eviews估计模型参数

14.1 平稳随机信号的参数模型

经典功率谱估计方法的方差性能较差，分辨率较低。 方差性能差的原因是无法实现功率谱密度原始定义中 的求均值和极限的运算。 分辨率低的原因，对周期图法是假定了数据窗以外的 数据全为零，对自相关法是假定了在延迟窗以外的自 相关函数全为零。

思路： (1)假定所研究的过程x(n)是由一个输入序列 u(n)激励一个线性系统H(z)的输出。

(2)由已知的x(n),或其自相关函数rx(m)来估 计H(z)的参数 (3)由H(z)的参数来估计x(n)的功率谱

对图1所示系统， u(n)和 x(n)总有如下关系：p q

x(n) ak x n k bk u n k ——(1.1)及k 1 k 0

x n h k u n k ——(1.2)k 0

对上面两式两边分别取Z变换，并令b0=1,则有B z H z ——(1.3) A z

其中，

A z 1 ak z kk 1 q

p

B z 1 bk z kk 1

H z h k z kk 0

为了保证H(z)是一个稳定的且是最

14.1 平稳随机信号的参数模型

经典功率谱估计方法的方差性能较差，分辨率较低。 方差性能差的原因是无法实现功率谱密度原始定义中 的求均值和极限的运算。 分辨率低的原因，对周期图法是假定了数据窗以外的 数据全为零，对自相关法是假定了在延迟窗以外的自 相关函数全为零。

思路： (1)假定所研究的过程x(n)是由一个输入序列 u(n)激励一个线性系统H(z)的输出。

(2)由已知的x(n),或其自相关函数rx(m)来估 计H(z)的参数 (3)由H(z)的参数来估计x(n)的功率谱

对图1所示系统， u(n)和 x(n)总有如下关系：p q

x(n) ak x n k bk u n k ——(1.1)及k 1 k 0

x n h k u n k ——(1.2)k 0

对上面两式两边分别取Z变换，并令b0=1,则有B z H z ——(1.3) A z

其中，

A z 1 ak z kk 1 q

p

B z 1 bk z kk 1

H z h k z kk 0

为了保证H(z)是一个稳定的且是最

EViews6.0在面板数据模型估计中的操作

EViews 6.0在面板数据模型估计中的实验操作

1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的习惯

2、建立面板数据工作文件workfile

（1）最好不要选择EViews默认的blanaced panel 类型

Moren_panel

（2

）按照要求建立简单的满足时期周期和长度要求的时期型工作文件

EViews6.0在面板数据模型估计中的操作

3、建立pool对象 （1）新建对象

（

2）选择新建对象类型并命名

EViews6.0在面板数据模型估计中的操作

（3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross Section Identifiers: (Enter identifiers below this line )输入截面单元名称。建议采用汉语拼音，例如

29

个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图

关闭建立的pool对象，它就出现在当前工作文件中。

4、在pool对象中建立面板数据序列

双击pool对象，打开pool对象窗口，在菜单view的下拉项中选择spreedsheet（展开表）

在打开的序列列表窗口中输入你要建立的序列名称，如果是面板数据序列必须

EViews6.0在面板数据模型估计中的操作

EViews 6.0在面板数据模型估计中的实验操作

1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的习惯

2、建立面板数据工作文件workfile

（1）最好不要选择EViews默认的blanaced panel 类型

Moren_panel

（2

）按照要求建立简单的满足时期周期和长度要求的时期型工作文件

EViews6.0在面板数据模型估计中的操作

3、建立pool对象 （1）新建对象

（

2）选择新建对象类型并命名

EViews6.0在面板数据模型估计中的操作

（3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross Section Identifiers: (Enter identifiers below this line )输入截面单元名称。建议采用汉语拼音，例如

29

个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图

关闭建立的pool对象，它就出现在当前工作文件中。

4、在pool对象中建立面板数据序列

双击pool对象，打开pool对象窗口，在菜单view的下拉项中选择spreedsheet（展开表）

在打开的序列列表窗口中输入你要建立的序列名称，如果是面板数据序列必须

Eviews基本操作指引： 1、ADF检验

双击序列——打开序列数据窗口——View——Unit Root Test ——单位根检验对话框

（1 st difference ，即检验△X ； intercept：包含截距项 ； trend：包含趋势项）

临界值判断：如果ADF检验值小于某一显著性水平下的临界值，则序列在此显著性水平下平稳。

2、根据SIC和AC值确定VAR的滞后期 单位根检验操作的输出结果中

3、建立VAR模型

在workfile里——Quick——Estimate VAR…——对话窗

缺省的是非约束VAR，另一选择是向量误差修正模型。 给出内生变量的滞后期间。 给出用于运算的样本范围。

Endogenous要求给出VAR模型中所包括的内生变量。 Exogenous要求给出外生变量（一般包含常数项）。

结果显示中，回归系数下第一个括号中的为标准差，第二个括号中的为t值。

4、脉冲响应分析（Response of * to * Innovations）/ 方差分解（Variance Decornposition） 在进行脉冲响应函数诊断之前，需要先检验VAR模型的平稳性，用AR根图(Inverse

第5章 参数估计练习题

一．选择题

1.估计量的含义是指（ ）

A.用来估计总体参数的统计量的名称 B.用来估计总体参数的统计量的具体数值 C．总体参数的名称

D．总体参数的具体取值

2．一个95%的置信区间是指（ ） A.总体参数有95%的概率落在这一区间内 B.总体参数有5%的概率未落在这一区间内

C. 在用同样方法构造的总体参数的多个区间中，有95%的区间包含该总体参数。 D.在用同样方法构造的总体参数的多个区间中，有95%的区间不包含该总体参数。

3.95%的置信水平是指（ ）

A.总体参数落在一个特定的样本所构造的区间内的概率是95%

B．在用同样方法构造的总体参数的多个区间中，包含总体参数的区间比例为95% C．总体参数落在一个特定的样本所构造的区间内的概率是5%

D．在用同样方法构造的总体参数的多个区间中，包含总体参数的区间比例为5%

4.根据一个具体的样本求出的总体均值的95%的置信区间（ ） A．以95%的概率包含总体均值 B．有5%的可能性包含总体均值 C.一定包含总体均值

D．要么包含总体均值，要么不包含总体均值

5. 当样本量一定时，置信区间的宽度（ ）

A.随着置信水平的增大而减小

参数估计习题

一、 填空题 1、设总体X若?2已知，总体均值?的置信度为1??的置信区间为：N(?,?2)，

????x??,x????，则?? ；

nn??2、设由来自正态总体XN(?,0.92)的样本容量为9的简单随机样本，得样本均

值x?5，则未知参数?的置信度0.95的置信区间为 ； 3、设X1,X2为来自总体XN(?,?2)的样本，若CX1?1X2为?的一个无偏1999估计，则C? ； 4、设X1,X2,,Xn为来自正态总体N(?,?2)的样本，a,b为常数，且0?a?b，

?n(Xi??)2n(Xi??)2?则随机区间??,??的长度L的数学期望

bai?1?i?1?为 ；

5、设??是未知参数?的估计量，若称??为?的无偏估计量，则

?)? ； E(??,??为总体未知参数?的两个无偏估计量，若称??比??更有效， 6、 设?1212?) D(??)； 则D(?11????，对?，且?7、设?为总体的未知参数，若由样本确定的两个统计量??1和?122??????}

参数估计基础

抽样研究的目的是用样本信息推断总体特征，即用样本资料计算的统计指标推断总体参数 常用的统计推断方法有参数估计（总体均数和总体概率的估计）和假设检验

内容复习

第6章 总体均数估计

抽样分布与抽样误差 ｔ分布 总体均数及总体概率的估计 案例讨论

掌握：均数和率抽样误差的概念；均数和率标准误的意义和计算；总体均数和总体率区间估计的意义、计算及其适用条件。

熟悉：总体均数的点估计；t 0.05,(ν)的概念，标准误和标准差的区别；置信区间与医学参考值范围的区别。 复习一些概念

参数(parameter)与统计量(statistics)

参数获取的途径对总体进行研究抽样研究 抽样误差（sampling error）

1.抽样误差的概念：由个体变异产生的，随机抽样引起的样本统计量与总体参数间的差异。 （抽样误差=总

体参数－样本统计量） 2.抽样误差产生的原因：

3.抽样误差的特点：随机，不可避免，有规律可循。

4.在大量重复抽样的情况下，可以展示其规律性

第一节 抽样分布与抽样误差 一、 均数的抽样分布与抽样误差 二、 频率的抽样分布与抽样误差

(一) 样本均数的抽样分布

1. 抽样模拟实验

假定总体：某

案例13

基于非参数GARCH模型的一种波动率估计方法

一、文献及研究综述

波动率（volatility）是资产收益不确定性的衡量，它经常用来衡量资产的风险。一般来说，波动率越大，意味着风险越高。由于波动率在投资分析，期权定价等方面的重要性，近20年来一直是金融领域的一个研究热点，出现许多描述金融市场波动率的模型，最为典型的是Bollerslev（1986）提出的广义自回归条件异方差模型（GARCH模型），而在实证中得到广泛应用的是其中的GARCH(1,1)模型，即条件方差不但依赖与滞后一期的扰动项的平方，而且也依赖于自身的滞后一期值，三者之间存在一种线形关系。针对三者之间的线形关系是否合适即能否用一种更有效的函数关系来描述的问题，人们进行了一些有意义的探索。Engel和Gonzalez-Rivera(1991)采用半参数方法对条件方差进行建模，对扰动项的滞后值采取非参数形式，对条件方差自身的滞后值采用线形形式，两位的研究思路为人们以后的研究工作拓宽了思路。Peter Buhlmann和Alexander J.MeNeil（2002）对三者之间的函数关系用一种非参数形式来描述，给出了一种全新的估计波动率的循环算法，并对这一全新的算法

EVIEWS之变系数回归模型

1 变系数回归模型

前面讨论的是变截距模型，并假定不同个体的解释变量的系数是相同的，然而在现实中变化的经济结构或者不同的经济背景等不可观测的反映个体差异的因素会导致经济结构的参数随着横截面个体的变化而变化，即解释变量对被解释变量的影响要随着截面的变化而变化。这时要考虑系数随着横截面个体的变化而变化的变系数模型。

1.变系数回归模型原理

变系数模型一般形式如下：

yit??i?xit?i?uit,i?1,2,,N,t?1,2,,T（1）

其中：yit为因变量，xit为1?k维解释变量向量，N为截面成员个数，T为每个截面成员的观测时期总数。参数?i表示模型的常数项，?i为对应于解释变量的系数向量。随机误差项uit相互独立，且满足零均值、等方差的假设。

在式子（1）中所表示的变系数模型中，常数项和系数向量都是随着截面个体变化而变化，因此将该模型改写为：

yit?xit?i?uit （2）

其中：xit?(1,xit)1?(k?1)，?i?(?i,?i)'

模型的矩阵形式为：

Y?X??u （3）

其

中

：

?y1??Y??????yN??NT?1；

?yi1??y?yi??i2??????yiT?T?