第十八章对数极大似然估计.pptVIP

§18.4 LogL视图 (1) likelihood Specification : 显示定义和编辑似然说明的窗口。 (2) Estimation Output : 显示通过最大化似然函数得到的估计结果。 (3) Covariance Matrix : 显示参数估计的协方差矩阵。这是通过计算在最优参数值下一阶导数的外积的和的逆求得的。可以用@cov这个函数将其保存为(SYM)矩阵。 (4) Wald Coefficient Test : 执行Wald系数限制检验。参看第15章，系数检验，关于Wald检验的讨论。 (5) Gradients : 如果模型没有被估计，显示当前参数值下logL的梯度（一阶导数）视图，若模型已经被估计，则显示收敛的参数值下logL的梯度视图。当你处理收敛问题时，这些图将成为有用的鉴别工具。 (6) Check Derivatives : 如果使用了@param语句，显示在初值下数值微分和解析微分（如果可获得）的值，如果没有使用@param语句，则给出在当前值下数值微分和解析微分的值，以及用模型中所有样本计算的每个系数数值微分的和 。 §18.5 LogL过程 (1) Estimate : 弹出一个设置估计选项的对话框，并估计对数似然函数的参数。 (2) Make Model : 建立一个估计对数似然函数说明的未命名的模型对象。 (3) Make Gradient Group : 在参数估计值下创建一个未命名的对数似然函数的梯度组（一阶导数）。这些梯度常用来构造拉格朗日乘数检验。 (4) Update Coefs from LogL : 用似然函数对象得出的估计值来更新系数向量。该过程让你可以将极大似然估计结果作为其他估计问题的初始值。 大多数这些过程和EViews的其他估计对象相似。下面我们将着重介绍LogL对象所独有的特征。 1．估计输出 LogL对象的标准输出除了包含系数和标准差估计外，还描述了估计的方法，估计使用的样本，估计的日期和时间，计算顺序以及估计过程收敛的信息, EViews还提供了对数似然函数值，平均对数似然函数值，系数个数以及三个信息标准。 2．梯度 梯度表格视图可以检查似然函数的梯度。如果模型尚未估计，那么就在当前参数值下计算梯度，若模型已经估计出来了，就在收敛的参数值下计算。 视图在处理收敛性或奇点问题时是一个有用的鉴别工具。一个常见的问题是，由错误的定义似然过程，不恰当的初值，或是模型不可识别等导致某个参数的导数为零可能产生奇异矩阵。 3．检查导数 可以用Check Derivatives视图来检查数值微分或是解析微分表达式的是否有效。如果在对数似然函数说明中包含了@param语句，那么将用指定的值来计算导数，否则将用当前系数值来计算导数。 该视图的第一部分列出了用户提供的导数的名称，步长参数和计算导数时使用的系数值。本例中列出的相对步长和最小步长都是默认设置。第二部分用模型中所有样本计算了每个系数的数值微分的和，如果可能的话，还要计算解析微分的和。 §18.6 问题解答 由于logL对象的极大的灵活性，在使用对数似然方法进行估计时比使用其他EViews的内部估计方法更容易出错。如果在估计时遇到了困难，下面的建议将帮助解决这些问题： (1) 检查似然说明 一个简单错误包括错误符号就可以使估计过程停止工作。必须检查模型的每个参数是否确实定义了（在某些说明中可能不得不将参数标准化）。另外，模型中出现的每个参数必须直接的或间接的影响似然贡献。Check Derivatives视图可以部分的解决后者的问题。 (2) 选择初值 如果由于缺失值或数学运算域错误（对负数取对数或取平方根，除数为零等等）导致样本中似然贡献无法评价，那么将立刻停止估计并给出错误信息：“Cannot compute @logl due to missing values (由于缺失值无法计算@logL)”。另外，选择的初值不恰当也可能使似然函数效果不理想。应该给参数一个合理的初值。如果有一个近似求解该问题的简单的估计技术，可以把由该方法得到的估计值作为极大似然估计的初值。 (3) 检查导数 如果使用解析微分，使用Check Derivatives视图来确认是否已经