北京大学经济学院2极大似然估计.docxVIP

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 ： Year,t Excess return Excess return on market index =gt —t = rm - rft TOC \o 1-5 \h \z 17.8 13.7 39.0 23.2 12.8 6.9 24.2 16.8 17.2 12.3 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： 0 5 10 15 20 25Excess return on market portfolio45 0 5 10 15 20 25 Excess return on market portfolio VAAXd nur no nr^r-Ar ssecxl40 VAAXd nur no nr^r-Ar ssecxl 35 30 25 20 15 10 5 0 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 5 直距离，选择参数 、，使得平方距离 u2最小化(least t 1 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。 5 L ? t 1 l (yt ?t)2 (yt ? ?t)2 t i 求解两个参数： 2 （Yt t 2 Xt（Yt ? %） 0 t 这就是OLS。整理得到: X^and? y 农 xt1 2 3 4 Tx2 在上例中，把数据代入公式得: ?t 1.74 1.64xt 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？ ? 1.74 1.64 20 31.06 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系很有可能不是线性的。某些非线性的 模型可以通过变换转化为线性模型，例如指数回归模型： Y e Xt Y e Xt e^ lnYt ln Xt ut 令 yt= In Yt 及 xt=ln Xt YtXt U Yt 但是, 很多模型从本质上讲是非线性的，例如: Yt xt ut OLS的优良性质 ut (不可观测的误差项作如下假设 ) ut (不可观测的误差项作如下假设 ) 解释 误差项的均值为零 误差项的方差是常数 误差项相互独立的 误差项和解释变量不相关 以上假设成立时，OLS有如下三个良好性质。 一致性 最小二乘估计是一致的。这意味着，当样本数趋向于无穷 大时，估计值将收敛于它们的真实值(需要假设 E(xtut)=0和 Var(ut)= 2 ) 无偏性 最小二乘估计式是无偏的，意味着估计值的期望等于真实值 ? E( ?)= and E( ?)= 为了保持无偏性需要假设 E(ut)=O和Cov (ui,uj)=O。无偏性比一 致性更强。 有效性 在所有的线性无偏的估计式中， OLS估计式的方差是最小 统计推断 用标准误差来度量参数估计值的可靠程度。 在假设1 - 4成 立的条件下，估计值的标准误差可以写成 2 TOC \o 1-5 \h \z SE(?) s X—2， 、T (xt x) ? 1 SE( ?) s 2 V (Xt X)2 其中s是残差Ut的标准误差。s2 * i?2 假设 ut N(0, 2)，则OLS统计量服从正态分布： ? N( , Var()) ? N( , Var()) 如果挠动项不服从正态分布，最小二乘的估计式还是正态分布 吗？样本数足够大时，答案是：是的。 从估计式？和？构造标准正态分布： N N 0,1 .var N 0,1 var 但是，由于不知道var()和var(),我们用下面的分布加以替 代。 SE(?)SE( SE(?) SE( ?) ~ tT t分布和标准正态分布之很相似。 这2种分布都是对称的，并 且均值都为零。t分布多了一个参数：自由度(样本总观测数-2)。 当一个t分布的自由度是无穷大时，它等于标准正态分布。 用置信区间进行假设检验 *，即在显著性检验中，下面的情况下接受零假设 Ho *，即 统计量落在非拒绝域内， T