数学回顾-计量经济学及Stata应用.pptxVIP

? 陈强，2015 年，《计量经济学及 Stata 应用》，高等教育出版社。;“?”表示“定义”。几何上，(一阶)导数就是函数y ? f (x) 在x 处 的切线斜率，参见图 3.1。;一阶导数 f ?(x)仍是x 的函数，可定义 f ?(x)的导数，即二阶导数 (second derivative)：;考虑无约束的一元最大化问题(参见图 3.2)，;故一元最大化问题的必要条件为;最小化问题的一阶条件与最大化问题相同，都要求在最优值 x* 处的切线斜率为 0，即 f ?(x* ) ? 0。;在计算y 对x1 的一阶偏导数时，首先给定x2 ,?, xn 为常数(视为参 数)，则y ? f (x1, x2 ,?, xn )可看成x1 的一元函数y ? f (x1,?)。;1 2 n;一阶条件要求在最优值x* 处，所有偏导数均为 0：;5.积分;区间? xi?1, xi ?(i ? 1,?, n )中任取一点?i (记 a 为x0 ，而 b 为xn )。;12;13;14;15;16;17;n;19;20;21;22;23;24;25;逆矩阵的逆矩阵还是矩阵本身，即( A?1 )?1 ? A。;27;28;29;30;31;32;33;34;35;;;38;39;40;41;42;在一维情况下，此二次型可写为;3.3 概率与条件概率;AB 表示事件A与B 同时发生(即交集，也记为A ? B )，故P( AB) 为 “太阳雨”的概率，参见图 3.8。条件概率是计量的重要概念之一。;3．独立事件;4．全概率公式;48;49;图 3.9 概率密度函数的示意图;定义累积分布函数(cumulative distribution function，简记 cdf)：;52;二维随机向量的联合密度函数就像倒扣的草帽。落入平面某区 域 D 的概率就是此草帽下在区域 D 之上的体积，参见图 3.11。;54;定义二维随机向量( X ,Y ) 的累积分布函数为：;;;58;59;60;61;协方差的缺点是，它受X 与Y 计量单位的影响。为将其标准化， 引入相关系数。 定义 随机变量X 与Y 的相关系数(correlation)为;63;三阶中心矩表示随机变量密度函数的不对称性(偏度)。;;X 的 超 额 峰 度 (excess;定义 条件期望(conditional expectation)就是条件分布Y | x 的期 望，即;68;69;70;71;72;首先，打开此数据集，看它所包含的变量。 . use grilic.dta,clear;74;75;76;;78;;作为对比，考察工资水平本身的分布，参见图 3.17。 . gen wage=exp(lnw);81;. kdensity lnw if s==16;83;;85;比较在 s=12(中学毕业)与 s=16(大学毕业)情况下，lnw 的条件 密度(参见图 3.20)。;87;88;89;90;以离散型变量为例，证明等式(3.57)。假设 X 的可能取值为 x1, x2 , ?, xi , ?，而 Y 的??能取值为y1, y2 , ?, y j , ?。记 pi ? P( X ? xi )， q j ? P(Y ? y j )，而 pij ? P( X ? xi , Y ? y j )。 证明：从等式(3.57)的右边开始证明。;92;迭代期望定律很像全概率公式：无条件期望等于条件期望之 加权平均，权重为条件概率密度。;94;95;命题 如果 X 与 Y 相互独立，则 Y 均值独立于 X，且 X 均值独 立于 Y。 定理 如果Y 均值独立于X，或X 均值独立于Y，则Cov( X ,Y ) ? 0。;常用连续型统计分布 正态分布：如果随机变量 X 的概率密度函数为;98;选择项“range(-5 5)”表示在横轴区间(-5, 5)上画此图；默认 为“range(0 1)”，即在(0, 1)区间画图。“xline(0)”表示在 横轴 x = 0 处画一条直线。“ytitle(概率密度)”表示将纵轴标 签设为“概率密度”。;100;;则称 X 服从期望为 、协方差矩阵为? 的 n 维正态分布，记为 X ~ N (?, ? )。;103;在 Stata 中，使用函数 chi2den(k,x)与 chi2(k,x)分别 表示自由度为 k 的卡方分布的概率密度与累积分布函数。比如， 输入命令将? 2 (3) 与? 2 (5)的密度函数画在一起(参见图 3.23)： . twoway function chi3=chi2den(3,x),range(0;3．t 分布 假设Z ~ N (0, 1) ，Y ~ ? 2 (k )，且 Z 与 Y 相互独立，则;106;;4．F 分布;Stata 使用函数