第01章 序列统计量、检验与分布.ppt

第一章 序列的统计量、检验和分布; 打开工作文件，双击一个序列名，即进入序列的对话框。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。 ;§1.1 描述统计量 ;例1.3中GDP增长率的统计量： ; 均值 (mean) 即序列的平均值,用序列数据的总和除以数据的个数。; 偏度（Skewness） 衡量序列分布围绕其均值的非对称性。计算公式如下 ; 峰度（Kurtosis） 度量序列分布的凸起或平坦程度，计算公式如下 ; 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 ;§1.2 均值、中位数、方差的假设检验;1. 均值检验 ; 如果给定x的标准差，EViews计算t 统计量： ; 这是检验例1.7中GDP增长率的均值，检验H0：?X=10%，H1：?X≠10%。表中的Probability值是P值（边际显著水平）。在双边假设下，如果这个值小于检验的显著水平，如0.05则拒绝原假设。这里我们不能拒绝原假设。;2. 方差检验 ;3. 中位数检验 ;§1.3 分布函数 ;§1.3.1 序列分布图 ; 其中，Cumulative Distribution(累积分布)操作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： ; 工作文件1_3.wf1中GDP增长率的分布图;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计算出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”??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： ; (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，缺省设置是一种基于数据的自动带宽， ;下图是GDP增长率序列分布的核密度估计:;§1.3.2 带有拟合线的散点图 ;工作文件1_5.wf1中的居民消费和GDP的带回归线的散点图; 下面是针对二元拟合的序列变换： ; Robustness lterations(稳健叠代) ; 3. Scatter with Nearest Neighber Fit(最邻近拟合散点图); 因为要靠子样本点周围的点来进行局部回归，并来求拟合值，因此specification操作就是确定选择识别周围进行回归的观测值的规则。 ① Bandwidth span（带宽范围） 用来决定在局部回归中应包括哪些观测值，可以选取在0，1之间的一个数 ? 。 ② Polynomial degree(多项式次数) 选择多项式的次数来拟合每一局部回归。 ;(2) Method 操作 ;工作文件1_5.wf1中的居民消费和GDP的最邻近点拟合的散点图; 4. Scatter with Kernel Fit（核拟合分布） ; 打开Scatter with kernel fit，出现下面的对话框： ;工作文件1_5