第08章 对数极大似然估计课件精品.ppt

（2）方程顺序（ @byeqn ） 可以改变计算的顺序，这样EViews就可以用方程顺序来计算模型，先用所有的观测值来计算第一个赋值语句，然后用所有的观测值计算第二个赋值语句，如此往复，对说明中每一个赋值语句都用同样方式进行计算。这是用中间序列的总量统计作为后面计算的输入的模型的正确顺序。 可以通过在说明中加入一条语句来声明所选择的计算方法。要用方程顺序来计算，仅加一行关键字“@byeqn”。要用样本顺序来计算，可以用关键字“@byobs”。如果没有给出关键字，那么系统默认为“@byobs”。 例8.1 一元线性回归方程的极大似然估计 以例3.1的消费函数作为例子，分析普通回归方程的极大似然估计方法。消费函数的被解释变量cs为实际居民消费，解释变量为实际可支配收入inc，变量均为剔除了价格因素的实际年度数据，样本区间为1978～2006年。那么凯恩斯消费函数的方程形式就可以写成： (8.2.5) 其中：ut服从标准正态分布，cs = CS/CPI，inc = YD / CPI ， CPI 代表1978年为1的居民消费价格指数，? 代表自发消费，? 代表边际消费倾向，则参数向量为?=(?，?，?u2)，观测值个数T =29。 利用前面的式(8.2.2)，我们可以写出这个方程的对数极大似然函数 (8.2.6) (8.2.6)式中zt = (cst-? -?×inct) / ?u。 利用极大似然方法求解，作为@byobs语句的一个例子，考虑下面的说明： EViews用观测值顺序来计算模型，此种方式是先用第一个观测值来计算所有的赋值语句，接下来是用第二个观测值来计算所有的赋值语句，如此往复，直到估计样本中所有观测值都使用过。本例将方差作为未知参数c(3)，一起求解。 进行极大似然求解之后，得到? 和? 的估计值: c(3)是方差的估计结果。这个结果与最小二乘法得到的结果完全相同。 作为@byeqn语句的一个例子，考虑下面的说明： 进行极大似然求解之后，得到? 和? 的估计值: 例8.4 具有异方差的一元线性回归模型的极大似然估计 根据第4章例4.1，各省人均家庭交通及通讯支出(cum)和可支配收入(in)的关系，样本个数为30，考虑如下具有异方差性的方程： (8.2.40) 为消除方程中的异方差，利用加权最小二乘法求解，设 êt = cumt – ?0 – ?1 ?int ，w=1/|ê| ，可以写出式(8.2.40)的对数极大似然函数 (8.2.41) 它的未知参数向量为? = (?0, ?1)?。 也可用同样的处理方法利用极大似然方法求解，作为@byeqn语句的一个例子，考虑下面的说明： 这个说明通过利用残差res建立加权向量w=1/abs(res)来完成一个加权最小二乘回归。res的赋值语句计算了在每次计算时的残差，而这被用做构造权重序列。@byeqn语句指示EViews在一个给定的迭代过程中，必须先算出所有的残差res，然后再计算残差的加权向量w。本例方差用样本方差替代，也可将方差作为未知参数c(3)，一起求解。 利用极大似然方法估计出未知参数 后，写出方程为： (-392.6) (225.5) §8.1.4 极大似然估计量的计算方法 极大似然估计量的计算方法有许多种，有解析方法，也有数值解法。设? = (?1, ?2, …, ?n )是待求的未知参数向量，如例8.1中? = (?, ?, ? 2) , 异方差例子中? = (? , ? 2, ? )。首先求极大似然估计的迭代公式。为求极大似然估计，需要求解 (8.1.13) 设 是超参数向量的精确值，采用Taylor展开式，取一次近似，并设 表示参数空间上的任意一点，则可将 ?lnL(y;?)/?? 表示成 (8.1.14) 令其为0，可得 (8.1.15) 于是得到迭代公式 (8.1.16) 求?(l) ( l = 1