第11章 应用于序列和组的统计图

§11.1.2 Quantile—Quantile图
Quantile—Quantile ( 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/Distribution Graphs/Quantile-Quantile…. 下面的QQ Plot对话框会出 现:
§11.2 带有拟合线的散点图
通过view/Graph/Scatter打开一个组的视图菜单包括四种散点图。 §11.2.1 Simple Scatter（简单散点图）
其第一个序列在水平轴上，其余的在纵轴上。
§11.2.2 Scatter ቤተ መጻሕፍቲ ባይዱith Regression(回归散点图) 在组中对第一个序 列及第二个序列进行总
1, x, x 2 , , x b
如果变换是不可以的，会出现错误提示，对多项式(Polynomial)的阶数定 的过高。Eviews会自动降低阶数以避免共线性。
点击ok后，Eviews拟合出一条回归线，可以在Fitted Y series编辑框中键入 一个名称保存这个拟合的序列。
Robustness lterations(稳健叠代) 最小二乘法对一些无关观测值的存在非常敏感，稳健叠代操 作就是产生一种对残差平方的加权形式，使无关的观测值在估计 参数时被加最小的权数。
i 1
ri ( yi a bxi ) 2
N
这里 xi , yi 是变形后的序列，权值r通过下式得到：
(1 ei2 36 m 2 ) 2 ri 0
for ei 6m 1 otherwise
ei yi a bxi ，m是 ei 的中间数，大的残差的观测值给一
体变换来进行二元回归，
选择Regression后出现 对话框：
下面是针对二元拟合的序列变换： None
y
log y
1 y
x
log x
1 x
Logarithmic
Inverse Power Box-Cox
ya
( y a 1) a
xb
( xb 1) b
Polynomial
在编辑框中来指定参数a,b。
第十一章 应用于序列和组的统计图
EViews提供了几种对数据进行初步分析的方法。在第九章 我们已列出了几种图来描述序列分布特征。在本章，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，这些将在下面 详细论述。对某些完全技术性的介绍，不必掌握所有细节。
Quantile(分位数)操作用来描绘序列的经验分位数。对 0 q 1, X
的分位数 x(q )满足下式：
prob( x x(q) ) q ，且 prob( x x( q) ) 1 q
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。 Saved matrix name可以允许把结果保存在一个矩阵内。 Include standard errors(包括标准误差)操作标绘接近95%的置信 区间的经验分布函数。
个小权数。选择叠代次数应是一个整数。
§11.2.3 Scatter with Nearest Neighber Fit(最邻近拟合散点图)
这是一种带宽基于最邻近点的局部回归。简而言之，对样本中的每一 数据点，它拟合出一条局部的并经加权的回归线。局部是说只用邻近点也就 是样本的子集来一步步回归，加权是说邻近点越远给越小的权数。当选择后， 会出现如下的对话框：
0.5α , α ,1.5α 的三种最邻近拟合。
3．其他操作 （1）Local weighting (Tricube)局部加权 给每个局部回归的观测值加权，加权回归使残差平方和最小
N
i yi a b1 xi b2 xi2 i 1
三次方权重通过下式给出：


k 2 bk xi
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。
§11.1 序列分布图
本节列出了三种描述序列经验分布特征的图。
§11.1.1 CDF—Survivor—Quantile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/ CDF— Survivor—Quantile…时 （组菜单的Multiple Graphs 中） ，就会出现右面的对 话框： 其中，Cumulative Distribution(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 Fx (r ) prob( x r ) Surivor(残存)操作用来描绘序列的经验残存函数 S x (r ) prob( x r ) 1 Fx (r )
取整。
注意标准的最邻近定义意味着被估计点周围点的个数不必是对称的。如果 想对称，就选Symmetric neighbors。 （2）Polynomial degree(多项式次数) 制定多项式的次数来拟合每一局部回归 如果选择Bracket bandwidth span（分类带宽）操作，Eviews将显示出带宽为
group aa lwage age
aa.linefit (yl, xl)
表示建立一个组包括序列LWAGE和AGE，再经过对两个序列的对数变换然 后进行回归拟合。
aa.linefit(yl, d=3)
对Y轴上的序列经对数变换，且次数取3来拟合X轴上的序列。 aa.nnfit表示在组aa中进行最邻近点拟合。 aa.kerfit表示在组aa中进行核拟合。
Extreme value(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 的每个序列计算出QQ图。 Options钮提供计算经验分位数函数的几种方法。这与上面在CDF-SurvivorQuantile中相一致，除非样本非常小，几种方法的区别将随样本数的增加而变 得微不足道。
§11.3 函数命令
lwage.cdfplot(a) 表示对序列LWAGE做CDF，quantile和survive函数。
lwage.kdensity(k=n) 表示对序列LWAGE做核密度估计，核函数用正态，带 宽自动选取。
Lwage.kdensity（k=e, b=.25）表示对序列做核密度估计，核函数操作选缺省 项，带宽为0.25，并且为加括号带宽。

1 d d N 3 i i 0


3
for d i d N 1 otherwise
这里 d i xi x ， d N 是距该样本点最近的第 [N ]个点 距样本点的距离。如果不做选择，将默认 =1。
（2）Robustness Iterations(稳健叠代) 通过调整权数去降低远离的观测值的权重来叠代局部回归。 最初的拟合用权数wi , 若选择了Local weighting 则wi为3次，否则 为1。来自最初拟合的残差ei，被用来计算权数ri，在第二次叠代 中，局部拟合用权数wiri 。我们重复这个过程直到我们选定的叠 代次数，在每次叠代里，稳健权数ri 都通过来自上次叠代的残差 来重新计算。 （3）Symmetric Neighbors（对称邻近） 使被估计点的两侧有相同数目的观测值。可以在Fitted series （拟合序列）框中键入一名称来储存拟合值为一序列。如果选择 了Bracket bandwidth span，那么Eviews将给三个序列在定的名称 后自动分别加上L，M，H并把它们存起来，它们的带宽分别为 0.5α ，α 和1.5α 。
返回
Options键提供了几种计算经验CDF的方法： 给定N个观测值，针对r 的(CDF)被估计为：
（1）Rankit(缺省)
（2）Ordinary （3）Van der Waerden （4）Blom （5）Tukey 这几种方法的不同之处在于它们如何调整针对CDF计算的 非连续性，这种区别将随样本数的增加而变得微不足道。
2．Specification （说明操作）
因为要靠子样本点周围的点来进行局部回归，并来求拟合值，因此 specification操作就是确定选择识别周围进行回归的观测值的规则。 （1）Bandwidth span（带宽范围）
用来决定在局部回归中应包括哪些观测值，可以选取在0，1之间的一个数α。 带宽控制拟合线的平滑程度，分数α越大拟合线越平滑。这个分数α指示 Eviews在给定点使用[αN]个观测值做局部回归，[αN]是总样本个数的100α%，再
可以选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(一致)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.
1．Method 操作
可以选择在样本中的每一个数据点作局部回归或在数据点 的子集中作局部回归。 · Exact(full sample) 在样本中的每一数据点都作局部回归 · Cleveland subsampling 在选取的子样本中进行回归，可以 在编辑框中键入子样本的大小。 作回归实际上不是在样本每点都作，实际计算的点数非常 接近于M。这里隐含着这样的原因，选用子样本回归不会丢失 信息，因为特别邻近点的回归值几乎没有差别。