北京大学资料经济学院2 极大似然估计.docVIP

第二章 极大似然估计（MLE） 第0节 基础知识回顾：OLS 一．例子 假设一个基金的投资组合 (“基金 XXX”)的超额回报和股市指数的超额回报，有如下的数据: 直觉上，该基金的beta( beta 测量股票对股市指数的反应)应该是一个正数，我们希望证实这种关系。 画这2个变量的散点图： 对于一条直线，可以用以下的方程,来拟合数据。 y=a+bx 不过这个方程 (y=a+bx)是完全确定的，与实际情况不符合。要在这个方程里加入一个挠动项。 yt = ? + ?xt + ut 式中 t = 1,2,3,4,5 用直线来拟合数据最常用的方法是普通最小二乘法 (ordinary least squares， OLS)：取每个数据点到拟合直线的垂直距离，选择参数、，使得平方距离最小化 ( least squares)。 挠动项能够反映数据的一些特征:我们经常会忽略一些影响 yt 的因素，不可能把影响 yt的所有的的随机因素都在模型中考虑。 求解两个参数： 这就是OLS。整理得到： 在上例中，把数据代入公式得： 根据这个结果，如果预期下一年的市场回报将会比无风险回报高20%，那么你预期基金 XXX 的回报将会是多少? 二．概念：线性和非线性 运用 OLS, 要求模型对参数(? 和 ? )是线性的。“对参数线性”意味着参数之间不能乘、除、平方或n次方等。 在实际中变量之间的关