sas系統(tǒng)數(shù)據(jù)管理(編輯修改稿)
2024-09-26 20:40 本頁面
【文章內(nèi)容簡介】 proc copy in=lib1 out=lib2 MTYPE=(data catalog)。 run。 例 將邏輯庫 LIB1的所有 SAS文件移動(dòng)到 LIB2中。 proc copy in=lib1 out=lib2 move。 run。 例 選擇以 DAT開頭的所有文件 。 data (alter=zsw)。 var=39。move39。 run。 proc copy in=ResDat out=work move。 select dat: (alter=zsw)。 run。 第八章 對(duì)數(shù)極大似然估計(jì) 極大似然估計(jì)法 (maximum likelihood, ML)，是不同于最小二乘法的另一種參數(shù)估計(jì)方法，是從極大似然原理發(fā)展起來的其他估計(jì)方法的基礎(chǔ)。雖然其應(yīng)用沒有最小二乘法普遍，但在計(jì)量經(jīng)濟(jì)學(xué)理論上占據(jù)很重要的地位，因?yàn)闃O大似然原理比最小二乘原理更本質(zhì)地揭示了通過樣本估計(jì)母體參數(shù)的內(nèi)在機(jī)理，計(jì)量經(jīng)濟(jì)學(xué)理論的發(fā)展更多的是以極大似然估計(jì)原理為基礎(chǔ)的，對(duì)于一些特殊的計(jì)量經(jīng)濟(jì)學(xué)模型，只有極大似然方法才是很成功的估計(jì)方法。 EViews包含了一些常用方法，如最小二乘法、非線性最小二乘法、加權(quán)最小二乘法、 TSLS、 GMM、 ARIMA、ARCH、 GARCH等方法，這些方法可以解決可能遇到的大多數(shù)估計(jì)問題。但是，我們?cè)谘芯恐幸部赡軙?huì)碰到一些不在上述之列的特殊的模型，這些模型可能是現(xiàn)存方法的一個(gè)擴(kuò)展，也可能是一類全新的問題。 為了能解決這些特殊的問題 ， EViews提供了 對(duì)數(shù)極大似然估計(jì)對(duì)象 這一工具來估計(jì)各種不同類型的模型 。 對(duì)數(shù)極大似然估計(jì)對(duì)象提供了一個(gè)一般的 ， 開放的工具 ， 可以通過這個(gè)工具極大化相關(guān)參數(shù)的似然函數(shù)對(duì)一大類模型進(jìn)行估計(jì) 。 使用對(duì)數(shù)極大似然估計(jì)對(duì)象估計(jì)時(shí) ， 我們用 EViews的序列生成器 ， 將樣本中各個(gè)觀測(cè)值的對(duì)數(shù)似然貢獻(xiàn)描述為一個(gè)未知參數(shù)的函數(shù) 。 可以給出似然函數(shù)中一個(gè)或多個(gè)參數(shù)的解析微分 ， 也可以讓 EViews自動(dòng)計(jì)算數(shù)值微分 。EViews將尋找使得指定的似然函數(shù)最大化的參數(shù)值 ， 并給出這些參數(shù)估計(jì)的估計(jì)標(biāo)準(zhǔn)差 。 在本章 ， 我們將詳細(xì)論述對(duì)數(shù)極大似然估計(jì)對(duì)象 ，說明其一般特征 。 并給出了一些可以使用該方法的具體的例子 。 167。 對(duì)數(shù)極大似然估計(jì)的基本原理 167。 極大似然估計(jì)的基本原理 設(shè)總體的概率密度函數(shù)為 P， 其類型是已知的 ， 但含有未知參數(shù) （ 向量 ） ?。 我們的目的就是依據(jù)從該總體抽得的隨機(jī)樣本 y1, y2, … , yT ， 尋求對(duì) ? 的估計(jì) 。 觀測(cè)值 y1, y2, … , yT 的聯(lián)合密度函數(shù)被給定為 （ ） 其中： y = ( y1, y2, … , yT )?。 將這一聯(lián)合密度函數(shù)視為參數(shù) ? 的函數(shù) ， 稱為樣本的似然函數(shù) （ likelihood function） 。 ???TttyPL1)()。( ψy 極大似然原理就是尋求參數(shù)的估計(jì)值 ， 使得所給樣本值的概率密度 （ 即似然函數(shù) ） 的值在這個(gè)參數(shù)值之下 ， 達(dá)到最大 。 在當(dāng)前的情形下 ， 就是尋求 ? 的估計(jì)值 ， 使得似然函數(shù) L(y 。 ?) 相對(duì)于給定的觀測(cè)值 y1, y2, … , yT 而言達(dá)到最大值 ， 就被稱為極大似然估計(jì)量 。 ψ?ψ? 在 L(y 。 ?) 關(guān)于 ?i（ i =1, 2, … , n， n是未知參數(shù)的個(gè)數(shù) ）的偏導(dǎo)數(shù)存在時(shí) ， 要使 L(y 。 ?) 取最大值 ， ? 必須滿足 , i =1, 2, …, n （ ） 由上式可解得 n?1 向量 ? 的極大似然估計(jì)值 ，而式 ()也被稱為似然函數(shù)。 0)。( ?? ? ψyLi?ψ? 因?yàn)? L(y 。 ?) 與 ln[L(y 。 ?))] 在同一點(diǎn)處取極值 ， 所以也可以由 , i =1, 2, …, n （ ） 求得，因?yàn)閷?duì)數(shù)可將乘積變成求和，所以，式 ()往往比直接使用式 ()來得方便。式 ()也被稱為對(duì)數(shù)似然函數(shù)。 0)。(ln ?? ? ψyLi? 考慮多元線性回歸模型的一般形式 , t =1, 2 , … , T () 其中 k 是解釋變量個(gè)數(shù) ， T 是觀測(cè)值個(gè)數(shù) ， 隨機(jī)擾動(dòng)項(xiàng) ～ ， 那么 yt 服從如下的正態(tài)分布： ～ 其中 () tktkttt uxxxy ?????? ???? ?22110tu ),0( 2?Nty ),(2?? tNktkttt xxx ????? ????? ?22110 y 的隨機(jī)抽取的 T 個(gè)樣本觀測(cè)值的聯(lián)合概率函數(shù)為 （ ） 這就是變量 y的似然函數(shù) ， 未知參數(shù)向量 ?={?1, ?2,… ?k, ?2}。 對(duì)似然函數(shù)求極大值和對(duì)數(shù)似然函數(shù)求極大值是等價(jià) 的 ， 式 ()的 對(duì)數(shù)似然函數(shù)形式 為： （ ） ?????????TtttyTTTttTeyPyyyPL122)(2121212π)2(1)(),(),(???? ?β??????????????????TtttTtttyyTL122212222)(21)π2l n (21)(21)π2l n (2),(ln???????β 注意 ， 可以將對(duì)數(shù)似然函數(shù)寫成 t 時(shí)刻所有觀測(cè)值的對(duì)數(shù)似然貢獻(xiàn)和的形式 ， （ ） 這里對(duì)數(shù)似然的單個(gè)貢獻(xiàn) （ 用小寫字母表示 ） 由下面的式子給出： （ ） ),(),(ln 212 ?? ββ ???TttlL2222 )(21)π2l n (21),(ttt yl ???? ????βTt ,2,1 ?? 式 （ ） 也可用標(biāo)準(zhǔn)正態(tài)分布的密度函數(shù) ? 表示 （ ） 式中 標(biāo)準(zhǔn)正態(tài)分布的對(duì)數(shù)似然函數(shù) ? 為 （ ） 這里對(duì)數(shù)似然函數(shù)每個(gè)觀測(cè)值的貢獻(xiàn)式 ()又可以由下面的式子給出： （ ） ?????????TtttTtyTL122122 )(21)l n (21π)2l n (2),(ln ????β?? ?????? ????????? ?? Tttty12 )l n (21)(ln ?????????Tttt zTz1221π)2l n (2)(ln ? ?? tttyz ??)l n (21ln),( 2?? ??? ????????? ?? tttyl βTt ,2,1 ?? 167。 EViews極大似然對(duì)象概述 用對(duì)數(shù)極大似然估計(jì)來估計(jì)一個(gè)模型，主要的工作是建立用來求解似然函數(shù)的說明文本。用 EViews指定對(duì)數(shù)極大似然函數(shù)的說明是很容易的，因?yàn)樗迫缓瘮?shù)的說明只是一系列對(duì)序列的賦值語句，這些賦值語句在極大化的過程中被反復(fù)的計(jì)算。我們所要做的只是寫下一組語句，在計(jì)算時(shí)，這些語句將描述一個(gè)包含每個(gè)觀測(cè)值對(duì)似然函數(shù)貢獻(xiàn)的序列。 注意到 ， 我們能將對(duì)數(shù)似然函數(shù)寫成所有觀測(cè)值 t 的對(duì)數(shù)似然貢獻(xiàn)和 的形式 ， 這里 單個(gè)貢獻(xiàn) 由下面的式子給出：
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1