序列的统计量检验和分布PPT.ppt

第一章 序列的统计量、检验和分布 EViews提供序列的各种统计图、统计方法及过程。当用前述的方法向工作文件中读入数据后，就可以对这些数据进行统计分析和图表分析。 EViews可以计算一个序列的各种统计量并可用表、图等形式将其表现出来。视图包括最简单的曲线图，一直到核密度估计。 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 以直方图显示序列的频率分布。直方图将序列的长度按等间距划分，显示观测值落入每一个区间的个数。 同直方图一起显示的还有一些标准的描述统计量。这些统计量都是由样本中的观测值计算出来的。如图(例1.1)： 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。 中位数 (median) 即从小到大排列的序列的中间值。是对序列分布中心的一个粗略估计。 最大最小值 (max and min) 序列中的最大最小值。 标准差(Standard Deviation) 标准差衡量序列的离散程度。计算公式如下 N 是样本中观测值的个数， 是样本均值。 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 S为偏度，K为峰度，k是序列估计式中参数的个数。 在正态分布的原假设下，J-B统计量是自由度为2的  2 分布。 J-B统计量下显示的概率值（P值）是J-B统计量超出原假设下的观测值的概率。如果该值很小，则拒绝原假设。当然，在不同的显著性水平下的拒绝域是不一样的。例1.1中X的J-B统计量下显示的概率值（P值）是0.92，接受原假设, X 服从正态分布；而例1.3中GDP增长率的的J-B统计量的概率值（P值）是0.455 ，也接受原假设, 说明GDP增长率服从正态分布。 §1.2 均值、中位数、方差的假设检验 这部分是对序列均值、中位数、方差的假设检验。在序列对象菜单选择View/tests for descriptive stats/simple hypothesis tests，就会出现下面的序列分布检验对话框： 1. 均值检验 如果不指定序列 x 的标准差，EViews将在 t – 统计量中使用该标准差的估计值 s 。 是 x 的样本估计值，N是x的观测值的个数。在原假设下，如果x服从正态分布，t 统计量是自由度为N-1的t分布。 原假设是序列 x 的期望值   m ，备选假设是 ≠m ，即 如果给定x的标准差，EViews计算t 统计量：  是指定的x的标准差。 要进行均值检验，在Mean内输入  值。如果已知标准差，想要计算t统计量，在右边的框内输入标准差值。可以输入任何数或标准EViews表达式，下页我们给出检验的输出结果。 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 检验的原假设为序列 x 的方差等于 2，备选假设为双边的，x 的方差不等于  2 ，即 EViews计算2统计量，计算公式如下 N为观测值的个数， 为x的样本均值。在原假设下，如果x服从正态分布，  2 统计量是服从自由度为N-1的 2分布。 要进行方差检验，在Variance处填入在原假设下的方差值。可以填入任何正数或表达式。 3. 中位数检验 原假设为序列x的中位数等于m，备选假设为双边假设，x的中位数不等于m，即 EViews提供了三个以排序为基础的无参数的检验统计量。方法的主要参考来自于Conover（1980）和Sheskin（1997）。 进行中位数检验，在Median右边的框内输入中位数的值，可以输入任何数字表达式。 §1.3 分布函数 EViews提供了几种对数据进行初步分析的方法。在§1.1 我们已列出了几种图来描述序列分布特征。在本节，列出了几种散点图且允许我们可以用有参数或无参数过程来做拟合曲线图。 这些图包含着复杂计算和大量的特殊操作，对某些完全技术性的介绍，不必掌握所有细节。EViews中设置的缺省值除了对极特殊