第2讲序列的描述性统计和假设检验.ppt

第二讲 序列的描述性统计和假设检验; 单击“view”可看到菜单分为四个区，第一部分为序列显示形式，第二和第三部分提供数据统计方法，第四部分是转换选项和标签。 ; 也就是分别用电子表/统计图、统计量来描述该序列的数据，其中注意利用菜单“graph/bar”与“Descriptive Statistics/Histogram and stats”制作图形的区别。;一、描述统计量 ;; Jarque-Bera 检验 检验序列是否服从正态分布。统计量计算公式如下 ;二、 均值、中位数、方差的假设检验;表中的Probability值是概率值。在双边假设下，如果这个值小于检验设定的显著水平（如0.05），则拒绝原假设。该例中拒绝原假设。;三、分布函数 ; 1. CDF—Survivor—Quantile图 ; 其中，Cumulative Distribution(累积分布) 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 ：; Quantile(分位数) 操作用来描绘序列的经验分位数。对 0 ? q ? 1, X 的分位数 x(q) 满足下式： ;2. Quantile—Quantile图 ;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(均匀)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作出QQ图。 ; 下图是GDP增长率和指数分布的Q-Q图： ; 3. Kernel Density（核密度） ; 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 的核密度估计为： ; 当选View/Distribution Graphs/Kernel Density……会出现下面的核密度对话框： ;一、组对象的创建 组对象是序列或者表达式的集合，组对象并不包含实际的序列数据，而只是包括对序列数据的引用。 例如，有一个名为Group1 的组对象，包含序列ser1 、ser2 和ser3，Group1 中只是包含对ser1 、ser2 和ser3 的引用指针，实际数据保存在序列ser1、ser2 和ser3 中。;创建组对象的操作方法为： Objects/New Object 在打开对话框的Type of Object（对象类型）中选择Group，在Name for Object（对象名称）键入组对象名称，单击[OK]按钮，即创建了组对象;创建组对象的命令为： group 组对象名 或： group 组对象名 序列或表达式列表 例如： (1)group group1(在命令窗口）创建一个名为group1 的空组对象； (2)group group1 GDP CS创建包含序列GDP CS的组对象group1 ； (3)group group2 GDP GDP/CS创建一个包括序列GDP 和GDP与CS相除的组对象group2;二、多序列的描述性统计和假设检验;在打开XY组成的组对象后进行如下的操作： View / tests of Equality; 结论： t＝0.87,相伴概率0.3865，大于0.05，说明检验结果是接受H0;2、多个总体均值的差异性检验---  单因素方差分析;点transpose按钮，可以变换表格形式;View-tests of equality,选择均值;结论： 相伴概率 等于0.0279 小于0.05的 显著性水平 拒绝原假设;3、相关及协方差矩阵（Correlation/Covariance）;计算相关及协方差时，有两种选择数据方式： 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。 ; 4、相关图与交叉相关（ Correlogram and Cross correlation ） 相关图（ Cor