SAS系統(tǒng)數(shù)據(jù)管理課件(PPT 73頁)

1、第15章 數(shù)據(jù)管理清華大學(xué)經(jīng)管學(xué)院 朱世武ZhushwResdat樣本數(shù)據(jù)：SAS論壇： 第1頁，共73頁。SAS系統(tǒng)提供的過程按其用途可分為四大類： 數(shù)據(jù)管理； 基礎(chǔ)統(tǒng)計； 數(shù)據(jù)呈現(xiàn)； 數(shù)據(jù)訪問。 和任何一種編程語言一樣，SAS 系統(tǒng)有一些數(shù)據(jù)管理過程，用于實現(xiàn)常用的中間操作或數(shù)據(jù)轉(zhuǎn)換。 第2頁，共73頁。本章將介紹的數(shù)據(jù)管理過程： 數(shù)據(jù)集排序； 數(shù)據(jù)集轉(zhuǎn)置； 改變輸出地點； 添加觀測； 數(shù)據(jù)庫復(fù)制。第3頁，共73頁。數(shù)據(jù)集排序 利用SAS的排序過程可以對數(shù)據(jù)集中的觀測重新排序。SAS許多和BY配合使用的語句，如對數(shù)據(jù)集進(jìn)行合并的語句或更新語句等，使用前必須先對BY變量進(jìn)行排序。 排序過程句

2、法PROC SORT ; BY variable-1 . variable-n; 第4頁，共73頁。PROC SORT語句 PROC SORT ;選項說明： 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(xí)慣排序FORCE強(qiáng)行實施多余排序第5頁，共73頁。其中：選項FORCE強(qiáng)行實施多余排序。排序并替換原來加索引的或取子集的數(shù)據(jù)集，即沒有規(guī)定OUT=選項時，如果沒有規(guī)定FORCE，就不能對有索引的數(shù)據(jù)集進(jìn)行排序和替換。沒有規(guī)定OUT=選項時必須使

3、用FORCE的選項有： OBS=系統(tǒng)選項； FIRSTOBS=系統(tǒng)選項； DATA=數(shù)據(jù)集中的數(shù)據(jù)集選項WHERS=； PROC SORT 步用WHERE語句。第6頁，共73頁。BY語句 BY variable-1variable-n;PROC SORT中必須使用BY語句，BY語句中可以規(guī)定任意多個變量。BY語句中規(guī)定多個變量時，SORT過程首先按第一個變量排序，然后是第二個變量等。BY語句中可以規(guī)定的選項：DESCENDING對變量按下降次序排序。 第7頁，共73頁。應(yīng)用舉例 例15.1 按多變量排序。data a;set ResDat.Idx000001;year=year(date);q

4、tr=qtr(date);month=month(date);proc sort data=a out=b;by year qtr month;run;例中，對上證數(shù)據(jù)Idx000001按年、季和月排序。 第8頁，共73頁。 例15.2 按單變量降序排列。 proc sort data= ResDat.a600001 out=a; by descending clpr; proc print data=a (obs=3) noobs; var date clpr; run; 例中，按收盤價CLPR的降序排列。第9頁，共73頁。數(shù)據(jù)集轉(zhuǎn)置 轉(zhuǎn)置就是把數(shù)據(jù)集的觀測變?yōu)樽兞?，變量變?yōu)橛^測。利用SAS

5、的轉(zhuǎn)置過程可以對數(shù)據(jù)集進(jìn)行轉(zhuǎn)置。 第10頁，共73頁。轉(zhuǎn)置過程句法 PROC TRANSPOSE ; BY variable-1 . variable-n ; COPY variable(s); ID variable; IDLABEL variable; VAR variable(s); 第11頁，共73頁。語句說明： 第12頁，共73頁。PROC TRANSPOSE 語句 PROC TRANSPOSE ;選項說明： 第13頁，共73頁。VAR語句和ID語句 VAR語句VAR variable-list;VAR語句列出要轉(zhuǎn)置的變量。沒有VAR語句時，則沒有列在其它語句里的所有數(shù)值變量被轉(zhuǎn)置。

6、第14頁，共73頁。ID語句ID variable;ID語句規(guī)定輸入數(shù)據(jù)集中一個變量。ID變量的值為轉(zhuǎn)置后數(shù)據(jù)集的變量名。在沒有選項LET時，ID變量的值在數(shù)據(jù)集中只能出現(xiàn)一次，使用BY語句，BY組內(nèi)只包含最后的ID值。第15頁，共73頁。應(yīng)用舉例 例15.4 ID變量的值為轉(zhuǎn)置后數(shù)據(jù)集的變量名。proc transpose data=ResDat.class out=a let;id name;proc print;run;例中，原數(shù)據(jù)集CLASS中變量NAME的值為轉(zhuǎn)置后數(shù)據(jù)集A的變量名，對所有數(shù)值變量轉(zhuǎn)置。數(shù)據(jù)集A中還有一變量_NAME_.第16頁，共73頁。 SAS 系統(tǒng) 1 2007

7、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 98.0 102.5 84.5 112.5 50.5 90.0 77.0 112.0 112.5 Obs Henry James Jeffrey Jo

8、hn 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 85.0 112.0第17頁，共73頁。例15.5 BY組內(nèi)最后一個ID值的觀測被轉(zhuǎn)置。proc transpose data=ResDat.class out=a let;id sex;proc print;run;結(jié)果顯示：第18頁，共73頁。proc transpose

9、 data=ResDat.class out=a let;id sex;by sex;proc print;run;結(jié)果顯示：第19頁，共73頁。例15.8 對每個BY組轉(zhuǎn)置。options nodate pageno=1 linesize=80 pagesize=40;proc transpose data=ResDat.fishdata out=fishlength(rename=(col1=Measurement);var length1-length4;by location date;run;proc print data=fishlength noobs;title Fish Le

10、ngth Data for Each Location and Date;run;第20頁，共73頁。 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 Pond 03JUL95 Length

11、2 34 Cole Pond 03JUL95 Length3 37 Cole Pond 03JUL95 Length4 32 Cole Pond 04AUG95 Length1 29 輸出窗口顯示第21頁，共73頁。例15.10 對轉(zhuǎn)置后的數(shù)據(jù)集作統(tǒng)計分析。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

12、 data=split(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;第

13、22頁，共73頁。改變輸出地點 缺省情況下，SAS過程輸出到OUTPUT窗口，SAS日志輸出到LOG窗口。利用SAS的PRINTTO過程可以設(shè)定SAS過程和日志的輸出地點。PRINTTO過程有以下功能： 改變過程輸出的目的地； 改變SAS日志輸出的目的地； 有選擇地限制SAS輸出； 將輸出結(jié)果存放在永久文件中； 將輸出直接送到打印機(jī)上； 將SAS的輸出作為輸入數(shù)據(jù)（這時需要一些附加的程序語句）。第23頁，共73頁。PRINTTO過程句法 PROC PRINTTO ;選項說明 注意：一般情況下，PROC PRINTTO后面一定要加RUN語句。若省略RUN語句，則會丟失PRINTTO后面DATA步

14、或PROC步第一行的輸出。 第24頁，共73頁。應(yīng)用舉例 例15.11 將SAS日志輸出到外部永久文件。proc printto log= d:log.dat; /*直接輸出到永久文件中*/filename f1 d:out.txt;proc printto log= f1; /*輸出到文件標(biāo)記*/例15.12 將運行結(jié)果輸出到外部永久文件。filename f2 d:out.list;proc printto print=f2; /*輸出到文件標(biāo)記*/proc printto print= d:out.list; /*直接輸出到永久文件中*/第25頁，共73頁。例15.13 直接打印輸出結(jié)果

15、。filename f printer;proc printto print=f;/*直接打印*/proc printto print=print;/*返回到缺省輸出地點*/例15.14 替換原輸出文件。proc printto print=d:out.txt log= d:log.dat new;proc print data=ResDat.class;run;第26頁，共73頁。添加觀測 利用SAS的APPEND過程可以將一個SAS數(shù)據(jù)集的觀測添加到另一個SAS數(shù)據(jù)集的后面。第27頁，共73頁。APPEND過程句法 PROC APPEND BASE=SAS-data-set ; APPEN

16、D過程中只需要一個語句。 選項說明： 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(qiáng)迫PROC APPEND連接兩數(shù)據(jù)集第28頁，共73頁。應(yīng)用舉例 例15.17 有條件添加數(shù)據(jù)。proc append base=data1 data=data2(where=(X=1);run;proc append base=a data= ResDat.stk000001(where=(year(date)=1999) ;run;例中，使用數(shù)據(jù)集選項WHERE=或WHERE語句來限制DATA=的數(shù)據(jù)集中只有

17、滿足條件的觀測被加到BASE=的數(shù)據(jù)集中。第29頁，共73頁。數(shù)據(jù)庫復(fù)制 利用SAS的COPY過程可以復(fù)制整個SAS數(shù)據(jù)庫或其中的數(shù)據(jù)庫成員。 第30頁，共73頁。COPY過程句法 PROC COPY OUT=libref-1 IN=libref-2 MOVE ; EXCLUDE SAS-file(s) ; SELECT SAS-file(s) / ; 子語句說明：Select規(guī)定要拷貝數(shù)據(jù)庫IN=中的成員；Exclude規(guī)定不拷貝數(shù)據(jù)庫IN=中的成員。第31頁，共73頁。PROC COPY語句選項 選項說明： 第32頁，共73頁。有效的成員類型（MEMTYPE）： 第33頁，共73頁。應(yīng)用舉

18、例 例15.18 兩個SAS邏輯庫之間復(fù)制數(shù)據(jù)集和目錄冊。proc copy in=lib1 out=lib2 MTYPE=(data catalog);run;例15.19 將邏輯庫LIB1的所有SAS文件移動到LIB2中。proc copy in=lib1 out=lib2 move;run;第34頁，共73頁。例15.21 選擇以DAT開頭的所有文件。data ResDat.dat ResDat.dat1 ResDat.dat2 ResDat.dat3 (alter=zsw);var=move;run;proc copy in=ResDat out=work move;select da

19、t: (alter=zsw);run;第35頁，共73頁。第八章 對數(shù)極大似然估計 極大似然估計法(maximum likelihood, ML)，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基礎(chǔ)。雖然其應(yīng)用沒有最小二乘法普遍，但在計量經(jīng)濟(jì)學(xué)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)的內(nèi)在機(jī)理，計量經(jīng)濟(jì)學(xué)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(jì)學(xué)模型，只有極大似然方法才是很成功的估計方法。 第36頁，共73頁。 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

20、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(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提供了對數(shù)極大似然估計對象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，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(jìn)行估計。 第37頁，共73頁。 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，將樣本中各個觀測值的對數(shù)似然貢獻(xiàn)描述為一個未知參數(shù)的函數(shù)?？梢越o出似然函數(shù)中

21、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)估計的估計標(biāo)準(zhǔn)差。 在本章，我們將詳細(xì)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。 第38頁，共73頁。8.1 對數(shù)極大似然估計的基本原理 8.1.1 極大似然估計的基本原理 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 的估計。 觀測值 y1, y2, , yT 的聯(lián)合密度函數(shù)被給定為 （8.1.1）其中：y = ( y1, y2

22、, , 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）。第39頁，共73頁。 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度（即似然函數(shù)）的值在這個參數(shù)值之下，達(dá)到最大。在當(dāng)前的情形下，就是尋求 的估計值，使得似然函數(shù) L(y ; ) 相對于給定的觀測值 y1, y2, , yT 而言達(dá)到最大值， 就被稱為極大似然估計量。 第40頁，共73頁。 在 L(y ; ) 關(guān)于i（i =1, 2, , n，n是未知參數(shù)的個數(shù)）的偏導(dǎo)數(shù)存在時，要使 L(y ; ) 取最大值， 必須滿足, i =1, 2, , n （8.1.2）由

23、上式可解得 n1 向量 的極大似然估計值 ，而式(8.1.2)也被稱為似然函數(shù)。 第41頁，共73頁。 因為 L(y ; ) 與 lnL(y ; ) 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(8.1.3)往往比直接使用式(8.1.2)來得方便。式(8.1.3)也被稱為對數(shù)似然函數(shù)。 第42頁，共73頁。 考慮多元線性回歸模型的一般形式 , t =1, 2 , , T (8.1.4)其中 k 是解釋變量個數(shù)，T 是觀測值個數(shù)，隨機(jī)擾動項 ，那么 yt 服從如下的正態(tài)分布： 其中(8.1.5) 第43頁，共73頁。 y 的

24、隨機(jī)抽取的 T 個樣本觀測值的聯(lián)合概率函數(shù)為 （8.1.6）這就是變量y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)求極大值是等價的，式(8.1.6)的對數(shù)似然函數(shù)形式為： （8.1.7） 第44頁，共73頁。 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(xiàn)和的形式， （8.1.8） 這里對數(shù)似然的單個貢獻(xiàn)（用小寫字母表示）由下面的式子給出： （8.1.9） 第45頁，共73頁。 式（8.1.7）也可用標(biāo)準(zhǔn)正態(tài)分布的密度函數(shù) 表示 （8.1.10）式中標(biāo)準(zhǔn)正態(tài)分布的對數(shù)似然函數(shù) 為 （8.1.11）這里對數(shù)似然函數(shù)每個觀測值的貢獻(xiàn)式(8.1

25、.9)又可以由下面的式子給出： （8.1.12）第46頁，共73頁。 8.1.2 EViews極大似然對象概述 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EViews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過程中被反復(fù)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(xiàn)的序列。第47頁，共73頁。 注意到，我們能將對數(shù)似然函數(shù)寫成所有觀測值 t 的對數(shù)似然貢獻(xiàn)和的形式， 這里單個貢獻(xiàn)由下面的式子給出： 第48頁，共73頁。 以只含一個解釋變量的一元線

26、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EViews產(chǎn)生一個包含每個觀測值的貢獻(xiàn)的序列。 第49頁，共73頁。 未知參數(shù)向量 =0, 1, 2, 可以將參數(shù)初值賦給系數(shù)向量的c(1)到c(3)元素，然后把下面的賦值語句作為EViews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)建了殘差序列：res，而第二個語句創(chuàng)建了方差序列

27、：var。而序列l(wèi)ogL1包含了每個觀測值的對數(shù)似然貢獻(xiàn)的集合。第50頁，共73頁。 下面考慮2個變量的例子： 這里，y, x, w 是觀測序列，而 =1, 2, 3, 2是模型的參數(shù)。有T個觀測值的樣本的對數(shù)似然函數(shù)可以寫成： 這里， 是標(biāo)準(zhǔn)正態(tài)分布的密度函數(shù)。第51頁，共73頁。 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res和方差序列var，參數(shù)c(1), c

28、(2), c(3)代表了回歸系數(shù)1, 2, 3，c(4)代表了 2，序列l(wèi)ogL1包含了每個觀測值的對數(shù)似然貢獻(xiàn)的集合。 第52頁，共73頁。 下面考慮稍復(fù)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，x, y, w 是觀測序列，而 =1, 2, 3, 2, 是模型的參數(shù)。有T個觀測值的樣本的對數(shù)似然函數(shù)可以寫成： 這里， 是標(biāo)準(zhǔn)正態(tài)分布的密度函數(shù)。第53頁，共73頁。 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/

29、sqrt(var)-log(var)/2 前面兩行語句創(chuàng)建了殘差序列res和方差序列var，參數(shù)c(1), c(2), c(3)代表回歸系數(shù)1, 2, 3，c(4)代表 2，c(5)代表 ，序列l(wèi)ogL1包含了每個觀測值的對數(shù)似然貢獻(xiàn)的集合。 第54頁，共73頁。 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(jī)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。 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，把上面的賦值語句輸入到logL的說明窗口，然后讓EViews來估計這個模型。 第55頁，

30、共73頁。 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，把每行開頭的關(guān)鍵字series刪掉（因為似然說明暗含了假定序列是當(dāng)前的）。第二，必須在說明中加入額外的一行（關(guān)鍵字logL為包含似然貢獻(xiàn)的序列命名）。 這樣，要在logL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 = log(dnorm(res/sqrt(var)-log(var)/2 對數(shù)似然函數(shù)的第一行，logL logl，告訴EViews用logl序列來存儲似然貢獻(xiàn)。余下的行定義了中間結(jié)果的計算和實際的似然貢獻(xiàn)的

31、計算。第56頁，共73頁。 當(dāng)用EViews估計模型參數(shù)時，它將對不同參數(shù)值重復(fù)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(xiàn)最大的一組參數(shù)值。當(dāng)EViews再不能提高全部似然貢獻(xiàn)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(biāo)準(zhǔn)差。 本章下面的部分將更詳細(xì)地討論使用似然方法說明，估計和檢驗時要遵循的規(guī)則。 第57頁，共73頁。 要創(chuàng)建一個似然對象，選擇Objects/New Object./ LogL或者在命令窗口輸入“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)置控制估計程序各個方面的選項。 8.1.3

32、似然說明第58頁，共73頁。 1似然的定義 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(xiàn)的序列。賦值語句的多少可以自己決定。 第59頁，共73頁。 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(xiàn)的序列。語句的格式為： logL series_name這里logL是關(guān)鍵字，series_name是保存似然貢獻(xiàn)的序列的名字，可以寫在似然說明的任何位置。 例如，對于一元線性回歸方程的似然說明來說，第一行：logL logl是似然貢獻(xiàn)的序列的說明。當(dāng)對模型進(jìn)行計算時，EViews將在現(xiàn)有參數(shù)值下執(zhí)行每個賦值語句

33、，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，并覆蓋序列原來的內(nèi)容。 第60頁，共73頁。 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： temp series_name1 sereis_name2 . 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EViews在估計結(jié)束后，刪除估計產(chǎn)生的中間序列res、var和logl。 這里需要強(qiáng)調(diào)一點，在似然

34、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“”，則這個語句將不被執(zhí)行。第61頁，共73頁。 2參數(shù)名 在上面的例子中，我們使用了系數(shù)c(1) 到c(5) 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)。例如創(chuàng)建2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： logL logL1 res=cs- beta(1)- beta(2)*inc var=sigma(1) logl1=log(dnorm(res/sqrt(var)-log(var)/2第62頁，共73頁。 由于說明中的已命名的系數(shù)向量的所有元素

35、都將被視為待估參數(shù)，必須確定所有的系數(shù)確實影響了一個或多個似然貢獻(xiàn)的值。如果一個參數(shù)對似然沒有影響，那么在試圖進(jìn)行參數(shù)估計時，將遇到一個奇異錯誤。 應(yīng)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omega是工作文件中一個已命名的標(biāo)量(scalar omega)，如果將子表達(dá)式var定義如下: var = omega EViews將不會估計omega 。omega的值將被固定在估計的開始值上。 第63頁，共73頁。 3估計的順序 logL說明包含了一個或多個能夠產(chǎn)生包含似然貢獻(xiàn)的序列的賦值語句。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，所

36、以后面計算要用到的表達(dá)式應(yīng)放在前面。 EViews對整個樣本重復(fù)地計算每個表達(dá)式。EViews對模型進(jìn)行重復(fù)計算時采用方程順序和樣本觀測值順序兩種不同方式，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。 第64頁，共73頁。 （1）觀測值順序（ byobs ） 默認(rèn)情形下，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(fù)，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獻(xiàn)依賴于前面的觀測值，例如AR模型或ARCH模型。第65頁，共73頁。 （2）方程順序（ byeqn ） 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(fù)，對說明中每一個賦值語句都用同樣方式進(jìn)行計算