主要内容

ecmnstd

不完全数据的均值和协方差的标准误差

在页面中全部折叠

语法

[StdMean, StdCovar] = ecmnstd(数据,意思是,协方差)
[StdMean, StdCovar] = ecmnstd (___、方法)

描述

例子

［StdMean，StdCovar) = ecmnstd (数据，的意思是，协方差）计算不完全数据的平均值和协方差的标准误差。

使用ecmnstd的均值和协方差数据与ecmnmle．如果平均和不同的协方差元素被当作参数θ在完全数据最大似然估计中，随着样本数量的增加，θ达到渐近正态性，使

θ − E ［ θ ］ ∼ N （ 0 ， 我 − 1 （ θ ） ） ，

在哪里E［θ］是均值和我（θ）为Fisher信息矩阵。

由于数据缺失，黑森人H（θ）是Fisher信息的一个很好的近似值(只有在数据缺失时才能近似值)。

例子

［StdMean，StdCovar) = ecmnstd (___，方法）为添加可选参数方法．

例子

全部折叠

打开生活的脚本

这个例子展示了如何计算12个计算机技术股票，6个硬件和6个软件公司的5年日总收益数据的不完全数据的平均值和协方差的标准误差

负载ecmtechdemo.mat

该数据的时间跨度为2000年4月19日至2005年4月18日。资产集团的第六只股票是谷歌，于2004年8月19日开始交易。所以，2004年8月20日之前的所有申报表都不见了南此外，亚马逊(Amazon)在过去五年里也有几天出现了价值缺失的情况。

[ECMMean, ECMCovar] = ecmnmle(数据)
ECMMean =12×10.0008 0.0008 -0.0005 0.0002 0.0011 0.0038 -0.0003 -0.0000 -0.0003 -0.0000
ECMCovar =12×120.0012 0.0005 0.0006 0.0005 0.0003 0.0006 0.0003 0.0006 0.0005 0.0024 0.0007 0.0006 0.0006 0.0003 0.0006 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0006 0.0007 0.0013 0.0007 0.0007 0.0003 0.0006 0.0007 0.0003 0.0003 0.0008 0.0003 0.0008 0.0006 0.0004 0.0009 0.0006 0.0002 0.0005 0.0003 0.0003 0.0003 0.0007 0.0004 0.0006 0.0005 0.0003 0.0003 0.0006 0.0004 0.0007 0.0009 0.0006 0.0005 0.0005 0.0003 0.0003 0.0006 0.0004 0.0004 0.0003 0.0005 0.0003 0.0006 0.0006 0.0016 0.0006 0.0005 0.0003 0.0003 0.0006 0.0004 0.0004 0.0003 0.0002 0.0006 0.0022 0.0001 0.0002 0.0002 0.0002 0.0001 0.00030.0016 0.0005 0.0005 0.0006 0.0005 0.0005 0.0001 0.0009 0.0003 0.0005 0.0004 0.0005 0.0006 0.0003 0.0003 0.0004 0.0003 0.0003 0.0002 0.0003 0.0005 0.0004 0.0003 0.0004 0.0004 0.0006 0.0006 0.0008 0.0007 0.0006 0.0002 0.0005 0.0004 0.0011 0.0005 0.0007 0.0007 0.0003 0.0004 0.0005 0.0004 0.0004 0.0001 0.0004 0.0003 0.0005 0.0006 0.0004 0.0005⋮

为了评估估计误差的影响，特别是缺少数据的影响，使用ecmnstd计算标准误差。虽然可以估计平均数和协方差的标准误差，但平均数估计的标准误差通常是主要的兴趣量。

StdMeanF = ecmnstd(数据、ECMMean ECMCovar,“雪”）
StdMeanF =12×10.0010 0.0014 0.0010 0.0009 0.0011 0.0013 0.0009 0.0006 0.0009 0.0007

使用该选项计算使用数据生成的Hessian矩阵(该矩阵考虑了由于数据丢失而可能造成的信息丢失)的标准误差“海赛”．

StdMeanH = ecmnstd(数据、ECMMean ECMCovar,“海赛”）
StdMeanH =12×10.0010 0.0014 0.0010 0.0009 0.0011 0.0021 0.0009 0.0006 0.0009 0.0007

标准误差的差异表明，由于数据缺失，资产预期收益估计的不确定性增加。查看差异:

资产
资产=1 x12单元格列1到6{“apple”}{amazon的}{cisco的}{“戴尔”}{“易趣”}{“google”}列7到12{“hp”}{“IBM”}{intel的}{“微软”}{‘ORCL}{“yahoo”}
StdMeanH”
ans =1×120.0010 0.0014 0.0010 0.0009 0.0011 0.0021 0.0009 0.0006 0.0009 0.0007 0.0010 0.0012
StdMeanF”
ans =1×120.0010 0.0014 0.0010 0.0009 0.0011 0.0013 0.0009 0.0006 0.0009 0.0007 0.0010 0.0012
StdMeanH”——StdMeanF”
ans =1×12103× -0.0000 0.0021 -0.0000 -0.0000 -0.0000 0.7742 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000

AMZN和GOOG这两个数据缺失的资产是唯一因为信息缺失而存在差异的资产。

输入参数

全部折叠

数据，用NUMSAMPLES——- - - - - -NUMSERIES矩阵NUMSAMPLES样品的NUMSERIES维随机向量。所缺少的值用南年代。

数据类型:双

的均值的极大似然参数估计数据使用ECM算法，指定为NUMSERIES——- - - - - -1列向量。

的协方差的极大似然参数估计数据使用ECM算法，指定为NUMSERIES——- - - - - -NUMSERIES矩阵。

(可选)标准误差计算的估计方法，指定为字符向量。估计方法为:

  • “海赛”-观察到的负对数似然函数的Hessian。推荐使用这种方法，因为结果的标准误差包含了由于缺少数据而增加的不确定性。特别是，用Hessian计算的标准误差通常比用Fisher信息矩阵计算的标准误差大。

  • “雪”- Fisher信息矩阵。

数据类型:字符

输出参数

全部折叠

的各元素估计的标准误差的意思是向量，作为a返回NUMSERIES——- - - - - -1列向量。

的各元素估计的标准误差协方差矩阵，作为a返回NUMSERIES——- - - - - -NUMSERIES矩阵。

版本历史

之前介绍过的R2006a

另请参阅

主题

Baidu
map