统计中数学方法.pptx

;目录;;1.1 向量与长度;1.1 向量与长度;1.1 向量与长度;1.1 向量与长度;1.2 矩阵及基本运算;1.2 矩阵及基本运算;1.3 行列式;1.4 逆矩阵、矩阵的秩;1.4 逆矩阵、矩阵的秩;1.4 逆矩阵、矩阵的秩;;2.1 特征值和特征向量;2.1 特征值和特征向量;2.1 特征值和特征向量;2.1 特征值和特征向量;2.1 特征值和特征向量;2.1 特征值和特征向量;2.2 矩阵的迹;2.2 矩阵的迹;2.3 正定阵、非负定阵和投影阵;2.3 正定阵、非负定阵和投影阵;2.3 正定阵、非负定阵和投影阵;2.3 正定阵、非负定阵和投影阵;2.4 二次型的极值问题;2.4 二次型的极值问题;2.4 二次型的极值问题;2.5 矩阵分块;2.5 矩阵分块;2.5 矩阵分块;2.5 矩阵分块;2.5 矩阵分块;2.5 矩阵分块;2.6 拉直运算与Kronecker积;2.6 拉直运算与Kronecker积;2.6 拉直运算与Kronecker积;2.6 拉直运算与Kronecker积;2.6 拉直运算与Kronecker积;2.6 拉直运算与Kronecker积;2.6 拉直运算与Kronecker积;2.7 矩阵的微商;2.7 矩阵的微商;2.7 矩阵的微商;2.7 矩阵的微商;2.7 矩阵的微商;2.7 矩阵的微商;2.7 矩阵的微商;2.7 矩阵的微商;;3.1 随机向量;3.1 随机向量;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征;3.2 随机向量的数字特征; 假定 为来自某p 元总体的n 个样品，样本资料阵为X 。 （1）样本均值向量定义为： （2）样本离差阵定义为： ;（3）样本协差阵定义为： （4）样本相关阵定义为： ;;由于在实际经济问题中，一个变量往往受到多个原因变量的影响； “从一般到简单”的建模思路。 所以，在线性回归模型中的解释变量有多个，至少开始是这样。这样的模型被称为多元线性回归模型。 多元线性回归模型参数估计的原理与一元线性回归模型相同，只是计算更为复杂。; 以多元线性回归模型的一般形式——K元线性回归模型入手进行讲解，其模型结构如下： ; 在研究中，我们根本无法了解式（1）所示的总体模型的特征，而只能通过样本特征来近似考察。 设经过n次试验，得到n个样本，如下所示： ; 在计量经济学分析中，通常会借助矩阵工具，在此亦将多元线性模型表示成矩阵形式，以便于下一步的数学运算。;（1）线性性。即要求模型关于参数是线性的，关于扰动项是可加的。 （2） 满秩。说明解释变量之间是线性无关的，这一假设很重要，在后面会经常受到。 （3）回归性。x与?不相关。 （4）外生性。x相对于y是外生的，是非随机的。 （5）球形扰动。同方差性和非自相关性。 （6）正态假设。 ;称为多元回归方程（函数）。 ;偏回归系数的含义如下： ?1度量着在X2,X3,…,Xk保持不变的情况下，X1每变化1个单位时，Y的均值E(Y)的变化，或者说?1给出X1的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。 其他参数的含义与之相同。;残差表示为：;要使残差平方和;其中：;用向量展开或矩阵微分法 ，我们可得到关于待估参数估计值的正规方程组：;为了判断充分性，我们需要求出目标函数的Hessian矩阵 ：;4.3 参数? 的OLS估计;对数似然函数为 参数的极大似然估计 结果与参数的普通最小二乘估计相同 ;多元线性回归模型矩估计的矩条件通常是这样构造的： 对于多元线性回归模型 Y=Xβ+ε 两边分别左乘 ，即得到; 矩方法是工具变量方法(Instrumental Variables,IV)和广义矩估计方法(Generalized Moment Method, GMM)的基础 在矩方法中关键是利用了 如果某个解释变量与随机项相关，只要能找到1个工具变量，仍然可以构成一组矩条件。这就是IV。 如果存在＞k+1个变量与随机项不相关，可以构成一组方程数＞k+1的矩条件。这就是GMM。; 广义矩估计的思想是使得样本矩与总体矩的加权距离（即马氏距离）最小。主要是考虑到不同的矩所起的作用可能不