sas系統數據管理ppt課件-資料下載頁

　　

【正文】 明，估計和檢驗時要遵循的規則。 要創建一個似然對象 ， 選擇 Objects/New Object.../ LogL或者在命令窗口輸入 “ logL”。 似然窗口將打開一個空白說明視圖 。 說明視圖是一個文本窗口 ， 在這個窗口里可以輸入描述統計模型的說明語句 ， 還可以設置控制估計程序各個方面的選項 。 167。 似然 說明 1． 似然的定義 正如上節中所描述的那樣 ， 似然說明的主線是一系列賦值語句 ， 在計算時 ， 這些賦值語句將產生一個包含樣本中每個觀測值的對數似然貢獻的序列 。 賦值語句的多少可以自己決定 。 每個似然說明都必須包含一個控制語句 ， 該語句命名了保存似然貢獻的序列 。 語句的格式為： @logL series_name 這里 @logL是關鍵字 ， series_name是保存似然貢獻的序列的名字 ， 可以寫在似然說明的任何位置 。 例如 ， 對于一元線性回歸方程的似然說明來說 ， 第一行：@logL logl是似然貢獻的序列的說明 。 當對模型進行計算時 ，EViews將在現有參數值下執行每個賦值語句 ， 并將結果保存到指定名稱的序列里 。 如果序列不存在 ， 系統將自動創建 ，如果已經存在 ， 系統將使用現有的序列 ， 并覆蓋序列原來的內容 。 如果想在估計完成后刪除說明中的一個或多個序列 ， 可以使用 @temp語句： @temp series_name1 sereis_name2 ... 這個語句告訴 EViews在對說明的計算完成后 ， 刪除列表中的序列 。 如果在 logL中創建了許多中間結果 ， 又不愿意工作文件因包含這些結果的序列而弄得混亂的話 ， 刪除這些序列將是很有用的 。 例如 ， 圖 EViews在估計結束后 ， 刪除估計產生的中間序列 res、 var和logl。 這里需要強調一點 ， 在似然說明的文本中可以加入說明語句 ， 說明語句的前面加上撇號 “ ?” ， 則這個語句將不被執行 。 2． 參數名 在上面的例子中 ， 我們使用了系數 c(1) 到 c(5) 作為未知參數的名稱 。 更一般的 ， 出現在說明中一個已命名的系數向量中的每一個元素都將被視為待估參數 。 例如創建 2個命名的系數向量： beta(2) sigma(1) 于是可以寫出下面的似然說明： @logL logL1 res=cs beta(1) beta(2)*inc var=sigma(1) logl1=log(@dnorm(res/@sqrt(var)))log(var)/2 由于說明中的已命名的系數向量的所有元素都將被視為待估參數 ， 必須確定所有的系數確實影響了一個或多個似然貢獻的值 。 如果一個參數對似然沒有影響 ， 那么在試圖進行參數估計時 ， 將遇到一個奇異錯誤 。 應該注意到除了系數元素外所有的對象在估計過程中都將被視為固定的 ， 不可改變的 。 例如 ， 假定 omega是工作文件中一個已命名的標量 (scalar omega)， 如果將子表達式 var定義如下 : var = omega EViews將不會估計 omega 。 omega的值將被固定在估計的開始 值上 。 3． 估計的順序 logL說明包含了一個或多個能夠產生包含似然貢獻的序列的賦值語句 。 在執行這些賦值語句的時候 ，EViews總是從頂部到底部執行 ， 所以后面計算要用到的表達式應放在前面 。 EViews對整個樣本重復地計算每個表達式 。EViews對模型進行重復計算時采用 方程順序 和 樣本觀測值順序 兩種不同方式 ， 這樣就必須指定采用那種方式 ， 即觀測值和方程的執行順序 。 （ 1） 觀測值順序 （ @byobs ） 默認情形下 ， EViews用觀測值順序來計算模型 ， 此種方式是先用第一個觀測值來計算所有的賦值語句 ， 接下來是用第二個觀測值來計算所有的賦值語句 ， 如此往復 ， 直到估計樣本中所有觀測值都使用過 。 這是用觀測值順序來計算遞歸模型的正確順序 ， 遞歸模型中每一個觀測值的似然貢獻依賴于前面的觀測值 ， 例如 AR模型或ARCH模型 。 （ 2） 方程順序 （ @byeqn ） 可以改變計算的順序 ， 這樣 EViews就可以用方程順序來計算模型 ， 先用所有的觀測值來計算第一個賦值語句 ， 然后用所有的觀測值計算第二個賦值語句 ， 如此往復 ， 對說明中每一個賦值語句都用同樣方式進行計算 。 這是用中間序列的總量統計作為后面計算的輸入的模型的正確順序 。 可以通過在說明中加入一條語句來聲明所選擇的計算方法。要用方程順序來計算，僅加一行關鍵字“ @byeqn”。要用樣本順序來計算，可以用關鍵字“ @byobs”。如果沒有給出關鍵字，那么 系統默認為 “ @byobs”。 例 一元線性回歸方程的極大似然估計 以例 ， 分析普通回歸方程的極大似然估計方法 。 消費函數的被解釋變量 cs為實際居民消費 ，解釋變量為實際可支配收入 inc， 變量均為剔除了價格因素的實際年度數據 ， 樣本區間為 1978～ 2022年 。 那么凱恩斯消費函數的方程形式就可以寫成： () 其中： ut服從標準正態分布， cs = CS/CPI， inc = YD / CPI ， CPI 代表 1978年為 1的居民消費價格指數， ? 代表自發消費，? 代表邊際消費傾向，則參數向量為 ?=(?， ?， ?u2)39。，觀測值個數 T =29。 ttt ui n ccs ???? ?? 利用前面的式 ()，我們可以寫出這個方程的對數極大似然函數 () ()式中 zt = (cst? ? inct) / ?u。 ? ?? ?? ?????????????29122912222/ln)(ln2)(lnπ)2l n (229)(lntutt uttuzi nccsL??????ψ 利用極大似然方法求解，作為 @byobs語句的一個例子，考慮下面的說明： EViews用觀測值順序來計算模型，此種方式是先用第一個觀測值來計算所有的賦值語句，接下來是用第二個觀測值來計算所有的賦值語句，如此往復，直到估計樣本中所有觀測值都使用過。本例將方差作為未知參數 c(3)，一起求解。 進行極大似然求解之后，得到 ? 和 ? 的估計值 : c(3)是方差的估計結果。這個結果與最小二乘法得到的結果完全相同。 作為 @byeqn語句的一個例子，考慮下面的說明： 進行極大似然求解之后，得到 ? 和 ? 的估計值 : 例 具有異方差的一元線性回歸模型的極大似然估計 根據第 4章例 ， 各省人均家庭交通及通訊支出 (cum)和可支配收入 (in)的關系 ， 樣本個數為 30， 考慮如下具有異方差性的方程： () 為消除方程中的異方差 ， 利用加權最小二乘法求解 ， 設 234。t = cumt – ?0 – ?1 ?int ， w=1/|234。| ， 可以寫出式 ()的對數極大似然函數 () 它的未知參數向量為 ? = (?0, ?1)?。 ttt uinc u m ???? 10 ??? ?? ??? ???????????????301222102ln30π)2l n (230)(lnt ttttwwinwwc u mwL????? 也可用同樣的處理方法利用極大似然方法求解 ， 作為@byeqn語句的一個例子 ， 考慮下面的說明： 這個說明通過利用殘差 res建立加權向量 w=1/abs(res)來完成一個加權最小二乘回歸。 res的賦值語句計算了在每次計算時的殘差，而這被用做構造權重序列。 @byeqn語句指示 EViews在一個給定的迭代過程中，必須先算出所有的殘差 res，然后再計算殘差的加權向量 w。本例方差用樣本方差替代，也可將方差作為未知參數 c(3)，一起求解。