第9章应用于序列和组的统计图.pptVIP

第九章 应用于序列和组的统计图 ;§9.1 序列分布图 ; 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： ; Options键提供了几种计算经验CDF的方法： ;§9.1.2 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(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） ; 当你选View/Distribution Graphs/Kernel Density……会出现下面的核密度对话框： ; 1、Kernel(核) 核函数是一个加权函数，它决定冲击的形状。Eviews针对核函数K提供如下操作: ; 2、Bandwidth（带宽） 带宽h控制密度估计的平滑程度；带宽越大，估计越平滑。带宽的选取在密度估计中非常重要，Silverman操作（缺省设置）是一种基于数据的自动带宽， ; Number Points（点数） 为估计密度函数，必须给出点数M，缺省设置M=100点。设最大最小值为XUXL，在M个等间距点中估计出 ;§9.2 带有拟合线的散点图 ; 下面是针对二元拟合的序列变换： ; Robustness lterations(稳健叠代) ;§9.2.3 Scatter with Nearest Neighber Fit(最邻近拟合散点图);1．Method 操作 ; 2．Specification （说明操作） ; 3．其他操作 ; （2）Robustness Iterations(稳健叠代) 通过调整权数去降低远离的观测值的权重来叠代局部回归。最初的拟合用权数wi , 若你选择了Local weighting 则wi为3次，否则为1。来自最初拟合的残差ei，被用来计算权数ri，在第二次叠代中，局部拟合??权数wiri。我们重复这个过程直到我们选定的叠代次数，在每次叠代里，稳健权数ri都通过来自上次叠代的残差来重新计算。 （3）Symmetric Neighbors（对称邻近） 使被估计点的两侧有相同数目的观测值。可以在Fitted series（拟合序列）框中键入一名称来储存拟合值为一序列。如果你选择了Bracket bandwidth span，那么Eviews将给三个序列在你定的名称后自动分别加上L，M，N并把它们存起来，它们的带宽分别为0.5α，α和1.5α。 ; §9.2.4 Scatter with Kernel Fit（核拟合分布） ; 打开Scatter with kernel fit，出现下面的对话框： ; Kernel用来定义核函数，这里的核函数用来在每个局部回归中给观测值加权，对核函数的操作前面已经介绍过。核心函数如下： ; Bandwidth在这里，Eviews自动设立带宽 ， 是X的范围。也可以点击User Specified，在下面的编辑框中自己设置一个带宽。 Bracket Bandwidth（分类带宽）即用带宽分别为0.5h，h，1.5h来做3个核密度回归。 Number of grid points (分类点数) 指定一个点数M（缺省值是100），假设序列X的样本值范围是 ，则在如下点进行多元回归估计： ; §9.3 函数命令