序列的統(tǒng)計(jì)量、檢驗(yàn)和分布eviews應(yīng)用-資料下載頁(yè)
2025-05-15 03:38本頁(yè)面
【正文】 集中作局部回歸 。 Exact(full sample) 在樣本中的每一數(shù)據(jù)點(diǎn)都作局部回歸 Cleveland subsampling 在選取的子樣本中進(jìn)行回歸 ， 可以在編輯框中鍵入子樣本的大小 。 36 工作文件 GDP的最鄰近點(diǎn)擬合的散點(diǎn)圖 37 4. Scatter with Kernel Fit（核擬合分布） 這也是一種局部回歸擬合 ， 不過(guò)是無(wú)參數(shù)的 。 另外與最鄰近回歸擬合相比 ， 區(qū)別主要體現(xiàn)在局部帶寬的選取上 。 最鄰近擬合的有效帶寬可以有很多種 ， 而核擬合則固定帶寬且局部的觀測(cè)值通過(guò)核函數(shù)來(lái)加權(quán) 。 局部核回歸擬合通過(guò)選取參數(shù) ? 使加權(quán)殘差平方和最小。 ? ? ? ? ? ?? ? ?????? ???????? ?? hXxKXxXxYxm iNikikii1210 ??? ? N是觀測(cè)值的個(gè)數(shù) ， h是帶寬 （ 或光滑參數(shù) ） ， K是核函數(shù) 。 注意：對(duì)于不同的 x， ? 的估計(jì)值不同。 38 打開(kāi) Scatter with kernel fit，出現(xiàn)下面的對(duì)話框： Regression用來(lái)指定局部回歸的形式 ， 指定多項(xiàng)式的階數(shù) k。NadarayaWatson操作設(shè)置 k=0。 Local linear操作設(shè)置 k=1。對(duì)于高階多項(xiàng)式，應(yīng)使用 Local polynomial 操作，可在下面編輯框中輸入 k的值。 39 工作文件 GDP的核擬合的散點(diǎn)圖 使用 Local polynomial 操作， k=2。 40 Kernel用來(lái)定義核函數(shù)，這里的核函數(shù)用來(lái)在每個(gè)局部回歸中給觀測(cè)值加權(quán)，對(duì)核函數(shù)的操作前面已經(jīng)介紹過(guò)。核心函數(shù)如下： Epanechnikov(default) Triangular Uniform(Rectangular) Normal(Gaussian) Biweight(Quartic) Triweight Cosinus )1()1(43 2 ?? uIu 在這里 I 是指示器， 1表示真， 2表示假。帶寬 h 決定每個(gè)局部回歸的觀測(cè)值的權(quán)數(shù)。越大越平滑。 ? ?12co s4 ??????? uIu??? ? ? ?113235 32 ?? uIu? ? ? ?111615 22 ?? uIu?????? ? 221e x p21 u?? ?121 ?uI? ? ? ?11 ?? uIu41 167。 相關(guān)矩陣及協(xié)方差矩陣 在組中可以顯示了組中各序列的相關(guān)矩陣及協(xié)方差矩陣。 Common Sample使任何缺數(shù)據(jù)的序列都被排除在相關(guān)及協(xié)方差計(jì)算之外。 Pairwise Samples用相關(guān)序列的所有無(wú)丟失觀察值計(jì)算。此方法使用樣本的最大數(shù) ,但可能導(dǎo)致不確定矩陣。 42 167。 交叉相關(guān) 交叉相關(guān)（ Cross correlation and Correligrams） 顯示組中頭兩個(gè)序列的交叉相關(guān)。序列 X 與 Y 的交叉相關(guān)的計(jì)算公式如下： ? ? ? ?? ? ? ?00 yyxxxyxycclclr ? ?2,1,0 ???l? ?? ?? ?? ?? ???????????????????????????2,1,03,2,1,011lTxxyylTyyxxlclttlTtlttlTtxy 注意與自相關(guān)不同，交叉相關(guān)不必圍繞滯后期對(duì)稱。交叉相關(guān)圖中的虛線是二倍的標(biāo)準(zhǔn)差，近似計(jì)算。 43 居民消費(fèi)（ CS）和 GDP的交叉相關(guān)系數(shù)
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1