chap15 蒙特卡罗模拟和自助法.pptVIP

实验15-4： 自助法 实验基本原理 实验内容及数据来源 本书附带光盘data文件夹下的“usaauto.dta”工作文件给出了美国的汽车业相关数据。 利用该数据，我们来分析各因素对每加仑油所行驶的里程数的影响，并讲解自助估计的基本操作以及多种置信区间的获得等内容。 实验操作指导 1 自助估计的基本操作 进行自助法估计的基本命令为： bootstrap exp_list [, options]: command 其中，bootstrap是自助法估计的基本命令，exp_list表示要保存的结果的表达式，command指定一次抽样中执行的命令，options代表其他选项。 需要说明的一点是，表达式exp_list的格式与蒙特卡洛模拟处相同；如果命令command每次改变的是估计的模型的系数，则exp_list为可选项且默认值为_b。 此外，表15.3列出了主要的options选项。 下面，我们利用“usaauto.dta”的数据来讲解自助法估计的相关操作。 首先，我们进行OLS回归，获取回归系数和标准差，以方便和后面的对比。输入命令： regress mpg weight gear foreign 下面，我们采取自助法进行回归。输入命令： bootstrap, reps(100) seed(123): regress mpg weight gear foreign 这里，reps(100)表示进行100次重复抽样， seed(123)表示设置种子为123，冒号后为回归的命令。 如果假定“usaauto.dta”的数据按照变量rep78（汽车在78年的修理次数）来聚类，我们可以使用cluster()选项来进行适当的修正。另外，我们这里想获得变量weight和gear_ratio的系数之差。这样，输入命令： keep if rep78 . bootstrap diff=(_b[weight] - _b[gear]), seed(123) cluster(rep78): regress mpg weight gear foreign 这里，第一步是删掉变量rep78的缺失值；这是因为命令bootstrap不允许选项cluster()中的变量存在缺失值。第二步进行自助法回归，我们将变量weight和gear_ratio的系数之差命名为diff，并设置种子为123，聚类变量为rep78。 对于我们这个回归，下面的命令也可以得到相同的结果： bootstrap diff=(_b[weight] - _b[gear]), seed(123): regress mpg weight gear foreign, vce(cluster rep78) 这里，我们在回归中设置了选项vce(cluster rep78)，表明按变量rep78聚类；这样，bootstrap命令就会按照变量rep78的类别进行抽样。 2 多种置信区间的获得 对于前面的自助回归，我们要获得多种置信区间。这样，先输入如下命令： qui bootstrap, reps(1000) saving(bs) bca seed(123): regress mpg weight gear foreign 这里，选项reps()表明抽样次数为1000；如我们前面所讲，要比较可靠地获得置信区间的估计值，抽样次数要大一些。saving(bs)表示将自助估计的结果保存到文件“bs.dta”中。qui表明不显示回归结果。 下面，我们来获取多种置信区间。输入命令： estat bootstrap, all 这里，选项all表示显示所有可行的置信区间。 前面，我们将自助估计的结果保存到文件“bs.dta”中。下面，我们可以利用该文件检验各系数的自助分布是否为渐进正态。输入命令： use bs, clear 我们将打开数据文件“bs.dta”。下面，我们来看一下该文件的变量情况。输入命令： describe * 这里，*表示各个变量。 下面，我们可以对系数自助分布的正态性进行检验。例如，可输入命令： pnorm _b_weight 这里，pnorm是通过绘制标准整体概率图来检验变量的正态性。 习题 1.模拟中心极限定理。提示：用命令program定义一个程序，从均匀分布抽取一个容量为n（例如，60）的随机样本，并计算样本均值；然后命令simulate来重复此程序若干次（例如，10000次），得到若干个样本均值的取值；最后用命令histogram来画样本均值的直方图，并与正态分布比较。 2.本书附带光盘data文件夹下的“lowbirth2.dta”工作文件给出了按母亲年龄进行匹配的56对婴儿体重的配对数据。主要变量包括：pairid=每组的编号，low=婴儿是否体重偏低（1表示