统计量及假设检验.docVIP

第二章 统计量与假设检验 [案例1]序列的描述性统计量 用Eviews软件对工作文件htwtl.wfl中序列X（身高）的完成以下任务： 1、计算描述性统计量； 2、绘制直方图； 3、在显著性水平0.05下，判断是否服从正态分布。 [分析] 1、相关概念与公式 直方图显示了序列中数据的频数分布，它将序列的范围（最大值与最小值之间的距离）按相等的组距进行划分，并显示落入每一组距中的观测值的个数。 常用的描述性统计量主要包括：均值、中位数、最大值、最小值、标准差、偏度与峰度。 ⑴ 均值（Mean） ⑵ 中位数（Median） 当把序列按从小到大的顺序排列时，序列的中间值（当序列有奇数项时）或两个中间值的平均数（当序列有偶数项时）为该序列的中位数。 ⑶ 最大值（Maximum）与最小值(Minimum) ⑷ 标准差（Std.Dev.） 这里s为样本标准差（sample standard deviation），是变量（总体）标准差的无偏估计，函数命令为@stdev(x[,s]) 。 ⑸ 偏度（Skewness） 衡量序列分布围绕其均值的非对称性。 这里，，是变量标准差的有偏估计，函数命令为@stdevp(x[,s]) （population standard deviation）。如果序列的分布是对称的，S值为0。正的S值意味着序列分布有长的右拖尾，负的S值意味着序列分布有长的左拖尾。 ⑹ 峰度（Kurtosis） 度量序列分布的凸起或平坦程度，计算公式如下 正态分布的K值为3。如果K值大于3，分布的凸起程度大于正态分布；如果K值小于3，序列分布相对于正态分布是平坦的。 ⑺ JB统计量用来检验序列是否服从正态分布，统计量的计算由下式给出： 对于一个正常的序列，k值取零；如果该序列是某一回归方程的残差序列，则k是解释变量的个数。在原假设（该序列服从正态分布）成立的条件下，JB统计量服从自由度为2的卡方分布。 2、Eviews的相关操作 ⑴ 打开工作文件htwtl.wfl，打开序列X； ⑵ 在序列X窗口的工具栏中选择View/Descriptive Statistics Tests/ Histogram and Stats,将生成如下图形： 图2.1 序列的直方图与描述性统计量 从图2.1可以看出，JB统计量的值为0.292922，概率值为0.863759，两者之间的关系可通过下述命令解释(见第一章表1.2) scalar p=@chisq(0.292922,2) 则在Eviews窗口左下角的状态栏显示scalar p=0.863759。 上述概率值0.863759表示自由度为2的卡方统计量大于0.292922的概率值。因为0.863759＞0.05（单侧检验），所以不能拒绝原假设，即认为序列x服从正态分布。 [案例2]组的描述性统计量 用Eviews软件对工作文件htwtl.wfl中组GROUP01完成以下任务： 1、计算序列X，Y的描述性统计量； 2、求序列X，Y 的方差、协方差和相关系数。 [分析] 用分别表示X，Y的标准差和协方差，r表示X，Y的皮尔逊相关系数，则 1、计算序列X，Y的描述性统计量 ⑴ 打开工作文件htwtl.wfl，建立包含序列X，Y的组对象GROUP01； ⑵ 打开组对象GROUP01，在组窗口的工具栏中选择View/Descriptive Stats/ common sample,则出现以下图2.2窗口，图中显示了序列X，Y的描述性统计量。 图2.2 组对象的描述性统计量 2、求序列X，Y 的方差、协方差和相关系数 在组窗口的工具栏中选择View/Covariance Analysis,在随后出现的对话框中选择Covariance和correlation，点击OK，则出现图2.3窗口。 图2.3 序列间的协方差和相关系数 图2.3中的对角线是X，Y的方差，左下角是X，Y的协方差和相关系数。从图2.3可知X，Y之间的相关系数为0.862045＞0.8，属于高度相关。这一点也可通过散点图获得，如图2.4所示，散点图在观察两个变量相关性方面具有直观的优点，但无法从数量上把握两个变量之间的线性相关程度。 图2.4 x与y之间的散点图 [案例3] 单总体假设检验 1、单总体均值的假设检验 某糖厂用自动打包机装糖，每包糖的重量均服从正态分布，其标准重量为100千克,某日开工后测得9包重量如下: 93.3, 98.7, 100.5, 101.2, 98.3, 99.7, 99.5, 102.1, 100.5 ⑴ 当显著性水平时,判断该日打包机工作是否正常? ⑵ 求平均每包糖重量置信系数为0.95的置信区间，该区间是否包括100？你能