CH9概率模型1-1
- 格式:ppt
- 大小:514.00 KB
- 文档页数:33
第九章联立方程模型一、单项选择题1.在联立方程模型中,具有一定概率分布、其数值由模型确定的随机变量是()A.外生变量 B. 内生变量C.前定变量 D. 滞后变量2.在联立方程模型中既能作解释变量又能作被解释变量的是()A.外生变量 B. 内生变量C.前定变量 D. 滞后变量3.前定变量包括()A.外生变量和虚拟变量 B. 内生变量和外生变量C.外生变量和滞后变量 D. 解释变量又能作被解释变量4.简化式模型就是把结构式模型中的内生变量表示为()A.外生变量和内生变量的模型 B. 前定变量和随机干扰项的模型C.滞后变量和随机干扰项的模型 D. 外生变量和随机干扰项的模型5.需求函数是()A.恒等方程 B. 行为方程C.制度方程 D. 定义方程6.简化式参数反映了该参数对应的解释变量对被解释变量的()A.直接影响 B. 直接影响与间接影响之和C.间接影响 D. 直接影响与间接影响之积7.如果一个方程包含了一个内生变量和模型系统中全部前定变量,则该方程()A.恰好识别 B. 过度识别C.不可识别 D. 识别状态不确定8.需求函数与供给函数构成的联立方程模型012101212t t t tt t t tt tD a a P a WS b b P b PD Sμμ-=+++⎧⎪=+++⎨⎪=⎩中,内生变量和前定变量的个数分别是()A.3和2 B. 2和3C.1和4 D. 4和19.在一个结构式模型中,假设有m个方程需要识别,其中1m个方程是恰好识别的,2m个方程过度识别,3m个方程不可识别,则该模型系统()A.恰好识别 B. 过度识别C.不可识别 D. 部分不可识别10.如果联立方程模型中某结构方程包含了全部变量,则该方程()A.恰好识别 B. 过度识别C.不可识别 D.不确定11.如果某结构方程是恰好识别的,则估计该方程参数的恰当方法是()A.普通最小二乘法 B. 极大似然法C.差分法 D. 间接最小二乘法12.对联立方程模型参数估计的方法可以分为两类,即()A.工具变量法和间接最小二乘法 B. 单方程估计法和系统估计法C.间接最小二乘法和两阶段最小二乘法 D. 两阶段和三阶段最小二乘法13.对于恰好识别的方程,在简化式方程满足线性模型基本假设时,间接最小二乘法具有()A.无偏性 B. 一致性C.真实性 D. 精确性14.在实际建模中估计联立方程模型参数,普通最小二乘法(OLS)仍然被广泛采用,下列表述中不属于其原因的是()A.相对于其他方法,OLS法可以充分利用样本数据信息B.相对于其他方法,OLS法对样本容量的要求不高C.相对于其他方法,OLS法可以避免确定性误差的传递D.相对于其他方法,OLS法所得到的估计量是无偏的,而其他方法所得估计是渐近无偏的15.在一个包含3个方程,6个变量的结构式模型中,如果第i个结构式方程包含3个变量,则该方程的识别性为()A.恰好识别B.过度识别C.不可识别D.无法确定二、多项选择1.关于联立方程模型中的解释变量,下列表述中正确的有()A.对于结构式模型,解释变量可以是内生变量,也可以是外生变量和滞后变量B.对于简化式模型,解释变量只能是外生变量C.对于简化式模型,解释变量可以是内生变量,也可以是前定变量D.对于简化式模型,解释变量只能是前定变量E.无论何种形式,前定变量都可以作为解释变量2.与单方程模型相比,联立方程模型的特点是()A.适用于对某一经济系统的研究B.揭示经济变量之间的单向因果关系C.适用于研究单一经济现象D.揭示经济变量之间的相互依存、互为因果的关系E.用一组方程来描述经济系统中内生变量和外生变量之间的数量关系3.对于联立方程模型,如果我们采用单方程模型的方法进行估计可能会导致()A.随机解释变量问题B.变量信息损失问题C.工具变量问题D.损失方程之间的关联信息问题E.结构式估计问题4.对于联立方程模型的识别问题,下列表述中正确的有()A.阶条件成立,则秩条件一定成立B.秩条件成立,则阶条件一定成立C.秩条件成立,则一定可以识别D.阶条件和秩条件相互独立E.阶条件成立时,能用秩条件判别方程是恰好识别还是过度识别5.关于用两阶段最小二乘法估计参数,下列表述中正确的有()A.仅适用于结构式方程是过度识别的情形B.模型中的所有前定变量之间不存在严重的多重共线性C.样本容量足够大D.参数估计量在小样本下是有偏的,在大样本下渐近无偏E .结构式模型中的随机项与相应的简化式中的随机项都满足线性模型的基本假定6.与结构式模型相比较,简化式模型的特点有( )A .每个方程的右端不出现内生变量,只有前定变量作为解释变量B .前定变量与随机项不相关C .模型的系数反映了前定变量对内生变量的直接和间接影响D .模型的系数只反映前定变量对内生变量的直接影响E .在已知前定变量值的条件下,可利用简化式模型参数的估计式直接对内生变量进行预测三、概念解释1.行为方程2.参数关系体系3.前定变量4.联立方程偏倚5.恰好识别6.过度识别四、简答1.联立方程模型中的变量可以分为几类,其各自的含义是什么?2.联立方程模型中结构方程的结构参数为什么不能直接用OLS 估计?3.如何对不可识别的方程进行简单修改使之可以识别?4.为什么ILS 只适用于恰好识别的结构模型?5.既然联立方程模型结构参数不能直接采用OLS ,为什么在实际中OLS 又被广泛应用?6.联立方程模型估计方法的类型有哪些?尽量列举各估计方法的名称。
第一章事件与概率概率论与数理统计是研究随机现象统计规律的一门数学学科.一.必然现象与随机现象必然现象: 在一定条件下结果必然会发生的现象。
例如:1.在标准大气压下,纯水加热到100o C时必然会沸腾;2.在没有外力作用的条件下,作匀速直线运动的物体必然继续作匀速直线运动;3.掷一颗骰子,出现点数为7是不可能的等等.它们的共同特征是,现象的某个结果在给定条件下能否发生是完全可以预言的.概率论与数理统计以外的数学分支研究的是必然现象的数量规律.随机现象: 在一定条件下可能发生这样的结果,也可能发生那样的结果,即预先不能确定到底发生哪种结果的现象。
例如:1. 当掷一枚硬币时,可能出现“正面朝上”,也可能出现“反面朝上”,在掷硬币之前不能确定哪一面朝上;2.某电话交换台在一分钟内接到的呼唤次数可能是0次,也可能是1次,2次,…,事先不能确定哪种结果会出现.二.随机试验一个试验如果满足下述条件:(1) 试验可以在同一条件下重复进行;(2) 试验的所有可能结果是明确可知道的,而且往往不止一个;(3)每次试验总是恰好出现这些可能结果中的某一个,但在试验之前不能确定哪个结果将会出现.则称这样的试验是一个随机试验,简称试验.一种随机现象就对应一个随机试验.随机试验常用E或E1,E2,…等表示.三.随机现象的统计规律性* 例如:将一枚质料均匀、形状对称的硬币(通常称为均匀的硬币)投掷一次,可能出现正面朝上,也可能出现反面朝上,其结果事先无法肯定. 但是在大量次的投掷中,出现正面朝上的次数几乎总是投掷总次数的一半,呈现出明显的规律性.* 又如,波义耳—马哈特定律就是其中的一个,这个定律告诉我们,构成气体的每个分子在运动过程中是杂乱无章的,然而大量分子运动总体的压强,体积与温度之间是有规律性的.通常把随机现象在大量重复试验下所呈现的这种规律性称为随机现象的统计规律性.§1.1 随机事件和样本空间一.随机事件随机事件:随机试验中可能发生,也可能不发生的事情称为随机事件, 简称事件. 随机事件通常用大写字母A,B…等来表示.必然事件:如果在每次试验中, 某件事一定发生, 则称这件事为必然事件, 通常用Ω表示;不可能事件:如果在每次试验中, 某结果一定不发生, 则称这一事件为不可能事件, 通常用ф表示.必然事件和不可能事件是随机事件的两个极端情形而已.例1.1.1 掷一枚均匀的硬币, 观察哪面朝上. 则A={正面朝上},B={反面朝上}都是随机事件. Ω={正面朝上或反面朝上}是必然事件, ф={正反面两面都朝上}是不可能事件.例 1.1.2 掷一颗均匀的骰子,观察朝上一面的点数, 则A i={掷出点数为i点}, i= 1,2, (6)C={掷出点数为奇数点}; G={掷出点数大于1且小于5}等都是随机事件. 而Ω={掷出点数小于7}是必然事件,ф={掷出点数小于1}是不可能事件.二.样本空间一个试验E的所有可能出现的结果所组成的集合叫做E的样本空间,记为Ω. Ω中的元素也称为样本点, 通常记为ω.显然,样本空间是确定的.例如,例1.1.1中,Ω={ω1,ω2}, 其中ω1表示正面朝上,ω2表示反面朝下;例 1.1.2中,Ω={ω1,ω2,ω3,ω4,ω5,ω6}, 其中ωi表示掷出点数为i, i=1, (6)以上只包含有限个样本点的样本空间称为有限样本空间.例1.1.3 考察某电话交换台在单位时间内收到的呼唤次数,则其所有的样本点为ωi={单位时间内收到i次呼唤},i= 0, 1, 2, …. 所以样本空间为Ω={ω0,ω1,ω2,…}.以上包含无限可列多个样本点的样本空间称为可列样本空间.有限样本空间,可列样本空间统称为离散样本空间.例1.1.4 测量某电器元件的寿命T,则样本空间Ω=[0,+∞).以上包含无限不可列个样本点的样本空间称为不可列样本空间.归纳:随机事件的定义:随机试验E的样本空间Ω的某些子集A称为E的随机事件. 简称事件. Ω的只包含一个样本点的子集称为基本事件,包含两个或两个以上样本点的子集称为复合事件.约定:事件A发生,当且仅当A所包含的样本点之一在试验中出现.例如,例1.1.1中,A、B是单点集:A={正面},B={反面}例1.1.2中,C={ω1,ω3,ω5}, G={ω2,ω3,ω4};例1.1.4中,D={某电器元件的寿命不小于1000小时}=[1000,+∞).练习1:1,2,3,4号运动员,写出下列实验的样本空间:(1)任选3人参加运动会(2)选2人,1人参加全运会,另一人参加亚运会.三.事件间的关系与运算如果没有特别的声明,在以下的叙述中总认为样本空间Ω已经给定,并且还给定了Ω中的一些事件,如A、B、A i(i= 1,2,…)等等.1. 事件的包含与相等若事件A发生必然导致事件B发生,则称B包含了A或A包含于B 中,记为B⊃A或A⊂B.如在例1.1.2中,令A={掷出点数为4点},B={掷出点数为偶数},则A⊂B.几何解释:图1-1 图1-2由此可知,事件A⊂B的含义与集合论中的含义是一致的.规定:对于任意事件A,有φ⊂A .如果A⊂B与A⊃B同时成立,则称A与B是相等(或等价)的,记为A=B.显然,构成两个相等事件的基本事件是相同的,即两个相等的事件含有相同的样本点.2. 并(或和)事件称{事件A、B中至少有一个发生}这一事件为事件A、B的并(或和),记作A∪B.如在例1.1.2中,令A={掷出点数≤3},B={掷出点数为偶数},则A ∪B={掷出点数为1,2,3,4,6}.3. 交(或积)事件称{事件A、B同时发生}这一事件为事件A、B的交(或积),记作A∩B或AB.图1-3 图1-4如在例1.1.2中,若A,B同上,则A∩B={掷出点数为2}例1.1.5 掷两枚均匀的硬币,若A={恰有一个正面朝上},B={恰有两个正面朝上},C={至少有一个正面朝上}, 则有A∪B=C, AC=A,BC=B, AB=ф另外,显然对于任意事件A、B,有A⊂A∪B,B⊂A∪B,AB⊂A,AB⊂B4. 互斥(或互不相容)事件如果二事件A、B不可能同时发生,即AB=ф,则称A、B是互斥的(或互不相容的).如在例1.1.2中,A={掷出点数为3},B={掷出点数为偶数},则显然AB=ф,即A、B是互斥的.不可能事件与任何事件互斥。
概率图模型及求解方法本文介绍概率图模型的定义和几个相关算法,概率图模型是贝叶斯统计和机器学习中的一个常用方法,在自然语言处理和生物信息中也有重要应用。
关于概率图模型更详细全面的介绍参见[1],[6]。
1.1什么是概率图模型概率图模型简单地说是用图作为数据结构来储存概率分布的模型。
图中的节点表示概率分布中的随机变量,图中的边表示它连接的两个随机变量之间存在的某种关系(具体是什么关系将在后文提到)。
概率图模型可以简洁的表示复杂的概率分布,并且可以利用图论中的算法来求解概率分布中的某些特性(条件独立性和边际概率),因此得到了广泛应用。
1.2有向图模型1.2.1定义概率图模型根据模型中的图是否为有向图分为有向图模型和无向图模型两种。
有向图模型也叫贝叶斯网络。
我们考虑的有向图模型中的图是有向无圈图,有向无圈图是指图中两点之间至多存在一条有向路径。
我们可以对有向无圈图中的节点排序,使得图中的边都是从序号小的节点指向序号大的节点,这种排序称为拓扑排序。
在有向图中,我们称存在有向边指向节点x 的节点为x 的父节点,节点x 的边指向的节点为x 的子节点。
存在由节点x 到节点y 的一条有向路径,并且路径的方向指向节点y 的所有y 的集合称为x 的后代节点。
容易看出,在拓扑排序下父节点的序号总是小于子节点的序号。
如果图G 中存在有向圈,则节点x 可能既是节点y 的父节点又是节点的子节点,因此父节点、子节点只对有向无圈图有意义。
称概率分布P 可以由有向无圈图G 表出,如果概率分布可以分解为: 1(x)(x |pa )k k Kk P P ==∏ (1.1)其中,pa k 表示x k 在图G 中所有父节点组成的集合。
图1. 简单的概率图模型例1. 我们考虑图1对应的概率图模型,概率分布可以写成:12345123124352(x ,x ,x ,x ,x )(x )(x )P(x |x ,x )P(x |x )P(x |x )P P P =假设每个自变量可取3个值,那么用概率图模型表示这个概率分布,我们只需记录6+6+18+6+6=42个参数,而如果不用概率图模型,则需要记录3^5-1=242个参数。