surivor(残存)操作用来描绘序列的经验残存函数 Quantile(分位数)操作用来描绘序列的经验分位数。对 的分位数 满足下式： ，且 分位数函数是CDF的反函数，可以通过调换CDF的横纵坐标轴得到。 All选项包括CDF，Survivor和Quantile函数。 Saved matrix name可以允许把结果保存在一个矩阵内。 Include standard errors(包括标准误差)操作标绘接近95%的置信区间的经验分布函数。 Options键提供了几种计算经验CDF的方法： 给定N个观测值，针对r的(CDF)被估计为： （1）Rankit(缺省) （2）Ordinary （3）Van der Waerden （4）Blom （5）Tukey 这几种方法的不同之处在于它们如何调整针对CDF计算的非连续性，这种区别将随样本数的增加而变得微不足道。 §9.1.2 Quantile—Quantile图 Quantile—Quantile ( QQ图)对于比较两个分布是一种简单但重要的工具。这个图标绘出一个被选序列的分位数分布相对于另一个序列的分位数分布或一个理论分布的异同。如果这两个分布是相同的，则QQ图将在一条直线上。如果QQ图不在一条直线上,则这两个分布是不同的。 当选择View/Distribution Graphs/Quantile-Quantile….下面的QQ Plot对话框会出现: 可以选与如下的理论分布的分位数相比较: Normal(正态)分布：钟形并且对称的分布. Uniform(一致)分布：矩形密度函数分布. Exponential(指数)分布：联合指数分布是一个有着一条长右尾的正态分布. Logistic(逻辑)分布：除比正态分布有更长的尾外是一种近似于正态的对称分布. Extreme value(极值)分布：I型极小值分布是有一条左长尾的负偏分布,它非常近似于对数正态分布. 可以在工作文件中选择一些序列来与这些典型序列的分位数相比较，也可以在编辑框中键入序列或组的名称来选择对照的序列或组，EViews将针对列出的每个序列计算出QQ图。 Options钮提供计算经验分位数函数的几种方法。这与上面在CDF-Survivor-Quantile中相一致，除非样本非常小，几种方法的区别将随样本数的增加而变得微不足道。 §9.1.3 Kernel Density（核密度） 这个视图标绘出序列分布的核密度估计。一个序列的分布的最简单非参数密度估计是直方图。你通过选View/Desctriptive Statistics/Histogram and Stats可以得到直方图，直方图对原点的选择比较敏感并且是不连续的。 核密度估计用“冲击”代替了直方图中的“框”，所以它是平滑的。平滑是通过给远离被估计的点的观测值以小的权重来达到的。 一个序列X在点x的核密度估计是靠下式： 这里，N是观测值的数目，h是带宽（或平滑参数），K是合并为一体的核函数。 当你选View/Distribution Graphs/Kernel Densi