自举-bootstrap.pdf

第 6 章 自举估计方法 对于大多数计量经济模型的参数估计量和相关检验统计量，精确的有限样本分布是不容 易获得的。于是，传统计量经济学往往基于它们的渐近理论进行统计推断，即借助渐近正态 分布或 χ 2 分布进行模型或参数的显著性检验。例如，模型约束条件的 LR 检验、LM 检验和 Wald 检验。然而，多数统计量的有限样本精确分布与其渐近分布存在严重的区别，因此， 基于渐近分布的假设检验增加了犯统计推断错误的风险。 Efron(1979)提出的自举方法为计量模型的估计和检验提供了一种近似的替代方法。自举 类似于蒙特卡罗模拟，从观测数据的经验分布或拟合分布中抽样以得到统计量的近似分布， 并基于该近似分布进行统计推断。但是，与传统模拟方法一样，自举法也依赖于渐近理论， 只有在充分大的自举样本下，自举法才具有较精准的统计推断效果。 本章将从两个方面讨论自举推断方法，首先，在统计量的标准差难以计算时，如何运用 自举方法对统计量的标准差进行统计推断；然后，研究较复杂的有限样本自举推断方法。实 际上，对于独立同分布的自举样本，且统计量是光滑 N 一致统计量时，统计量标准差的 自举估计量较容易实现。但是，对于样本不是独立同分布或者统计量是非光滑估计量和非参 数估计量等其它情形，自举推断较复杂。一般来说，理论界和实务界对这两部分内容的偏好 不同，应用研究者喜欢前者，而理论界更倾向于后者。自举法不仅常常用于模型参数的估计， 而且自举法也被广泛应用于区间估计、估计偏倚分析和假设检验。有关自举方法的详细内容， 请读者参考文献 Chernick(2008)。 nd Chernick, M.R.,2008, Bootstrap Methods:A Guide for Practitioners and Researchers(2 ed), John Wiley Sons, Inc. §6.1 自举方法 ? 本节用{w1, . . . ,wN }表示独立同分布的样本，wi =（ yi , xi ），i =1,2,…,N；设 θ ? ? 是参数 θ 的光滑渐近正态分布的一致（ N 一致）估计量，θ j 表示 θ 中的第 j个元 ? ? 素。例如，回归参数估计量 θ 、标准误差 s? 、t统计量 t =?(θθj 0 ) s? ，其中，θ 是 θ θ j 0 零假设下回归参数的值。 6.1.1. 简单自举法 2 设{ y1 ，y2 ，…, yN }是随机变量 Y 的独立同分布的样本，即设 yi ~ iid ( μ,σ ) ， i =1,2,…,N，若总体分布的均值 μ和方差 σ 2 未知时，则统计分析的首要任务就聚 焦于对均值和方差的估计。显然，总体分布的均值 μ 具有光滑渐近正态分布的 N 一致估计量 N μ? = y = N ?1 y