OLS-vlerësim të (34) të prodhuar pas vlerësimeve për coefficients (me absolut vlerat e t-statistikat në kllapa): CONST: 0,4882 (4,96) Fe: 0,3060 (8,89) BASHKIMI: 0,2071 (5,62) NONWH: -0,1573 (2,86) HISP: -0,0272 (0,39) ED: -0,0746 (11/22) EX: 0,0262 (5,55) EXSQ: -0,0003 (3,03) R2 0,3924 SSE 80,1376 a) të ndërtojë një 95%-confidence interval për koeficientin e EX. b) Test me hipoteza EXSQ që nuk ndikojnë në LNWAGE. c) Çfarë do të thotë se është shpërblimi i një logarithmic pesëdhjetë vjeç bardhë meshkuj me dymbëdhjetë vjet e shkollimit dhe të punës në një vend jo-bashkimit punë? Të njëjtat pyetje për një të zi (të tjera variablave që të barabartë). A është e informacionit në të dhënat në dispozicion për të ju të mjaftueshme për të të vendosë nëse një dallim është i rëndësishëm? Nëse jo, çfarë lloji të informatave shtesë do të keni nevojë? d) Një person i pesëdhjetë vjeç me dymbëdhjetë viteve të shkollimit fiton $ 10 në orë. Çfarë është me rritjen e pagave ai mund të presin në një vit (në të njëjtën kohë në punë)? e) Test me hipoteza se racor statusit nuk efekt pagave (e shtrënguar SSE = 81,3488). f) Test me hipoteza se coefficients NONWH dhe HISP janë të barabartë (jo domosdoshmërisht zero; shtrënguara SSE = 80,5008). Klasifikim të dhënat në tri subsamples sipas individuale nëse është jo-Bardhë dhe jo-hispantik (NONWH = 1), hispantik (HISP = 1) ose të tjera (NONWH = HISP = 0), një regres në pjesën e mbetur të ndryshueshëm u drejtua për secilin nga këto subsamples, dmth LNWAGE =? +? Fe + F? U UNION +? 1 + DE? 2EX +? 3 + EXSQ u. (35) Të SSEs për të tre subsamples u SSE (NONWH) = 11,9364, SSE (HISP) = 2,4631 dhe SSE (TJERA) = 63,8304. Mostra madhėsive qenë 57, 36 dhe 457 respektivisht. Tjetër (35) u vlerësua për pooled + sample HISP TJERA total dhe për të mostrës, kapitulim SSEs e 66,8373 dhe 81,3488. g) Kryen një ushqim-test të pavlefshme të gjitha hipotezat se parametrave nga HISP sample janë të barabartë me ata nga TJERA sample. h) Kryen një ushqim-test i pavlefshëm hipoteza se të gjitha parametrat janë të barabartë në të tre subsamples (ushqim-test me tre regjimet!).
Le y = (y1,..., Ym) z = 0 dhe (z1,..., Zn) 0 të dy mostra të pavarur nga një normalisht shpërndarë random ndryshueshme (domethënë yi i.i.d. ? N (μ1,? 2 1), zj i.i.d. ? N (μ2,? 2 2)). I pavlefshëm hipotezë e barazisë së dy variances është që të testohesh (alternative është: të variances janë ndryshme). a) të njehsoj lr-statistikat dhe formulojë atë duke përdorur marrëdhëniet R =? 2 1 ? 2 2 e dy pakufizuar ML-estimators për variances. b) Përcaktoni R dhe shpërndarjen e define kritike për rajonin e R-statistikor (Përdorni për pjesën e dytë për thjeshtëzimin supozimin se m = n). c) të llogaris correpsonding Uolld-statistikor. d) njehsoj përkatëse LM-statistikor. 7 Vlerësimi në maksimum gjasat EViews Në këtë seksion ne flasim në lidhje me përdorimin në maksimum gjasat Vlerësimi EViews në një shumë të mënyrë fleksibile (dmth. ne i përdorim në dritare të përcaktojë programin tonë funksion që duhet të maksimizohen). Ne përdorim një model shumë të thjeshtë (CAPM) si një shembull dhe të tregojnë se si të përdorin numerike analitike dhe derivateve të parë. Më tej, ne kemi prezantuar disa numerike optimization algoritma te përdoren në econometrics për të vlerësuar nonlinear equations. Le të fillojë me modelin tonë, përdoret si një shembull të thjeshtë. Ne e konsiderojmë të modelit CAPM = yt? +? Xt + "t t = 1,..., T, (36) ku yt është i tepërt kthimin e një cyclical konsumatorit Indeksi i mirë dhe xt denotes e tepërt kthim në periudhën t për një treg të madh indeks (që përmban të gjithë sektorët) .9 Ky model është vlerësuar nga OLS dhe mbetjeve të konsiderohen si dhe vlerësuar shpërndarjes në një histogram (shih figurën 15). Ajo tregon se ka dy vlerat të cilat kanë të vërtetë shumë të ulët të kthimit (rreth -20%). Në qoftë se ne supozojmë se janë të mbetjeve normalisht shpërndahet me standarde të thotë zero dhe devijimi i 5,53 (si llogaritur) e probabilitet të lartë vëzhguese shmangie të tilla (me më shumë se 3.65s larg) nga të thotë është P (X? 3.65s)? 0,0003. (37) Computing krahasim e mostrës për frekuencën e këtyre vëzhgimeve të kemi P (X? 3.65s) = 0,0083. (38) Ky rezultat është shumë më e madhe se sa e probabilitetit vëzhguese vlerat ekstreme të tilla në kuadrin e një normale të shpërndarjes. Kur konsideron stock market kthimit ai duhet të konsiderohet se herding sjellje si dhe reagime të forta për të nxitur ndryshimin e çmimeve • të lartë të kthimit si dhe pritet • kthimin e cila më shumë shmangem nga 'i largët do të thotë'.
Figura 15: Histogram dhe deskriptiv statistikave nga OLS-mbetjeve. Së bashku me rezultatet tona më parë do të mund të mendohet se e mbetjeve të ketë një shpërndarje me yndyrë pilë. Tani, nëse ky supozim është korrekt, ne duhet të përdorë këtë informacion në tonë krijim sipas modelit, p.sh., ne duhet të mbetjeve model si të shpërndahet me yndyra pilë. Ky ka këto teorike sfondi: Edhe nëse tonë supozim është e drejtë, do të OLS ende të jetë i paanshëm dhe të vazhdueshme, por nuk është më efikase. Nëse ne model në mënyrë eksplicite shpërndarja e mbetjeve tonë me ML tona duhet të jenë efikase vlerësues (duke pasur parasysh korrektësi shpërndarja e mori), si i përcakton nga informacionet e matricës Cramer-Rao-Ulët të lidhura. Nga kërkoj yndyrë bisht distributions-t të shpërndarjes është një kandidat i mundshëm (e cila është përdorur në shumë aplikacione që kanë të bëjnë me të dhënat e tregut të aksioneve të kthimit). Jonë e re model është tani: = yt? +? Xt + "t, (39) ku ende të gjitha supozimet për vlefshmërinë e OLS janë fullfilled mbetjeve por tani janë marrë të jenë të shpërndarë-t: "t i.i.d. domethënë p (" t) = c5 1 + "t 5? 2? -3 ? , (40) c5 ku është shkallë e parametër për shpërndarjen-t, me 5 gradë e lirisë dhe ajo mban p R ( "t) d" t = 1 (ku integrale është shenjë mbi të gjitha rezultatet e mundshme). Me këtë informacion mund të vënë në funksion tonë loglikelihood formën e mëposhtme: l (y,?) = T Xt = 1 log (p ( "t) T = log (c5) -- T 2 log (? 2) - 3 T Xt = 1 log? 1 + (yt -? -? xt) 2 5? 2? , (41) ku? = (?,?,? 2) 0 vektor është e parametrave dhe y është i vector vërejtje. Kjo duhet të jetë funcion maksimizohen për të marrë të vlerësohet nga parametrat ML. Ne mund të shihni me lehtësi, se kjo nuk është e mundur analytically; dmth ajo ka për të bërë nga një numër program. EViews është ale për të zgjidhur probleme të tilla maximization nga një numerike optimization algorithm. Të përgjithshme përcaktimin e mëtejshëm të tilla algortihms dhe disa shembuj të posaçme do të të shpjegohet në këto nėnseksionin.
No comments:
Post a Comment