样条函数及三次样条插值教材课程.pptVIP

第五章 函数近似计算的插值问题; 5.6 三次样条插值;------(1);二、三次样条插值多项式;------(3);------(9);加以整理后可得;由条件;------(12);如果问题要求满足第一类(一阶)边界条件:;------(14);由(11)式,可知;------(17);(19)式与(14)一样,都是三对角方程组,并且都严格对角占优;例.;《计算方法》： 复习题5（5.3③④、5.7除外）； 例题 5.1、5.6 ； 习题 5.2、5.3、5.4、5.5、5.13 ; 问题是不知道遗漏了哪个变量，需寻找一个替代变量Z，来进行上述检验。 RESET检验中，采用所设定模型中被解释变量Y的估计值?的若干次幂来充当该“替代”变量。 ; 再根据第三章第五节介绍的增加解释变量的F检验来判断是否增加这些“替代”变量。 若仅增加一个“替代”变量，也可通过t检验来判断。 ; 例如，在一元回归中，假设真实的函数形式是非线性的，用泰勒定理将其近似地表示为多项式：; 因此，在一元回归中，可通过检验(*)式中的各高次幂参数的显著性来判断是否将非线性模型误设成了线性模型。; 例如，估计 Y=?0+?1X1+?2X2+? 但却怀疑真实的函数形式是非线性的。; 例5.3.1：在§4.3商品进口的例中,估计了中国商品进口M与GDP的关系，并发现具有强烈的一阶自相关性。 然而，由于仅用GDP来解释商品进口的变化，明显地遗漏了诸如商品进口价格、汇率等其他影响因素。因此，序列相关性的主要原因可能就是建模时遗漏了重要的相关变量造成的。 下面进行RESET检验。 ;用原回归模型估计出商品进口序列: ; 在?=5%下，查得临界值F0.05(2, 20)=3.49 判断：拒绝原模型与引入新变量的模型可决系数无显著差异的假设，表明原模型确实存在遗漏相关变量的设定偏误。 ; *（3）同期相关性的豪斯蔓（Hausman）检验; 当解释变量与随机扰动项同期相关时，通过工具变量法可得到参数的一致估计量。 而当解释变量与随机扰动项同期无关时， OLS估计量就可得到参数的一致估计量。;对一元线性回归模型 Y=?0+?1X+?;以Z为工具变量，则IV估计量为： ;检验时，求Y关于X与Z的OLS回归式： ;如对二元回归模型: ; 通过增加解释变量的F检验，检验联合假设： H0：?1=?2=0 。 拒绝原假设，就意味着（*）式中的解释变量与随机扰动项相关。 ;（4）线性模型与双对数线性模型的选择 ; 第三步，用Y*替代Y，分别估计双对数线性模型与线性模型。并通过比较它们的残差平方和是否有显著差异来进行判断。; 其中，RSS1与RSS2分别为对应的较大的残差平方和与较小的残差平方和，n为样本容量。 ; 例5.3.2 在§4.3中国商品进口的例中， 采用线性模型: R2=0.948; 采用双对数线性模型: R2=0.973， 但不能就此简单地判断双对数线性模型优于线性模型。下面进行Box-Cox变换。;以Mt*替代Mt，分别进行双对数线性模型与线性模型的回归，得： ;§5.4从传统建模理论到约化建模理论;一、传统建模理论与数据开采问题 ;是一个“从简单到复杂”的建模过程（simple-to-general approach）:对不同变量及其数据的偿试与筛选过程。 ;当在众多备选变量中选择变量进入模型时，其中t检验的真实的显著性水平已不再是事先给出的名义显著性水平。 显著性水平意味着将一个无关变量作为相关变量选入模型而犯错误的概率。; 例如： 给定?=5%，如果有2个相互独立且与被解释变量无关的备选变量，误选一个进入模型的概率就成了 1-(1-0.05)2=0.0975 传统建模方法的另一问题是它的“随意性”。 其结果是：对同一研究对象，使用同一数据，但不同的建模者往往得出不同的最终模型。;二、“从一般到简单”——约化建模型理论 ; (1)约化建模理论提出了一个对不同先验假设的更为系统的检验程序； (2)初始模型就是一个包括所有可能变量的“一般”模型，也就避免了过度的“数据开采”问题； (3)由于初始模型的“一般”性，所有研究者的“起点”都有是相同的，因此，在相同的约化程序下，最后得到的最终模型也应该是相同的。 ;例题： ; 在估计该模型之前，并不知道食品消费需求是怎样决定的，但可以考察几种可能的情况:; 也可以认为，由于食品是必需品，P1的变化并不对Q产生影响，但仍受P0与X变动的影响，然而后者的影响却有着一期的滞