stata上机实验第二讲.ppt

极大似然估计 优点： 1。在所有一致的、渐近正态的估计量中，MLE是渐进最优的。 2。大样本数据，特别是非线性回归的估计具有优势。 缺点： 1。需要假设特定的概率密度形式。 2。小样本性质一般。 极大似然估计MLE MLE 的基本步骤 1. 推导最大似然函数 2. 编写似然函数的stata程序(可选：似然函数的一阶和二阶导数d1,d2) 3. 设定解释变量和被解释变量： ml model 命令 4. 估计最大似然函数：ml maximize 命令 我们举一个最简单的多元线形回归的例子，更复杂的例子我们将在“stata编程”部分介绍。 假设x_i 服从均值为mu, 标准差为sigma^2的正态分布。 打开程序：doedit myprog.ado 执行MLE: 例一： sysuse auto,clear ml model lf myprog (price= weight length foreign)(sigma:) ml max 和OLS比较：reg price weight length foreign 回归系数完全相同 例二： use production,clear ml model lf myprog (lny= lnk lnl)(sigma:) ml max 例三：附加约束的MLE cons def 1 lnk + lnl = 1 ml model lf myprog (lny= lnk lnl)(sigma:),constraint(1) ml max 参数约束检验的三大方法： Wald检验 似然比检验（LR） 拉格朗日乘数检验（LM） 注意： 1。参数约束检验不仅用于MLE中，同时可以用在其他计量方法中。 2。由于LM检验在后面的计量模型中广泛使用，检验过程与模型设定密切相关，因此stata没有提供单纯使用LM进行检验的命令，只能通过手动计算的方法，因此，在此我们重点关注前两种检验。 例题：利用MLE方法估计下列两个方程：1.price=b0+b1*weight+b2*length+ε 2.price=b0+b1*weight+b2*length+b3*mpg+ε 利用wald检验和LR检验验证：b3=0 sysuse auto,clear ml model lf myprog (price = weight length) (sigma:) ml max est store r0 ml model lf myprog (price = weight length mpg) (sigma:) ml max est store r1 wald检验：test mpg (Prob chi2 =0.2878) LR检验： lrtest r0 r1 (Prob chi2 =0.2896) 均接受原假设 所以 b3=0 成立 自己联系：将方程2改为：price=b0+b1*weight+b2*length+b3*mpg+b4*foreign+ε 检验： b3=b4=0 异方差的检验与FGLS 异方差是违背了球型扰动项假设的一种情形。在存在异方差的情况下： （1）OLS 估计量依然是无偏、一致且渐近正态的。 （2）估计量方差Var(b|X) 的表达式不再是σ2(X’X)?1，因为Var(ε|X) ≠σ2I。 （3）Gauss-Markov 定理不再成立，即OLS不再是最佳线性无偏估计（BLUE）。 异方差的检验 1。残差图 2。怀特检验 3。Breusch-Pagan（BP）检验 4。 G-Q 检验 (Goldfeld-Quandt,1965) 5。 Szroeters 秩检验(Szreter,1978) 后两种现在已经基本不用。 一般截面数据容易产生异方差 而时间序列数据容易产生自相关 1。残差图： rvfplot （residual-versus-fitted plot） rvpplot varname （residual-versus-predictor plot） 作图命令一定要在回归完成之后进行 2。怀特检验：做完回归后，使用命令： estat imtest, white 3。BP 检验：做完回归后，使用命令： estat hettest ,normal（使用拟合值y? ） estat hettest,rhs （使用方程右边的解释变量，而不是y? ） estat hettest [varlist] （指定使用某些解释变量） 最初的BP 检验假设扰动项服从正态分布，有一定局限性。Koenker（1981）将此假定放松为iid，在实际中较多采用，其命令为： estat h