SAS系統(tǒng)數(shù)據(jù)管理

1、1會計學SAS系統(tǒng)數(shù)據(jù)管理系統(tǒng)數(shù)據(jù)管理DATA=規(guī)定被排序數(shù)據(jù)集，缺省時為最新創(chuàng)建數(shù)據(jù)集OUT=創(chuàng)建輸出數(shù)據(jù)集，省略時用排序后數(shù)據(jù)集替換原數(shù)據(jù)集ASCII規(guī)定按ASCII排序SWEDISH規(guī)定按Swedish排序NATIONAL規(guī)定按習慣排序FORCE強行實施多余排序PROC TRANSPOSE ; BY variable-1 . variable-n ; COPY variable(s); ID variable; IDLABEL variable; VAR variable(s); BY規(guī)定對每個BY組求轉(zhuǎn)置，BY變量包含在輸出數(shù)據(jù)集中但沒有被轉(zhuǎn)置COPY將沒有轉(zhuǎn)置的變量直接拷貝到輸出數(shù)據(jù)

2、集中ID規(guī)定輸入數(shù)據(jù)集中一個變量。其值為轉(zhuǎn)置后數(shù)據(jù)集的變量名IDLABEL規(guī)定被轉(zhuǎn)置變量的標簽VAR列出要轉(zhuǎn)置的變量 SAS 系統(tǒng) 1 2007年03月07日 星期五 下午09時21分17秒 Obs _NAME_ Alice Barbara Carol Jane Janet Joyce Judy Louise Mary Alfred 1 Age 13.0 13.0 14.0 12.0 15.0 11.0 14.0 12.0 15.0 14.0 2 Height 56.5 65.3 62.8 59.8 62.5 51.3 64.3 56.3 66.5 69.0 3 Weight 84.0 98.

3、0 102.5 84.5 112.5 50.5 90.0 77.0 112.0 112.5 Obs Henry James Jeffrey John Philip Robert Ronald Thomas William 1 14.0 12.0 13.0 12.0 16 12.0 15 11.0 15.0 2 63.5 57.3 62.5 59.0 72 64.8 67 57.5 66.5 3 102.5 83.0 84.0 99.5 150 128.0 133 85.0 112.0Obs_NAME_FM1Age15152Height66.566.53Weight112112ObsSex_NA

4、ME_FM1FAge15.2FHeight66.5.3FWeight112.4MAge.155MHeight.66.56MWeight.112 Fish Length Data for Each Location and Date 1 Location Date _NAME_ Measurement Cole Pond 02JUN95 Length1 31 Cole Pond 02JUN95 Length2 32 Cole Pond 02JUN95 Length3 32 Cole Pond 02JUN95 Length4 33 Cole Pond 03JUL95 Length1 33 Cole

5、 Pond 03JUL95 Length2 34 Cole Pond 03JUL95 Length3 37 Cole Pond 03JUL95 Length4 32 Cole Pond 04AUG95 Length1 29 輸出窗口顯示options nodate pageno=1 linesize=80 pagesize=40;data split;set ResDat.weights;array s7 s1-s7;subject + 1;do Time=1 to 7;strength=stime;output;end;drop s1-s7;run;proc print data=split

6、(obs=15) noobs;title Split Data Set;title2 First 15 Observations Only;run;/*接左側(cè)*/proc transpose data=split out=totsplit prefix=Str;by program subject;copy time strength; var strength;run;proc print data=totsplit(obs=15) noobs;title Totsplit Data Set;title2 First 15 Observations Only;run;沒有選項恢復缺省時的輸出

7、目的地LABEL=給存貯在SAS目錄冊中SAS日志或輸出結(jié)果加說明標簽LOG=將SAS日志輸出到外部永久文件或SAS目錄冊中LOG=and PRINT=將SAS日志和運行結(jié)果輸出到一個文件中NEW替換原輸出文件PRINT=將運行結(jié)果輸出到外部永久文件或SAS目錄冊中UNIT=將結(jié)果直接輸出到文件標記為FTnnF001的文件中BASE=| OUT=規(guī)定基本數(shù)據(jù)集的名子DATA=| NEW=規(guī)定要添加在基本數(shù)據(jù)集后面的數(shù)據(jù)集名，缺省時使用最近創(chuàng)建的SAS數(shù)據(jù)集FORCE強迫PROC APPEND連接兩數(shù)據(jù)集IN|INLIB|INDD=規(guī)定被拷貝的SAS數(shù)據(jù)庫，此項必須規(guī)定OUT|OUTLIB|OU

8、TDD=規(guī)定拷貝數(shù)據(jù)庫，此項必須規(guī)定MEMTYPE|MTYPE|MT=規(guī)定被拷貝或移動成員的類型MOVE移走IN=數(shù)據(jù)庫中的相應成員ALTER=移動一個可改變保護的成員時，要寫上原來的改變訪問口令I(lǐng)NDEX=YES/NO規(guī)定拷貝數(shù)據(jù)集時是否拷貝該數(shù)據(jù)集的索引。缺省時INDEX=YESALL所有成員，缺省值A(chǔ)CCESSSAS/ACCESS軟件創(chuàng)建的存取文件CATALOG目錄DATA數(shù)據(jù)集PROGRAM程序VIEW視圖 極大似然估計法極大似然估計法(maximum likelihood, ML)，是不同于最小二乘法的，是不同于最小二乘法的另一種參數(shù)估計方法，是從極大似然原理發(fā)展起來的其他估計方法的

9、基礎(chǔ)。另一種參數(shù)估計方法，是從極大似然原理發(fā)展起來的其他估計方法的基礎(chǔ)。雖然其應用沒有最小二乘法普遍，但在計量經(jīng)濟學理論上占據(jù)很重要的地位，雖然其應用沒有最小二乘法普遍，但在計量經(jīng)濟學理論上占據(jù)很重要的地位，因為極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母體參數(shù)的因為極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母體參數(shù)的內(nèi)在機理，計量經(jīng)濟學理論的發(fā)展更多的是以極大似然估計原理為基礎(chǔ)的，內(nèi)在機理，計量經(jīng)濟學理論的發(fā)展更多的是以極大似然估計原理為基礎(chǔ)的，對于一些特殊的計量經(jīng)濟學模型，只有極大似然方法才是很成功的估計方法。對于一些特殊的計量經(jīng)濟學模型，只有極大似然方法才是很成功的估

10、計方法。 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)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、最小二乘法、TSLS、GMM、ARIMA、ARCH、GARCH等方法，這些方法可等方法，這些方法可以解決可能遇到的大多數(shù)估計問題。但是，我們在研究中也可能會碰到一些不以解決可能遇到的大多數(shù)估計問題。但是，我們在研究中也可能會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)存方法的一個擴展，也可能是一在上述之列的特殊的模型，這些模型可能是現(xiàn)存方法的一個擴展，也可能是一類全新的問題。類全新的問題。 為了能解決這些特殊的問題，為了能解決這些特殊的問題，E

11、Views提供了提供了這一這一工具來估計各種不同類型的模型。對數(shù)極大似然估計對象提供了一個一般的，工具來估計各種不同類型的模型。對數(shù)極大似然估計對象提供了一個一般的，開放的工具，可以通過這個工具極大化相關(guān)參數(shù)的似然函數(shù)對一大類模型進行開放的工具，可以通過這個工具極大化相關(guān)參數(shù)的似然函數(shù)對一大類模型進行估計。估計。 使用對數(shù)極大似然估計對象估計時，我們用使用對數(shù)極大似然估計對象估計時，我們用EViews的序列生成器，的序列生成器，將樣本中各個觀測值的對數(shù)似然貢獻描述為一個未知參數(shù)的函數(shù)。可以給出將樣本中各個觀測值的對數(shù)似然貢獻描述為一個未知參數(shù)的函數(shù)?？梢越o出似然函數(shù)中一個或多個參數(shù)的解析微分，

12、也可以讓似然函數(shù)中一個或多個參數(shù)的解析微分，也可以讓EViews自動計算數(shù)值微自動計算數(shù)值微分。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)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)估計的估計標準差。估計的估計標準差。 在本章，我們將詳細論述對數(shù)極大似然估計對象，說明其一般特征。在本章，我們將詳細論述對數(shù)極大似然估計對象，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。并給出了一些可以使用該方法的具體的例子。 設(shè)總體的概率密度函數(shù)為設(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）其類型是已知的，但含有未知參數(shù)（向量） 。我們的目的就

13、是依據(jù)從該總體抽得的隨機樣本我們的目的就是依據(jù)從該總體抽得的隨機樣本 y1, y2, , yT ，尋求對，尋求對 的的估計。估計。 觀測值觀測值 y1, y2, , yT 的聯(lián)合密度函數(shù)被給定為的聯(lián)合密度函數(shù)被給定為 （8.1.1）其中：其中：y = ( y1, y2, , yT ) 。將這一聯(lián)合密度函數(shù)視為參數(shù)。將這一聯(lián)合密度函數(shù)視為參數(shù) 的函數(shù)，的函數(shù)，稱為樣本的似然函數(shù)（稱為樣本的似然函數(shù)（likelihood function）。）。TttyPL1)();(y 極大似然原理就是尋求參數(shù)的估計值極大似然原理就是尋求參數(shù)的估計值 ，使得所給樣本值的概率密，使得所給樣本值的概率密度（即似然函

14、數(shù)）的值在這個參數(shù)值之下，達到最大。在當前的情形下，度（即似然函數(shù)）的值在這個參數(shù)值之下，達到最大。在當前的情形下，就是尋求就是尋求 的估計值，使得似然函數(shù)的估計值，使得似然函數(shù) L(y ; ) 相對于給定的觀測值相對于給定的觀測值 y1, y2, , yT 而言達到最大值，而言達到最大值， 就被稱為極大似然估計量。就被稱為極大似然估計量。 在在 L(y ; ) 關(guān)于關(guān)于 i（i =1, 2, , n，n是未知參數(shù)的個數(shù)）的偏導數(shù)存在時，是未知參數(shù)的個數(shù)）的偏導數(shù)存在時，要使要使 L(y ; ) 取最大值取最大值， 必須滿足必須滿足, i =1, 2, , n （8.1.2）由上式可解得由上式

15、可解得 n 1 向量向量 的極大似然估計值的極大似然估計值 ，而式，而式(8.1.2)也被稱為似然函數(shù)。也被稱為似然函數(shù)。 0);(yLi 因為因為 L(y ; ) 與與 lnL(y ; ) 在同一點處取極值，所以也可以由在同一點處取極值，所以也可以由 , i =1, 2, , n （8.1.3）求得，因為對數(shù)可將乘積變成求和，所以，式求得，因為對數(shù)可將乘積變成求和，所以，式(8.1.3)往往比直接使用式往往比直接使用式(8.1.2)來得方便。式來得方便。式(8.1.3)也被稱為對數(shù)似然函數(shù)。也被稱為對數(shù)似然函數(shù)。 0);(lnyLi 考慮多元線性回歸模型的一般形式考慮多元線性回歸模型的一般形

16、式 , t =1, 2 , , T (8.1.4)其中其中 k 是解釋變量個數(shù)，是解釋變量個數(shù)，T 是觀測值個數(shù)，隨機擾動項是觀測值個數(shù)，隨機擾動項 ，那么那么 yt 服從如下的正態(tài)分布：服從如下的正態(tài)分布： 其中其中(8.1.5) tktktttuxxxy22110tu),0(2Nty),(2tNktktttxxx22110 y 的隨機抽取的的隨機抽取的 T 個樣本觀測值的聯(lián)合概率函數(shù)為個樣本觀測值的聯(lián)合概率函數(shù)為 （8.1.6）這就是變量這就是變量y的似然函數(shù)，未知參數(shù)向量的似然函數(shù)，未知參數(shù)向量 = 1, 2, k, 2。 對似然函數(shù)求極大值和對數(shù)似然函數(shù)求極大值是等價對似然函數(shù)求極大值

17、和對數(shù)似然函數(shù)求極大值是等價的，式的，式(8.1.6)的的為：為： （8.1.7） TtttyTTTttTeyPyyyPL122)(2121212)2(1)(),(),(TtttTtttyyTL122212222)(21)2ln(21)(21)2ln(2),(ln 注意，可以將對數(shù)似然函數(shù)寫成注意，可以將對數(shù)似然函數(shù)寫成 t 時刻所有觀測值的對數(shù)似然貢獻和的時刻所有觀測值的對數(shù)似然貢獻和的形式，形式， （8.1.8） 這里對數(shù)似然的單個貢獻（用小寫字母表示）由下面的式子給出：這里對數(shù)似然的單個貢獻（用小寫字母表示）由下面的式子給出： （8.1.9） ),(),(ln212TttlL2222)(

18、21)2ln(21),(tttylTt, 2, 1 式（式（8.1.7）也可用標準正態(tài)分布的密度函數(shù)）也可用標準正態(tài)分布的密度函數(shù) 表示表示 （8.1.10）式中式中 為為 （8.1.11）這里對數(shù)似然函數(shù)每個觀測值的貢獻式這里對數(shù)似然函數(shù)每個觀測值的貢獻式(8.1.9)又可以由下面的式子給出：又可以由下面的式子給出： （8.1.12）TtttTtyTL122122)(21)ln(21)2ln(2),(lnTttty12)ln(21)(lnTtttzTz1221)2ln(2)(lntttyz)ln(21ln),(2tttylTt, 2, 1 用對數(shù)極大似然估計來估計一個模型，主要的工作是建立用

19、來求解似然用對數(shù)極大似然估計來估計一個模型，主要的工作是建立用來求解似然函數(shù)的說明文本。用函數(shù)的說明文本。用EViews指定對數(shù)極大似然函數(shù)的說明是很容易的，因指定對數(shù)極大似然函數(shù)的說明是很容易的，因為似然函數(shù)的說明只是一系列對序列的賦值語句，這些賦值語句在極大化的為似然函數(shù)的說明只是一系列對序列的賦值語句，這些賦值語句在極大化的過程中被反復的計算。我們所要做的只是寫下一組語句，在計算時，這些語過程中被反復的計算。我們所要做的只是寫下一組語句，在計算時，這些語句將描述一個包含每個觀測值對似然函數(shù)貢獻的序列。句將描述一個包含每個觀測值對似然函數(shù)貢獻的序列。 注意到，我們能將對數(shù)似然函數(shù)寫成所有觀

20、測值注意到，我們能將對數(shù)似然函數(shù)寫成所有觀測值 t 的的的的形式，形式， 這里這里由下面的式子給出：由下面的式子給出： ),(),(ln212TttlL2222)(21)2ln(21),(tttylTt, 2, 1 以只含一個解釋變量的一元線性回歸方程為例以只含一個解釋變量的一元線性回歸方程為例 , t =1, 2 , , T 假定知道模型參數(shù)的真實值，并且想用假定知道模型參數(shù)的真實值，并且想用EViews產(chǎn)生一個包含每個觀測產(chǎn)生一個包含每個觀測值的貢獻的序列。值的貢獻的序列。 tttuxy110), 0(2Nut2222)(21)2ln(21),(tttylTt, 2, 1 未知參數(shù)向量未知

21、參數(shù)向量 = 0, 1, 2, 可以將參數(shù)初值賦給系數(shù)向量的可以將參數(shù)初值賦給系數(shù)向量的c(1)到到c(3)元元素，然后把下面的賦值語句作為素，然后把下面的賦值語句作為EViews的命令或程序來執(zhí)行。的命令或程序來執(zhí)行。 Series res = y-c(1)-c(2)*x Series var = c(3) Series logL1 = -log(2*3.14159*var)/2- (res2/var)/2 前面兩行語句描述了用來存儲計算時的中間結(jié)果的序列。第一個語句創(chuàng)建了前面兩行語句描述了用來存儲計算時的中間結(jié)果的序列。第一個語句創(chuàng)建了，而第二個語句創(chuàng)建了，而第二個語句創(chuàng)建了。而序列。而序

22、列包含了包含了的集合。的集合。2222)(21)2ln(21),(tttyl 下面考慮下面考慮2個變量的例子：個變量的例子： 這里，這里，y, x, w 是觀測序列，而是觀測序列，而 = 1, 2, 3, 2是模型的參數(shù)。有是模型的參數(shù)。有T個觀測值的樣本個觀測值的樣本的對數(shù)似然函數(shù)可以寫成：的對數(shù)似然函數(shù)可以寫成： 這里，這里， 是標準正態(tài)分布的密度函數(shù)。是標準正態(tài)分布的密度函數(shù)。), 0(2321NuuwxytttttTtTttttwxyTL1122321222)()log(21)2log(2),(logTttttwxy12321)log(21(log 將這一例子的對數(shù)極大似然函數(shù)過程寫成

23、下面的賦值語句：將這一例子的對數(shù)極大似然函數(shù)過程寫成下面的賦值語句： Series res=y-c(1)-c(2)*x-c(3)*w Series var=c(4) Series logL1=log(dnorm(res/sqrt(var)-log(var)/2 前面兩行語句創(chuàng)建了殘差序列前面兩行語句創(chuàng)建了殘差序列res和方差序列和方差序列var，參數(shù)，參數(shù)c(1), c(2), c(3)代表了代表了回歸系數(shù)回歸系數(shù) 1, 2, 3，c(4)代表了代表了 2，序列序列l(wèi)ogL1包含了每個觀測值的對數(shù)似然貢獻包含了每個觀測值的對數(shù)似然貢獻的集合。的集合。 )log(21log),(2321tttt

24、wxyl 下面考慮稍復雜的例子，假設(shè)數(shù)據(jù)是由條件異方差回歸模型生成的：下面考慮稍復雜的例子，假設(shè)數(shù)據(jù)是由條件異方差回歸模型生成的： 這里，這里，x, y, w 是觀測序列，而是觀測序列，而 = 1, 2, 3, 2, 是模型的參數(shù)。有是模型的參數(shù)。有T個觀測值的個觀測值的樣本的對數(shù)似然函數(shù)可以寫成：樣本的對數(shù)似然函數(shù)可以寫成： 這里，這里， 是標準正態(tài)分布的密度函數(shù)。是標準正態(tài)分布的密度函數(shù)。Tttttttwwwxy122/321)log(21(logTtTttttttwwxywTL1122321222)()log(21)2log(2),(log), 0(2321ttttttwNuuwxyTt

25、, 2, 1 將這一例子的對數(shù)極大似然函數(shù)過程寫成下面的賦值語句：將這一例子的對數(shù)極大似然函數(shù)過程寫成下面的賦值語句： Series res=y-c(1)-c(2)*x-c(3)*w Series var=c(4)*wc(5) Series logL1=log(dnorm(res/sqrt(var)-log(var)/2 前面兩行語句創(chuàng)建了殘差序列前面兩行語句創(chuàng)建了殘差序列res和方差序列和方差序列var，參數(shù)，參數(shù)c(1), c(2), c(3)代表回代表回歸系數(shù)歸系數(shù) 1, 2, 3，c(4)代表代表 2，c(5)代表代表 ，序列，序列l(wèi)ogL1包含了每個觀測值的對數(shù)包含了每個觀測值的對數(shù)

26、似然貢獻的集合。似然貢獻的集合。 )log(21log),(22/321ttttttwwwxylTt, 2, 1 現(xiàn)在假定不知道模型參數(shù)的真實值，而想使用數(shù)據(jù)來估計它。參數(shù)的現(xiàn)在假定不知道模型參數(shù)的真實值，而想使用數(shù)據(jù)來估計它。參數(shù)的極大似然估計被定義為：使得樣本中所有隨機抽取的一組觀測值的聯(lián)合概率極大似然估計被定義為：使得樣本中所有隨機抽取的一組觀測值的聯(lián)合概率密度，即似然函數(shù)取最大值的那組參數(shù)值。密度，即似然函數(shù)取最大值的那組參數(shù)值。 而對數(shù)極大似然方法使得尋找這些極大似然估計變得容易了。只需創(chuàng)而對數(shù)極大似然方法使得尋找這些極大似然估計變得容易了。只需創(chuàng)建一個對數(shù)似然對象，把上面的賦值語句

27、輸入到建一個對數(shù)似然對象，把上面的賦值語句輸入到logL的說明窗口，然后讓的說明窗口，然后讓EViews來估計這個模型。來估計這個模型。 在輸入賦值語句時，只需對上面的文本做兩處微小的改動就可以了。在輸入賦值語句時，只需對上面的文本做兩處微小的改動就可以了。首先，首先，（因為似然說明暗含了假定序列是當前（因為似然說明暗含了假定序列是當前的）。第二，的）。第二，（關(guān)鍵字（關(guān)鍵字為包含為包含）。）。 這樣，要在這樣，要在logL說明窗口輸入下面的內(nèi)容：說明窗口輸入下面的內(nèi)容： logL logl res = y-c(1)-c(2)*x-c(3)*w var = c(4)*wc(5) logl =

28、log(dnorm(res/sqrt(var)-log(var)/2 對數(shù)似然函數(shù)的第一行，對數(shù)似然函數(shù)的第一行，logL logl，告訴，告訴EViews用用logl序列來存儲似序列來存儲似然貢獻。余下的行定義了中間結(jié)果的計算和實際的似然貢獻的計算。然貢獻。余下的行定義了中間結(jié)果的計算和實際的似然貢獻的計算。 當用當用EViews估計模型參數(shù)時，它將對不同參數(shù)值重復執(zhí)行說明中估計模型參數(shù)時，它將對不同參數(shù)值重復執(zhí)行說明中的賦值語句，使用迭代法來求使得對數(shù)似然貢獻最大的一組參數(shù)值。當?shù)馁x值語句，使用迭代法來求使得對數(shù)似然貢獻最大的一組參數(shù)值。當EViews再不能提高全部似然貢獻時，它將停止迭代

29、并在估計輸出中報告再不能提高全部似然貢獻時，它將停止迭代并在估計輸出中報告最終參數(shù)值和估計標準差。最終參數(shù)值和估計標準差。 本章下面的部分將更詳細地討論使用似然方法說明，估計和檢驗時本章下面的部分將更詳細地討論使用似然方法說明，估計和檢驗時要遵循的規(guī)則。要遵循的規(guī)則。 要創(chuàng)建一個似然對象，選擇要創(chuàng)建一個似然對象，選擇Objects/New Object./ LogL或者在命令窗或者在命令窗口輸入口輸入“l(fā)ogL”。似然窗口將打開一個空白說明視圖。說明視圖是一個文本窗。似然窗口將打開一個空白說明視圖。說明視圖是一個文本窗口，在這個窗口里可以輸入描述統(tǒng)計模型的說明語句，還可以設(shè)置控制估計程口，在這

30、個窗口里可以輸入描述統(tǒng)計模型的說明語句，還可以設(shè)置控制估計程序各個方面的選項。序各個方面的選項。 正如上節(jié)中所描述的那樣，似然說明的主線是一系列賦值語句，在正如上節(jié)中所描述的那樣，似然說明的主線是一系列賦值語句，在計算時，這些賦值語句將產(chǎn)生一個包含樣本中每個觀測值的對數(shù)似然貢獻計算時，這些賦值語句將產(chǎn)生一個包含樣本中每個觀測值的對數(shù)似然貢獻的序列。賦值語句的多少可以自己決定。的序列。賦值語句的多少可以自己決定。 每個似然說明都必須包含一個控制語句，該語句命名了保存似然貢獻的序每個似然說明都必須包含一個控制語句，該語句命名了保存似然貢獻的序列。語句的格式為：列。語句的格式為： 這里這里logL是

31、關(guān)鍵字是關(guān)鍵字，series_name是保存似然貢獻的序列的名字，可以寫在似是保存似然貢獻的序列的名字，可以寫在似然說明的任何位置。然說明的任何位置。 例如，對于一元線性回歸方程的似然說明來說，第一行：例如，對于一元線性回歸方程的似然說明來說，第一行：logL logl是似是似然貢獻的序列的說明。當對模型進行計算時，然貢獻的序列的說明。當對模型進行計算時，EViews將在現(xiàn)有參數(shù)值下執(zhí)行每將在現(xiàn)有參數(shù)值下執(zhí)行每個賦值語句，并將結(jié)果保存到指定名稱的序列里。如果序列不存在，系統(tǒng)將自動個賦值語句，并將結(jié)果保存到指定名稱的序列里。如果序列不存在，系統(tǒng)將自動創(chuàng)建，如果已經(jīng)存在，系統(tǒng)將使用現(xiàn)有的序列，并覆

32、蓋序列原來的內(nèi)容。創(chuàng)建，如果已經(jīng)存在，系統(tǒng)將使用現(xiàn)有的序列，并覆蓋序列原來的內(nèi)容。 如果想在估計完成后刪除說明中的一個或多個序列，可以使用如果想在估計完成后刪除說明中的一個或多個序列，可以使用temp語句：語句： 這個語句告訴這個語句告訴EViews在對說明的計算完成后，刪除列表中的序列。如果在在對說明的計算完成后，刪除列表中的序列。如果在logL中創(chuàng)建了許多中間結(jié)果，又不愿意工作文件因包含這些結(jié)果的序列而弄得混中創(chuàng)建了許多中間結(jié)果，又不愿意工作文件因包含這些結(jié)果的序列而弄得混亂的話，刪除這些序列將是很有用的。例如，圖亂的話，刪除這些序列將是很有用的。例如，圖8.2中的最后一行語句就是命令中的

33、最后一行語句就是命令EViews在估計結(jié)束后，刪除估計產(chǎn)生的中間序列在估計結(jié)束后，刪除估計產(chǎn)生的中間序列res、var和和logl。 這里需要強調(diào)一點，在似然說明的文本中可以加入說明語句，說明語句的前這里需要強調(diào)一點，在似然說明的文本中可以加入說明語句，說明語句的前面加上撇號面加上撇號“ ”，則這個語句將不被執(zhí)行。，則這個語句將不被執(zhí)行。 在上面的例子中，我們使用了系數(shù)在上面的例子中，我們使用了系數(shù)c(1) 到到c(5) 作為未知參數(shù)的名稱。更一作為未知參數(shù)的名稱。更一般的，出現(xiàn)在說明中一個已命名的系數(shù)向量中的每一個元素都將被視為待估參數(shù)。般的，出現(xiàn)在說明中一個已命名的系數(shù)向量中的每一個元素都

34、將被視為待估參數(shù)。例如創(chuàng)建例如創(chuàng)建2個命名的系數(shù)向量：個命名的系數(shù)向量： beta(2) sigma(1) 于是可以寫出下面的似然說明：于是可以寫出下面的似然說明： logL logL1 res=cs- beta(1)- beta(2)*inc var=sigma(1) logl1=log(dnorm(res/sqrt(var)-log(var)/2 由于說明中的已命名的系數(shù)向量的所有元素都將被視為待估參數(shù)，由于說明中的已命名的系數(shù)向量的所有元素都將被視為待估參數(shù)，。如果一個參數(shù)對似然沒。如果一個參數(shù)對似然沒有影響，那么在試圖進行參數(shù)估計時，將遇到一個奇異錯誤。有影響，那么在試圖進行參數(shù)估計時

35、，將遇到一個奇異錯誤。 應該注意到除了系數(shù)元素外所有的對象在估計過程中都將被視為固定的，應該注意到除了系數(shù)元素外所有的對象在估計過程中都將被視為固定的，不可改變的。例如，假定不可改變的。例如，假定omega是工作文件中一個已命名的標量是工作文件中一個已命名的標量(scalar omega)，如果將子表達式，如果將子表達式var定義如下定義如下: var = omega EViews將不會估計將不會估計omega 。omega的值將被固定在估計的開始的值將被固定在估計的開始值上值上。 logL說明包含了一個或多個能夠產(chǎn)生包含似然貢獻的序列的賦值說明包含了一個或多個能夠產(chǎn)生包含似然貢獻的序列的賦值

36、語句。在執(zhí)行這些賦值語句的時候，語句。在執(zhí)行這些賦值語句的時候，EViews總是從頂部到底部執(zhí)行，總是從頂部到底部執(zhí)行，所以后面計算要用到的表達式應放在前面。所以后面計算要用到的表達式應放在前面。 EViews對整個樣本重復地計算每個表達式。對整個樣本重復地計算每個表達式。EViews對模型進行重對模型進行重復計算時采用復計算時采用和和兩種不同方式，這樣就必須指兩種不同方式，這樣就必須指定采用那種方式，即觀測值和方程的執(zhí)行順序。定采用那種方式，即觀測值和方程的執(zhí)行順序。 默認情形下，默認情形下，EViews用觀測值順序來計算模型，此種方式是先用第用觀測值順序來計算模型，此種方式是先用第一個觀測

37、值來計算所有的賦值語句，接下來是用第二個觀測值來計算所有一個觀測值來計算所有的賦值語句，接下來是用第二個觀測值來計算所有的賦值語句，如此往復，直到估計樣本中所有觀測值都使用過。這是用觀的賦值語句，如此往復，直到估計樣本中所有觀測值都使用過。這是用觀測值順序來計算遞歸模型的正確順序，遞歸模型中每一個觀測值的似然貢測值順序來計算遞歸模型的正確順序，遞歸模型中每一個觀測值的似然貢獻依賴于前面的觀測值，例如獻依賴于前面的觀測值，例如AR模型或模型或ARCH模型。模型。 可以改變計算的順序，這樣可以改變計算的順序，這樣EViews就可以用方程順序來計算模型，先用所就可以用方程順序來計算模型，先用所有的觀

38、測值來計算第一個賦值語句，然后用所有的觀測值計算第二個賦值語句，有的觀測值來計算第一個賦值語句，然后用所有的觀測值計算第二個賦值語句，如此往復，對說明中每一個賦值語句都用同樣方式進行計算。這是用中間序列的如此往復，對說明中每一個賦值語句都用同樣方式進行計算。這是用中間序列的總量統(tǒng)計作為后面計算的輸入的模型的正確順序。總量統(tǒng)計作為后面計算的輸入的模型的正確順序。 可以通過在說明中加入一條語句來聲明所選擇的計算方法。要用方程順序來可以通過在說明中加入一條語句來聲明所選擇的計算方法。要用方程順序來計算，僅加一行關(guān)鍵字計算，僅加一行關(guān)鍵字“”。要用樣本順序來計算，可以用關(guān)鍵字。要用樣本順序來計算，可以

39、用關(guān)鍵字“byobs”。如果沒有給出關(guān)鍵字，那么。如果沒有給出關(guān)鍵字，那么。 以例以例3.1的消費函數(shù)作為例子，分析普通回歸方程的極大似然估計方法。消費的消費函數(shù)作為例子，分析普通回歸方程的極大似然估計方法。消費函數(shù)的被解釋變量函數(shù)的被解釋變量cs為實際居民消費，解釋變量為實際可支配收入為實際居民消費，解釋變量為實際可支配收入inc，變量均為，變量均為剔除了價格因素的實際年度數(shù)據(jù)，樣本區(qū)間為剔除了價格因素的實際年度數(shù)據(jù)，樣本區(qū)間為19782006年。那么凱恩斯消費函年。那么凱恩斯消費函數(shù)的方程形式就可以寫成：數(shù)的方程形式就可以寫成： (8.2.5) 其中：其中：ut服從標準正態(tài)分布，服從標準正

40、態(tài)分布，cs = CS/CPI，inc = YD / CPI ， CPI 代表代表1978年為年為1的居民消費價格指數(shù)，的居民消費價格指數(shù)， 代表自發(fā)消費，代表自發(fā)消費， 代表邊際消費傾向，則參數(shù)向量為代表邊際消費傾向，則參數(shù)向量為 =( ， ， u2)，觀測值個數(shù)，觀測值個數(shù)T =29。 tttuinccs 利用前面的式利用前面的式(8.2.2)，我們可以寫出這個方程的對數(shù)極大似然函數(shù)，我們可以寫出這個方程的對數(shù)極大似然函數(shù) (8.2.6) (8.2.6)式中式中zt = (cst- - inct) / u。 29122912222/ln)(ln2)(ln)2ln(229)(lntuttut

41、tuzinccsL 利用極大似然方法求解，作為利用極大似然方法求解，作為byobs語句的一個例子，考慮下面的說明：語句的一個例子，考慮下面的說明： EViews用觀測值順序來計算模型，此種方式是先用第一個觀測值來計算所用觀測值順序來計算模型，此種方式是先用第一個觀測值來計算所有的賦值語句，接下來是用第二個觀測值來計算所有的賦值語句，如此往復，直有的賦值語句，接下來是用第二個觀測值來計算所有的賦值語句，如此往復，直到估計樣本中所有觀測值都使用過。本例將方差作為未知參數(shù)到估計樣本中所有觀測值都使用過。本例將方差作為未知參數(shù)c(3)，一起求解。，一起求解。 進行極大似然求解之后，得到進行極大似然求解之后，得到 和和 的估計值的估計值: c(3)是方差的估計結(jié)果。這個結(jié)果與最小二乘法得到的結(jié)果完全相同。是方差的估計結(jié)果。這個結(jié)果與最小二乘法得到的結(jié)果完全相同。 作為作為byeqn語句的一個例子，考慮下面的說明：語句的一個例子，考慮下面的說明： 進行極大似然求解之后，得到進行極大似然求解之后，得到 和和 的估計值的估計