计量经济学的基本数学工具.pptVIP

按照概率和统计学的惯例，我们一律用大写字母如常见的W，X，Y和Z表示随机变量，而用相应的小写字母w，x，y和z表示随机变量的特定结果。 例如，在掷币实验中，令X为一枚钱币投掷10次出现正面的次数。所以X并不是任何具体数值，但我们知道X将在集合 中取一个值。比方说，一个特殊的结果是x=6。 我们用下标表示一系列随机变量。例如，我们记录随机选择的20个家庭去年的收入。可以用X1，X2，··，X20表示这些随机变量，并用x1，x2，···，x20表示其特殊结果。 一个离散随机变量要由它的全部可能值和取每个值的相应概率来完整描述。如果X取k个可能值 其概率p1，p2，···，pk被定义为 pj=P（X=xj），j=1，2，··· ，k （读作：“X取值xj的概率等于pj”。） 其中，每个pj都在0-1之间，并且 p1+p2+ ··· +pk=1 原则上，给定Yi的概率分布和函数h，我们就能求出W的整个抽样分布。通常在评价W作为θ的一个估计量时，集中考虑W分布的少数几个特征比较简单。一个估计量的第一个重要性质就是关于它的期望值。 无偏估计量： 若θ的估计量W对一切可能的θ值，都有 E（W）= θ 则W是一个无偏估计量（unbiased estimator） 2.无偏性 一个估计量若是无偏的，则其概率分布的期望值就等于它所估计的参数。无偏性并不是说我们用任何一个特定样本得到的估计值等于θ，或者很接近θ。而是说，如果我们能够从总体中抽取关于Y的无限多个样本，并且每次都计算一个估计值，那么将所有随机样本的这些估计值平均起来，我们便得到θ。由于在大多数应用中，我们仅使用一个随机样本，所以这个思维实验有点抽象。 2.无偏性 对于一个不是无偏的估计量，我们定义它的偏误如下。 如果W是的一个偏误估计量（biased estimator），则它的偏误（bias）可定义为：Bias（W）≡E（W）-θ 2.无偏性 W θ =E（W1） E（W2） W2的pdf W1的pdf f(w) 图2.3.1 一个无偏估计量W1和一个有正偏误的估计量W2 一个估计量的无偏性和可能偏误的大小取决于Y的分布和函数h。通常，Y的分布不是我们所能控制的（虽然我们常常为这个分布选择一个模型）：它由自然规律或社会力量来决定。但法则h的选择则操纵在我们手中，我们若想要一个无偏估计量，就必须对h作相应的选择。 可以证明，有些估计量在一般情形下是无偏的。 2.无偏性 现在我们来证明，样本均值 是总体均值μ的一个无偏估计量，不管其背后的总体如何分布。 2.无偏性 为了作假设检验，我们还有必要从均值为μ的总体中估计方差 。令随机样本 取自E（Y）= μ和 的总体，定义估计量为 它常被称为样本方差（sample variance）。可以证明 是 的无偏估计量： 。用n-1而不用n作除数，是因为均值μ使用的是估计而非已知的。如果μ已知，则 的一个无偏估计量将是 。然而实践中很少知道μ 。 2.无偏性 虽然无偏性作为估计量的一个性质颇有吸引力——它的反义词“偏误”确实有些消极含义——但它并非没有问题。无偏性的一个缺点是，一些合理甚至相当好的估计量却不是无偏的。我们很快就会看到这方面的一个例子。 无偏性的另一个重要缺点是，实际上存在着相当糟糕的无偏估计量。考虑我们在估计一个总体的均值μ。假定我们不用样本均值 去估计μ，而是在收集了一个容量为n的样本后，只保留第一个观测，并抛弃所有其余观测，然后用 作为μ的估计量，因为 ，所以这个估计量也是无偏的。这种做法把样本中的大部分信息都丢弃了，并非明智之举。 2.无偏性 无偏性的缺陷表明我们还需要用更多的准则来评价一个估计量的好坏。无偏性仅保证估计量的概率分布有一个等于它所估计参数的均值。这自然是好的，但我们还需知道这个估计量的分布究竟有多么分散。一个估计量可以在平均意义下等于θ，但