离散因变量和受限因变量模型PPT.ppt

如果想在估计完成后删除说明中的一个或多个序列，可以使用@temp语句： @temp series_name1 sereis_name2 ... 这个语句告诉EViews在对说明的计算完成后，删除列表中的序列。如果在logL中创建了许多中间结果，又不愿意工作文件因包含这些结果的序列而弄得混乱的话，删除这些序列将是很有用的。例如，图8.2中的最后一行语句就是命令EViews在估计结束后，删除估计产生的中间序列res、var和logl。 这里需要强调一点，在似然说明的文本中可以加入说明语句，说明语句的前面加上撇号“?”，则这个语句将不被执行。 2．参数名 在上面的例子中，我们使用了系数c(1) 到c(5) 作为未知参数的名称。更一般的，出现在说明中一个已命名的系数向量中的每一个元素都将被视为待估参数。例如创建2个命名的系数向量： beta(2) sigma(1) 于是可以写出下面的似然说明： @logL logL1 res=cs- beta(1)- beta(2)*inc var=sigma(1) logl1=log(@dnorm(res/@sqrt(var)))-log(var)/2 由于说明中的已命名的系数向量的所有元素都将被视为待估参数，必须确定所有的系数确实影响了一个或多个似然贡献的值。如果一个参数对似然没有影响，那么在试图进行参数估计时，将遇到一个奇异错误。 应该注意到除了系数元素外所有的对象在估计过程中都将被视为固定的，不可改变的。例如，假定omega是工作文件中一个已命名的标量(scalar omega)，如果将子表达式var定义如下: var = omega EViews将不会估计omega 。omega的值将被固定在估计的开始值上。 3．估计的顺序 logL说明包含了一个或多个能够产生包含似然贡献的序列的赋值语句。在执行这些赋值语句的时候，EViews总是从顶部到底部执行，所以后面计算要用到的表达式应放在前面。 EViews对整个样本重复地计算每个表达式。EViews对模型进行重复计算时采用方程顺序和样本观测值顺序两种不同方式，这样就必须指定采用那种方式，即观测值和方程的执行顺序。 （1）观测值顺序（ @byobs ） 默认情形下，EViews用观测值顺序来计算模型，此种方式是先用第一个观测值来计算所有的赋值语句，接下来是用第二个观测值来计算所有的赋值语句，如此往复，直到估计样本中所有观测值都使用过。这是用观测值顺序来计算递归模型的正确顺序，递归模型中每一个观测值的似然贡献依赖于前面的观测值，例如AR模型或ARCH模型。 （2）方程顺序（ @byeqn ） 可以改变计算的顺序，这样EViews就可以用方程顺序来计算模型，先用所有的观测值来计算第一个赋值语句，然后用所有的观测值计算第二个赋值语句，如此往复，对说明中每一个赋值语句都用同样方式进行计算。这是用中间序列的总量统计作为后面计算的输入的模型的正确顺序。 可以通过在说明中加入一条语句来声明所选择的计算方法。要用方程顺序来计算，仅加一行关键字“@byeqn”。要用样本顺序来计算，可以用关键字“@byobs”。如果没有给出关键字，那么系统默认为“@byobs”。 例8.1 一元线性回归方程的极大似然估计 以例3.1的消费函数作为例子，分析普通回归方程的极大似然估计方法。消费函数的被解释变量cs为实际居民消费，解释变量为实际可支配收入inc，变量均为剔除了价格因素的实际年度数据，样本区间为1978～2006年。那么凯恩斯消费函数的方程形式就可以写成： (8.2.5) 其中：ut服从标准正态分布，cs = CS/CPI，inc = YD / CPI ， CPI 代表1978年为1的居民消费价格指数，? 代表自发消费，? 代表边际消费倾向，则参数向量为?=(?，?，?u2)，观测值个数T =29。 利用前面的式(8.2.2)，我们可以写出这个方程的对数极大似然函数 (8.2.6) (8.2.6)式中zt = (cst-? -?×inct) / ?u。 利用极大似然方法求解，作为@byobs语句的一个例子，考虑下面