简介:统计建模和统计检验是统计分析中极为重要的内容,它们往往都要求样本数据满足一定的条件。比如,统计建模是以服从某种概率分布的样本观测数据为基础,通过估计得到的;统计检验要求样本数据满足随机性、独立性、正态性、方差齐性等条件,并且要验证待处理的样本数据是否满足这些条件,只有满足要求的条件,得到的结论才是有效而可靠的。当条件不满足时,需对待处理的原始样本数据进行适当的变换。这些工作对统计分析具有十分重要的作用,却被以往的研究所忽视,本文拟对与此相关的问题作进一步的探讨。一、ARMA模型对数据序列的平稳性要求条件及其数据变换ARMA模型是时序模型中最常用的模型,并在统计模型中占有重要的位置。建立ARMA
简介:鉴于极差比方差更容易获得,所以利用极差对正态总体方差进行间接预估以确定样本量的想法很有实用价值。根据数理统计理论,若以E(Rn)表示正态总体在样本规模n下样本极差的期望,则有E(Rn)=dnσ,dn可以通过多重积分计算得到,且只与n有关,而与μ和σ^2无关。但这种多重积分式虽然有利于在理论上阐明dm与相关变量之间的“定性”关系,却无助于在应用上获得dm与n的定量关系式。本文利用随机模拟方法和线性回归分析得到dm的一个简明表达式:dm=0.5ln(n)+3,从而由此间接获得一个正态总体方差的估计值:σ^2=[Rn/(0.5ln(n)+3)]^2。这将使直接利用“更便宜的”极差确定样本量具有可操作性。