eviews对象基础的描述统计分析.ppt

2019/11/25,1,第五章序列的描述统计分析,5.1单个序列的分析5.2组对象的简单统计分析,2019/11/25,2,EViews提供序列的各种统计图、统计方法及过程。当用前述的方法向工作文件中读入数据后，就可以对这些数据进行统计分析和图表分析。,EViews可以计算一个序列的各种统计量并可用表、图等形式将其表现出来。视图包括最简单的曲线图，一直到核密度估计。,5.1单个序列的分析,2019/11/25,3,打开工作文件，双击一个序列名，即进入序列的对话框。单击“view”可看到菜单分为四个区，第一部分为序列显示形式，第二和第三部分提供数据统计方法，第四部分是转换选项和标签。,2019/11/25,4,5.1.1描述统计量,以直方图显示序列的频率分布。直方图将序列的长度按等间距划分，显示观测值落入每一个区间的个数。同直方图一起显示的还有一些标准的描述统计量。这些统计量都是由样本中的观测值计算出来的。如下图：,2019/11/25,5,均值(mean)即序列的平均值，用序列数据的总和除以数据的个数。,中位数(median)即从小到大排列的序列的中间值。是对序列分布中心的一个粗略估计。最大值、最小值(maxandmin)序列中的最大最小值。标准差(StandardDeviation)标准差衡量序列的离散程度。计算公式如下,N是样本中观测值的个数，是样本均值。,2019/11/25,6,偏度（Skewness）衡量序列分布围绕其均值的非对称性。计算公式如下,是变量方差的有偏估计。如果序列的分布是对称的，S值为0；正的S值意味着序列分布有长的右拖尾，负的S值意味着序列分布有长的左拖尾。,2019/11/25,7,峰度（Kurtosis）度量序列分布的凸起或平坦程度，计算公式如下,分布的凸起程度大于正态分布；如果K值小于3，序列分布相对于正态分布是平坦的。,意义同S中,，正态分布的K值为3。如果K值大于3，,2019/11/25,8,Jarque-Bera检验检验序列是否服从正态分布。该检验的原假设是序列服从正态分布，统计量计算公式如下,S为偏度，K为峰度，m是序列估计式中参数的个数。在正态分布的原假设下，J-B统计量服从自由度为2的2分布。J-B统计量下显示的概率值（P值）是J-B统计量超出原假设下的观测值的概率。如果该值很小，则拒绝原假设。当然，在不同的显著性水平下的拒绝域是不一样的。,2019/11/25,9,5.1.2均值、中位数、方差的假设检验,这部分是对序列均值、中位数、方差的假设检验。在序列对象菜单选择View/testsfordescriptivestats/simplehypothesistests，就会出现下面的序列分布检验对话框：,2019/11/25,10,1.均值检验,如果不指定序列x的标准差，EViews将在t统计量中使用该标准差的估计值s。,是x的样本估计值，N是x的观测值的个数。在原假设下，如果x服从正态分布，t统计量是自由度为N-1的t分布。,原假设是序列x的期望值m，备选假设是m，即,2019/11/25,11,如果给定x的标准差，EViews计算t统计量：,是指定的x的标准差。,要进行均值检验，在Mean内输入值。如果已知标准差，想要计算t统计量，在右边的框内输入标准差值。可以输入任何数或标准EViews表达式，下页我们给出检验的输出结果。,2019/11/25,12,这是检验上例GDP增长率的均值，检验H0：X=10%，H1：X10%。表中的Probability值是P值（边际显著水平）。在双边假设下，如果这个值小于检验的显著水平，如0.05则拒绝原假设。这里我们不能拒绝原假设。,2019/11/25,13,2.方差检验,检验的原假设为序列x的方差等于2，备选假设为双边的，x的方差不等于2，即,EViews计算2统计量，计算公式如下,N为观测值的个数，为x的样本均值。在原假设下，如果x服从正态分布，2统计量是服从自由度为N-1的2分布。要进行方差检验，在Variance处填入在原假设下的方差值。可以填入任何正数或表达式。,2019/11/25,14,3.中位数检验,原假设为序列x的中位数等于m，备选假设为双边假设，x的中位数不等于m，即,EViews提供了三个以排序为基础的无参数的检验统计量。方法的主要参考来自于Conover（1980）和Sheskin（1997）。进行中位数检验，在Median右边的框内输入中位数的值，可以输入任何数字表达式。,2019/11/25,15,5.1.3分布图,EViews提供了几种对数据进行初步分析的方法。在前面我们已列出了几种图来描述序列分布特征。在本节，列出了几种散点图且允许我们可以用有参数或无参数过程来做拟合曲线图。这些图包含着复杂计算和大量的特殊操作，对某些完全技术性的介绍，不必掌握所有细节。EViews中设置的缺省值除了对极特殊的分析外，对一般分析而言是足够用的。直接点击ok键接受缺省设置，就可以轻松的展现出每个图。,2019/11/25,16,1.CDFSurvivorQuantile图,这个图描绘出带有加或减两个标准误差带的经验累积分布函数，残存函数和分位数函数。在序列菜单中或组菜单中选择View/Distribution/CDFSurvivorQuantile时(组菜单的MultipleGraphs中)，就会出现下面的对话框：,2019/11/25,17,其中，CumulativeDistribution(累积分布)操作用来描绘序列的经验累积函数（CDF）。CDF是序列中观测值不超过指定值r的概率,Survivor(残存)操作用来描绘序列的经验残存函数,2019/11/25,18,Quantile(分位数)操作用来描绘序列的经验分位数。对0q1,X的分位数x(q)满足下式：,，且,分位数函数是CDF的反函数，可以通过调换CDF的横纵坐标轴得到。All选项包括CDF，Survivor和Quantile函数。Savedmatrixname可以允许把结果保存在一个矩阵内。Includestandarderrors(包括标准误差)操作表示绘出接近95%的置信区间的经验分布函数图。,2019/11/25,19,上例中GDP增长率的分布图,2019/11/25,20,2.QuantileQuantile图,QuantileQuantile(QQ图)对于比较两个分布是一种简单但重要的工具。这个图标绘出一个被选序列的分位数分布相对于另一个序列的分位数分布或一个理论分布的异同。如果这两个分布是相同的，则QQ图将在一条直线上。如果QQ图不在一条直线上,则这两个分布是不同的。,当选择View/DistributionGraphs/Quantile-Quantile.下面的QQPlot对话框会出现:,2019/11/25,21,可以选择与如下的理论分布的分位数相比较:Normal(正态)分布：钟形并且对称的分布。Uniform(均匀)分布：矩形密度函数分布。Exponential(指数)分布：联合指数分布是一个有着一条长右尾的正态分布。Logistic(逻辑)分布：除比正态分布有更长的尾外是一种近似于正态的对称分布。Extremevalue(极值)分布：I型极小值分布是有一条左长尾的负偏分布,它非常近似于对数正态分布。可以在工作文件中选择一些序列来与这些典型序列的分位数相比较，也可以在编辑框中键入序列或组的名称来选择对照的序列或组，EViews将针对列出的每个序列进行并绘出QQ图。,2019/11/25,22,下图是GDP增长率和指数分布的Q-Q图：,2019/11/25,23,5.2组对象的简单统计分析,这一节主要讲述组对象的简单统计分析方法。对一个组我们可以计算各种统计量，描述不同序列之间的关系，并以各种方式显示出来，例如表格、数据表、图等。,2019/11/25,24,5.2.1组窗口,组窗口内的view下拉菜单分为四个部分：第一部分包括组中数据的各种显示形式。第二部分包括各种基本统计量。第三部分为时间序列的特殊的统计量。第四部分为标签项，提供组对象的相关信息。,2019/11/25,25,5.2.2描述统计,显示组内序列的简单统计量。详见5.1.1。1CommonSample使用于在组中序列无缺失值的情形下计算统计量（去掉包含缺失项所在时期的样本）。2IndividualSamples用每一个序列有值的观