第二章_元正态分布的参数估计.pptVIP

四、WISHART分布 通过上面的理论分析知道，多元正态总体均值向量和协差阵的最大似然估计分别是样本均值向量和样本协差阵。利用SPSS软件可以迅速地计算出多元分布的样本均值向量、样本离差阵和样本协差阵。下面通过一个实例来说明多元正态分布参数估计的SPSS实现过程。 从沪深两市上市公司中随机抽取300家公司，取其三个反映收益情况的三个财务指标：每股收益率（eps）、净资产收益率（roe）和总资产收益率（roa）。现要求对这三个指标的均值和协差阵进行估计。 均值向量的估计 在SPSS中计算样本均值向量的步骤如下： 1. 选择菜单项Analyze→Descriptive Statistics→Descriptives，打开Descriptives对话框，如图2.1。将待估计的三个变量移入右边的Variables列表框中。 图2.1 Descriptives对话框 2. 单击Options按钮，打开Options子对话框，如图2.2所示。在对话框中选择Mean复选框，即计算样本均值向量。单击Continue按钮返回主对话框。 图2.2 Options子对话框 3. 单击OK按钮，执行操作。则在结果输出窗口中给出样本均值向量，如表2.2。即样本均值向量为（0.175，0.044，0.026）。 表2.2 样本均值向量 协差阵的估计 在SPSS中计算样本协差阵的步骤如下： 1. 选择菜单项Analyze→Correlate→Bivariate，打开Bivariate Correlations对话框，如图2.3。将三个变量移入右边的Variables列表框中。 图2.3 Bivariate Correlations对话框 2. 单击Options按钮，打开Options子对话框，如图2.4。选择Cross-product deviations and covariances复选框，即计算样本离差阵和样本协差阵。单击Continue按钮，返回主对话框。 图2.4 Options子对话框 3. 单击OK按钮，执行操作。则在结果输出窗口中给出相关分析表。表中Pearson Correlation给出皮尔逊相关系数矩阵，Sum of Squares and Cross-products给出样本离差阵，Covariance给出样本协差阵。 值得注意的是，这里给出的样本协差阵是S/(n-1) ，而不是S/n 。 表2.3 样本相关系数矩阵、离差阵与协差阵 EXERCISES * * * * * 给定X2时Xi 和Xj的偏相关系数（partial correlation coefficient）定义为: 其中 。 ρij?k+1,?,p度量了剔除Xk+1, ?,Xp的（线性）影响之后，Xi和Xj间相关关系的强弱。 对于多元正态变量X，由于Σ11?2也是条件协方差矩阵，故此时偏相关系数与条件相关系数是同一个值，从而ρij?k+1,?,p同时也度量了在Xk+1, ?,Xp值给定的条件下Xi和Xj间相关关系的强弱。 §2.4 极大似然估计及估计量的性质 一、样本X1,X2, ?,Xn的联合概率密度 二、 μ和Σ的极大似然估计 三、相关系数的极大似然估计 四、估计量的性质 设X~Np(μ, Σ) , Σ0，X1,X2, ?,Xn是从总体X中抽取的一个简单随机样本（今后简称为样本），即满足：X1,X2, ?,Xn独立，且与总体分布相同。 令 称之为（样本）数据矩阵或观测值矩阵。 一、样本X1,X2, ?,XN的联合概率密度 极大似然估计是通过似然函数来求得的，似然函数可以是样本联合概率密度 f (x1,x2,?,xn)的任意正常数倍，我们不妨取成相等，记为L(μ, Σ)。可具体表达为： 二、Μ和Σ的极大似然估计 一元正态情形： 多元正态情形： 其中 称为样本均值向量（简称为样本均值）， 称为样本离差矩阵。 三、相关系数的极大似然估计 1.简单相关系数 2.复相关系数 3.偏相关系数 1.简单相关系数 相关系数ρij的极大似然估计为: 其中 。称S为样本协方差矩阵、rij为样本相关系数、 为样本相关矩阵。 2.复相关系数 将X, Σ(0),S剖分如下： 则复相关系数ρ1?2,?,p的极大似然估计为r1?2,?,p,称之为样本复相关系数。其中