经济分析与统计理论.pptx
《经济分析与统计理论.pptx》由会员分享,可在线阅读,更多相关《经济分析与统计理论.pptx(20页珍藏版)》请在冰豆网上搜索。
经济分析与统计理论,经济学所属的社会科学与自然科学有质的差别。
其一体现在研究对象上:
社会科学研究的是人自身的社会行为,而不是其它外在物的行为。
因此社会科学研究者自身也是被研究对象。
另外,人的社会行为规范会随社会的变迁而变化,这些都使经济管理学科显著区别于物理学、化学等自然科学学科。
科学试验上的差别:
无论是进行社会试验或进行实验室式的试验,在经济管理学中都是十分困难的。
现有的大部分经济数据都属非试验性数据。
此类数据具有的特征是非试验性、异质性和相互关联性。
概率论在经济分析中的应用,如果生成经济数据过程的理论结构全部已知(包括所有理论参数的值),举例来说,如独立投掷一个各面标有数字1,2,3,4,5,6的均质六面体,其各面朝上的概率均是已知的,为1/6,这种情形被描述为数据生成过程完全先验已知的情形,我们就直接能用概率论的方法。
估计理论的应用,如果数据生成过程不是完全先验已知的,这相应于独立投掷一个各面都标有数字1,2,3,4,5,6的六面体,与上面情形不同之处在于我们不知道六面体是否具有标准均质的结构。
在这种情形下常规做法是做大量独立试验对未知的概率特征进行推断。
应用工具为数理统计学中的估计理论。
建模理论及应用,如果我们只知道试验结果来自掷一个各面都标有数字的多面体,我们需要根据试验结果推断出数字6的概率分布结构。
根据已知信息要解决这个问题是相当困难的,这是因为我们面临多种可能性,如多面体不是通常的六面体、标有数字6的面可能不止一个,多面体可能不是均质的,投掷方法不是独立的等等。
据试验结果对上述可能性择取决断,属于不同模型枷说的择取问题。
这类建模问题才是实际中最常碰到的问题。
预测理论,所谓经济预测,指在数据生成过程未知的条件下根据样本信息对样本以外的可能结果做出某种推断。
这相当于上面的例子中,预测下次投掷出现6的概率。
这相当于对目前已是风薄弱的应用模型提出了更高的要求。
统计方法的大致分类,观测数据来源,横贯数据,纵贯数据,分析模型的属性,因果模型,相依模型,变量测度等级,测量型数据,非测量型数据,社会科学常用统计方法简介,在上面关于统计方法的分类只是大致的,比如在经济学中,结合时间序列和横截面两者的数据是常见的。
一些实证研究已经同时分析了若干企业、洲或行业的时间序列数据,这些数据(paneldata)提供了经济生活的一个丰富的信息来源。
但在这种条件下建模要求相当复杂的随机理论知识。
多元线性回归,多元回归应用于单方程模型,其因变量必须为测量型变量,其自变量可以为测量型变量或虚拟变量。
研究目的是通过模型分析,检查自变量对与因变量的作用方向、作用强度和解释能力。
多元回归分析得到的回归系数表示在控制其它自变量的条件下每个自变量对于因变量单独的净作用。
通径分析和结构方程模型,如果变量之间有多层因果关系,便可以由多个有内在联系的多元回归方程组成一套通径分析联立方程组,每个方程都通过多元回归求解系数,然后应用通径分析分解变量之间的直接作用和间接作用。
如果方程组中含有不可之间观察变量,使用结构方程模型。
典型相关分析,典型相关分析是近年来开始普及的一种新型多元统计分析方法。
当研究人员面临两组多变量数据并希望研究两组变量之间的关系时,可用该方法。
例如,研究个人及其家庭的社会经济状况与本人在某些方面的联系,其中社会经济状况可以是多方面的,本人的表现也可以从多各方面来测量。
Logistic回归和logit模型,当因变量为二分类变量且自变量为测量型变量和虚拟变量时,不能采用多元回归,而应该使用logistic回归。
Logit模型是对数线性模型的一种特例。
它不同于logistic回归之处在于其自变量全部是分类变量。
鉴别分析,鉴别分析是一种进行统计鉴别和分组的技术手段。
它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其它多元变量之间的数量关系,建立鉴别函数。
然后便可以用这一数量关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。
因子分析,因子分析是浓缩多个测量型变量的统计分析技术。
在多元统计分析中,经常碰到观测变量很多且变量之间存在着较强的相关关系的情形,这不仅给问题的分析和描述带来一定的困难,而且在使用某些统计方法时会出现问题,因子分析浓缩这些观测变量,使之变为正交的且数量大大减少携带原有大部分信息的几个变量。
聚类分析,聚类分析是根据研究对象的特征对研究对象进行分类的多元分析技术。
如市场营销学中进行市场分层、确定目标市场等等都需要对研究对象进行分类。
即把性质相近的个体归于一类,使得同一类的个体具有高度的同质性。
聚类分析的大部分应用都属于探测性研究。
与鉴别分析的区别在于没有事先规定的标准。
关系类型,因果模型,因变量数?
单因变量,因变量测度,测量型,多元回归,非测量型,自变量测度,测量型,Logistic回归,鉴别分析,非测量型,Logit模型,多因变量,因变量测度,测量型,非测量型,虚拟变量典型相关分析,典型相关分析,多元方差分析,多重因果关系,相依模型,关系类型,因果模型,因变量数?
多重因果关系,相依模型,是否有潜在变量,有,结构方程模型,无,通径分析,变量间,案例间,因子分析,聚类分析,统计联系与因果关系,因果关系是事物间的一种本质联系,而统计联系是观测数据中所反映的事物之数量联系。
是因果关系存在的必要条件而非充分条件,并不能最终证实因果关系的存在。
而我们所作的研究多是横贯数据,比较适合对差异性的研究。
统计模型只是一种假设模型,代表对于实际因果关系数量特征的设想,也作为假设检验的一种手段,其检验的本质实证伪,而不是证实。
事后解释谬误,在研究过程中,建立假设和假设检验是两个不同的阶段。
用一组数据的探索性研究形成的假设不能用该组数据进行检验。
由于这样形成的假设与该套参考数据已经具备一致性,不存在可证伪性。
统计显著与实际显著,统计检验是否显著受三个方面的影响,一是实际差异幅度和作用强度的影响;二是置信度的大小;三是抽样样本的大小。
统计检验是有条件的结果,表明在三个方面的特定条件下,是否能够肯定差异或作用的存在。
如果样本规模足够大,或者降低对结论的把握要求,一个完全没有实际意义的差异幅度或作用强度也可以取得统计显著的效果。