北师大432统计学-2025年考研真题解答

气气小果汁

已于 2024-12-27 11:59:29 修改

阅读量888

点赞数 7

文章标签：考研

于 2024-12-25 21:06:43 首次发布

本文链接：https://blog.csdn.net/kai6666667/article/details/144701898

版权

北师大432统计学-2025年考研真题解答

从区间 $(a, b)$ 取 $n$ 个样本，给定组数 $k$

（1）介绍绘制频率直方图的步骤.

（2） $f (x)$ 为样本密度函数，任给 $x，\hat{f}(x)$ 是 $f (x)$ 的估计值，求 $\hat{f}(x)$ 的均方误差.

Solution:

（1）1.确定组数和组距：组数: $k$ ，组距: $\frac{b-a}{k}$ 。

$\quad\quad$ 2.计算频数：对于每个组，统计落在该组内的样本数量，即为该组的频数。

$\quad\quad$ 3.计算频率：将每个组的频数除以总样本数 $n$ ，得到该组的频率。

$\quad\quad$ 4.绘制直方图：在坐标系中，横轴表示样本值，纵轴表示频率。对于每个组，绘制一个矩形，其宽度为组距，高度为该组的频率。这些矩形相邻排列，形成直方图。

（2） $\text{MSE}(\hat{f}(x)) = E[(\hat{f}(x) - f(x))^2]$ 在直方图估计中，我们通常假设每个组内的样本是独立同分布的，并且每个样本落入某个特定组的概率是 $\Delta x$ ，其中 $\Delta x$ 是组距。在每个组内，样本数 $\sim B(n,f(x) \Delta x)$ ,方差是 $\Delta x (1 - f(x) \Delta x)$ 。
由于:
$\hat{f}(x)= \frac{落入本组的样本数}{n \Delta x},\quad E(\hat{f}(x))=\frac{f(x)n\Delta x}{n \Delta x}=f(x)$ $\text{Var}(\hat{f}(x)) = \frac{n f(x) \Delta x (1 - f(x) \Delta x)}{n^2 {\Delta x}^2} = \frac{f(x) (1 - f(x) \Delta x)}{n \Delta x},\Delta x=\frac{b-a}{k}$
由于 $\hat{f}(x)$ 为 $f (x)$ 的无偏估计，所以： $\text{MSE}(\hat{f}(x)) =\text{Var}(\hat{f}(x)) =\frac{f(x)[k-f(x)(b-a)]}{n(b-a)}$

$N$ 个球一共有 $L$ 种颜色，第 $k$ 种颜色球的个数为 $N_k$ ，有放回摸球 $m$ 次

（1）求摸到每种颜色球个数的协方差矩阵.

（2） $X_1$ 为摸到第一种颜色球的个数， $X_1(n)$ 表示在n次摸球中摸到第一种颜色球的个数,证明:
$P(X_1(n+1)\geq i+1)-P(X_1(n)\geq i+1)=\frac{N_1}{N}P(X_1=i)$ （3）证明： $\sum_{k=n-i}^{n} p^k(1-p)^{n-k}=\frac{\int_{0}^{p}x^{n-i-1}(1-x)^i dx}{\int_{0}^{1}x^{n-i-1}(1-x)^i dx}$

Solution:

(1) 定义随机变量 $X_k$ 为摸到第 $k$ 种颜色球的个数，其中 $\ldots, L$ 。由于每次摸球是独立的，并且有放回，所以 $X_k$ 服从二项分布 $B(m, P_k)$ ，其中 $P_k = \frac{N_k}{N}$ 是摸到第 $k$ 种颜色球的概率。
$E[X_k] = mP_k, \text{Var}(X_k) = mP_k(1-P_k)$ 对于 $X_k$ 和 $X_j$ （ $\neq j$ ），它们的协方差为：
$\text{Cov}(X_k, X_j) = E[X_k X_j] - E[X_k]E[X_j]$ 由于每次摸球只能摸到一个球，所以 $X_k + X_j \leq m$ 。因此， $X_k$ 和 $X_j$ 是负相关的。
$E[X_k X_j] = \sum_{i=0}^{m} \sum_{j=0}^{m-i} i \cdot j \cdot P(X_k = i, X_j = j)$ 由于 $X_k$ 和 $X_j$ 是负相关的，所以：
$P(X_k = i, X_j = j) = P(X_k = i) \cdot P(X_j = j \mid X_k = i)$ 给定 $X_k = i$ ，摸到第 $j$ 种颜色球的概率变为 $\frac{N_j}{N-N_k}$ ，所以：
$P(X_j = j \mid X_k = i) = \binom{m-i}{j} \left( \frac{N_j}{N-N_k} \right)^j \left( 1 - \frac{N_j}{N-N_k} \right)^{m-i-j}$ $E[X_k X_j] = \sum_{i=0}^{m} i \cdot \binom{m}{i} p_k^i (1-p_k)^{m-i} \sum_{j=0}^{m-i} j \cdot \binom{m-i}{j} \left( \frac{N_j}{N-N_k} \right)^j \left( 1 - \frac{N_j}{N-N_k} \right)^{m-i-j}$ 简化后得到：
$\begin{aligned} E[X_k X_j] &= \sum_{i=0}^{m-1} i \cdot \binom{m}{i} p_k^i (1-p_k)^{m-i} (m-i) \left( \frac{N_j}{N-N_k} \right) \\ &=m\sum_{i=0}^{m-1} i \cdot \binom{m-1}{i} p_k^i (1-p_k)^{m-i} \left( \frac{N_j}{N-N_k} \right)\\ &=m(m-1)P_k(1-P_k)\frac{P_j}{1-P_k}\\ &=m(m-1)P_kP_j \end{aligned}$ 所以：
$\text{Cov}(X_k, X_j) = m(m-1)P_kP_j - (mP_k)(mP_j) = -mP_k P_j$ 因此，协方差矩阵 $\Sigma$ 为：
$\Sigma_{kj} = \begin{cases} mP_k(1-P_k) & \text{if } k = j \\ -mP_k P_j & \text{if } k \neq j \end{cases}$
(2) 设 $P_1=\frac{N_1}{N}$ 表示摸到第一种颜色球的概率。
$P(X_1(n)\geq i+1)= \sum_{k=i+1}^{n}\binom{n}{k} {P_1}^k \cdot({1-P_1})^{n-k}$ $P(X_1(n+1)\geq i+1)= \sum_{k=i+1}^{n+1}\binom{n+1}{k} {P_1}^k \cdot({1-P_1})^{n+1-k}$ $\begin{aligned} P(X_1(n+1) \geq i+1) - P(X_1(n) \geq i+1) &= \sum_{k=i+1}^{n+1} \binom{n+1}{k} P_1^k (1-P_1)^{n+1-k} - \sum_{k=i+1}^{n} \binom{n}{k} P_1^k (1-P_1)^{n-k} \\ &= \binom{n+1}{n+1} P_1^{n+1} (1-P_1)^0 + \sum_{k=i+1}^{n} \left( \binom{n+1}{k} - \binom{n}{k} \right) P_1^k (1-P_1)^{n+1-k}\\ &= P_1^{n+1} + \sum_{k=i+1}^{n} \left( \binom{n+1}{k} - \binom{n}{k} \right) P_1^k (1-P_1)^{n+1-k} \end{aligned}$
我们知道， $\binom{n+1}{k} = \binom{n}{k} + \binom{n}{k-1}$ ，因此： $\binom{n+1}{k} - \binom{n}{k} = \binom{n}{k-1}$ 将这个性质代入上式，得到： $\begin{aligned} P(X_1(n+1) \geq i+1) - P(X_1(n) \geq i+1) &= P_1^{n+1} + \sum_{k=i+1}^{n} \binom{n}{k-1} P_1^k (1-P_1)^{n+1-k}\\ &= \sum_{j=i}^{n} \binom{n}{j} P_1^{j+1} (1-P_1)^{n-j} \\ &= P_1 \sum_{j=i}^{n} \binom{n}{j} P_1^j (1-P_1)^{n-j} \\ &= P_1 P(X_1(n) \geq i) \end{aligned}$ （3） $\begin{align*} 令: f(p)&=\sum_{k=n-i}^{n} p^{k}(1-p)^{n-k},g(p)=\frac{\int_{0}^{p} x^{n-i+1}(1-x)^{i}dx}{\int_{0}^{1} x^{n-i+1}(1-x)^{i}dx}\\ f'(p) &= \sum_{k=n-i}^{n} \binom{n}{k} k p^{k-1} (1-p)^{n-k} - \sum_{k=n-i}^{n-1} \binom{n}{k} p^k (n-k)(1-p)^{n-k-1}\\ &= \sum_{k=n-i}^{n} n \cdot C_{n-1}^{k-1} \cdot p^{k-1} \cdot (1-p)^{n-k} - \sum_{k=n-i}^{n-1} n \cdot C_{n-1}^{k} \cdot p^{k} \cdot (1-p)^{n-k-1} \\ &= \sum_{k=n-i-1}^{n-1} n \cdot C_{n-1}^{k} \cdot p^{k} \cdot (1-p)^{n-k-1} - \sum_{k=n-i}^{n-1} n \cdot C_{n-1}^{k} \cdot p^{k} \cdot (1-p)^{n-k-1} \\ &= n \cdot C_{n-1}^{n-i-1} \cdot p^{n-i-1} \cdot (1-p)^{i} \\ &= \frac{\Gamma(n+1)}{\Gamma(n-i)\Gamma(i+1)} p^{n-i-1} (1-p)^{i} \end{align*}$ $=\frac{\frac{d}{dp} \int_{0}^{p} x^{n-i-1}(1-x)^{i}dx }{Be(n-i,i+1)}=\frac{\Gamma(n+1)p^{n-i-1}(1-p)^{i}}{\Gamma(n-i)\Gamma(i+1)}=f'(p)$ 下面验证当 $p = 0$ 和 $p = 1$ 时， $f (p)$ 和 $g (p)$ 是否相等。 $f (0) = 0 ， g (0) = 0$ $\sum_{k=n-i}^{n} 1^{k}(1-1)^{n-k} = 1, g(1) = \frac{\int_{0}^{1} x^{n-i-1}(1-x)^{i}dx}{\int_{0}^{1} x^{n-i-1}(1-x)^{i}dx} = 1$ 由于 $f^{'} (p) = g^{'} (p)$ 并且 $f (p)$ 和 $g (p)$ 在边界条件 $p = 0$ 和 $p = 1$ 下相等，得出结论 $f (p) = g (p)$ 对所有 $p$ 成立。

在 $U(\theta-c$ ， $\theta+c)$ 区间内取样本: $X_1,...,X_n$

（1）求 $\theta$ 的矩估计和极大似然估计.

（2）证明 $\frac{X_{(1)}+X_{(n)}}{2}$ 是 $\theta$ 的无偏估计.

Solution:

(1) $X_1, X_2, \ldots, X_n$ 来自均匀分布 $U(\theta-c, \theta+c)$ , 期望为: $\frac{\theta-c+\theta+c}{2}=\theta$ 。样本均值 $\bar{X}$ 是总体均值的矩估计： $\hat{\theta} = \bar{X} = \frac{1}{n} \sum_{i=1}^n X_i$ $\theta) = \frac{1}{2c} \quad , \quad \theta-c \leq x \leq \theta+c$ $L(\theta) = \prod_{i=1}^n f(X_i; \theta) = \left(\frac{1}{2c}\right)^n \quad, \quad \theta-c \leq X_{(1)} \leq X_{(n)} \leq \theta+c$ $\theta-c \leq X_{(1)}$ 和 $X_{(n)} \leq \theta+c$ 都成立时似然函数最大，即 $X_{(n)}-c \leq\theta\leq X_{(1)}+c$ 。因此，极大似然估计为： $\hat{\theta}_{MLE}=\{ \theta| X_{(n)}-c \leq\theta\leq X_{(1)}+c \}$
(2)
$Y_i=\frac{X_i-a}{b-a},Y_i\sim U(0,1),Y_{(k)}\sim Beta(k,n-k+1)$ $则Y_{(1)}\sim Beta(1,n),E(Y_{(1)})=\frac{1}{n+1},E(X_{(1)})=\frac{b-a}{n+1}+a$ $Y_{(n)}\sim Beta(n,1),E(Y_{(1)})=\frac{n}{n+1},E(X_{(n)})=\frac{n(b-a)}{n+1}+a$ 其中 $a=\theta-c,b=\theta+c$ , 所以对于均匀分布 $U(\theta-c, \theta+c)$ ，最小值 $X_{(1)}$ 和最大值 $X_{(n)}$ 的期望值分别为：
$E[X_{(1)}] = \frac{2c}{n+1}+\theta-c, E[X_{(n)}] =\frac{2nc}{n+1}+ \theta-c, E\left[\frac{X_{(1)}+X_{(n)}}{2}\right] = \theta$ 所以 $\frac{X_{(1)}+X_{(n)}}{2}$ 是 $\theta$ 的无偏估计。

$X_1,...,X_n$ 服从正态分布 $N(\mu，{\sigma}^2)$ $H_0:\mu={\mu}_0,\quad H_1:\mu>{\mu}_0$ （1）介绍假设检验原理.

（2）分别求在 ${\sigma}^2$ 已知和未知下的 $p$ 值表达式和其分布.

Solution:

(1) 假设检验是统计学中的一种方法，用于判断一个假设是否成立, 假设检验的步骤如下：

1.提出假设： $H_0:\mu={\mu}_0,\quad H_1:\mu>{\mu}_0$ 。

2.选择检验统计量：根据数据的类型和分布选择合适的检验统计量,当 $\sigma$ 已知的时候可以用单样本的 $u$ 检验,当 $\sigma$ 未知时用 $t$ 检验。

3.确定显著性水平：选择一个显著性水平 $\alpha$ ，通常为 0.05 或 0.01。

4.计算检验统计量的值：根据样本数据计算检验统计量的值。当 $\sigma={\sigma}_0$ 已知时统计量为 $Z=\frac{\sqrt{n}(\bar{x}-{\mu}_0)}{\sigma}$ ,当 $\sigma$ 未知时统计量为： $T=\frac{\sqrt{n}(\bar{x}-{\mu}_0)}{s}$

5.根据拒绝域做出决策：当 $\sigma={\sigma}_0$ 已知时拒绝域为 $W=\{Z>z_{1-\alpha}\}$ ,当 $\sigma$ 未知时拒绝域为： $W=\{T>t_{1-\alpha}(n-1)\}$ 。如果统计量落在拒绝域中，则拒绝零假设，接受备择假设；否则，不拒绝零假设。

（2）(i) 在 $\sigma^2$ 已知时, 我们会选择检验统计量 $u(\boldsymbol{X}) ={\sqrt{n}} \frac{\overline{X}-\mu_0}{\sigma} \sim N(0,1)$ , 当 $u$ 较大时, 或 $\overline{X}$ 比 $\mu_0$ 大很多时, 我们会拒绝原假设, $p$ -值的含义是当原假设成立时发生比当前样本还要极端的可能性, 它显然是样本的函数. 如果已收集到样本 $\boldsymbol{x}_0$ , 对应有统计量 $u_0 = u(\boldsymbol{x}_0)$ , 那么 $p$ -值是:
$p(\boldsymbol{x}_0) = P\left(Z \ge u_0 \right) = 1-\Phi(u_0) = 1- \Phi\left( u(\boldsymbol{x}_0) \right).$
此时, 如果 $\boldsymbol{x}_0$ 是已知样本, 那么 $p(\boldsymbol{x}_0)$ 也是已知量, 如果考虑样本是随机变量 $\boldsymbol{X}$ , 那 $p(\boldsymbol{X})$ 也是随机变量, 即:
$p(\boldsymbol{X}) = 1- \Phi\left( u(\boldsymbol{X}) \right),$
其中由于 $u(\boldsymbol{X}) \sim N(0,1)$ , 因此 $\Phi(u(\boldsymbol{X}))$ 是分布函数作用在自身, $\Phi(u(\boldsymbol{X})) \sim U(0,1)$ , 而 $1 - U (0, 1)$ 仍然服从 $U (0, 1)$ , 因此:
$p(\boldsymbol{X}) = 1- \Phi\left( u(\boldsymbol{X}) \right) \sim U(0,1).$ (ii) 在 $\sigma^2$ 未知时, 我们会选择检验统计量 $u(\boldsymbol{X}) ={\sqrt{n}} \frac{\overline{X}-\mu_0}{s} \sim t(n-1)$ , 当 $u$ 较大时, 或 $\overline{X}$ 比 $\mu_0$ 大很多时, 我们会拒绝原假设, 如果已收集到样本 $\boldsymbol{x}_0$ , 对应有统计量 $u_0 = u(\boldsymbol{x}_0)$ , 那么 $p$ -值是:
$p(\boldsymbol{x}_0) = P\left(T \ge u_0 \right) = 1- F_{t,n-1}\left( u(\boldsymbol{x}_0) \right).$
其中 $F_{t,n-1}$ 是 $t (n - 1)$ 的分布函数. 此时, 如果 $\boldsymbol{x}_0$ 是已知样本, 那么 $p(\boldsymbol{x}_0)$ 也是已知量, 如果考虑样本是随机变量 $\boldsymbol{X}$ , 那 $p(\boldsymbol{X})$ 也是随机变量, 即:
$p(\boldsymbol{X}) = 1- F_{t,n-1}\left( u(\boldsymbol{X}) \right),$
其中由于 $u(\boldsymbol{X}) \sim t(n-1)$ , 因此 $F_{t,n-1}(u(\boldsymbol{X}))$ 是分布函数作用在自身, $F_{t,n-1}(u(\boldsymbol{X})) \sim U(0,1)$ , 而 $1 - U (0, 1)$ 仍然服从 $U (0, 1)$ , 因此仍然有:
$p(\boldsymbol{X}) = 1- F_{t,n-1}\left( u(\boldsymbol{X}) \right) \sim U(0,1).$

二元线性回归模型， $y_i＝\alpha+\beta x_i+\lambda z_i+\epsilon,\quad \epsilon \sim N(0,{\sigma}^2)$ 。

（1）求 $\beta$ 的极大似然估计，数学期望，方差.

（2）如果 $y$ 写成 $x$ 的一元回归模型，求 $\beta$ 最小二乘估计，判断其是否是无偏估计，并比较两种情况下 $\beta$ 的方差.

Solution:

(1) $\prod_{i=1}^n \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(y_i - \alpha - \beta x_i - \lambda z_i)^2}{2\sigma^2}\right)$ $\ln L = -\frac{n}{2} \log(2\pi) - \frac{n}{2} \log(\sigma^2) - \frac{1}{2\sigma^2} \sum_{i=1}^n (y_i - \alpha - \beta x_i - \lambda z_i)^2$ $\left\{ \begin{array}{ll} \frac{\partial \ln L}{\partial \alpha} &=0 \rightarrow \sum_{i=1}^n (y_i - \alpha - \beta x_i - \lambda z_i) = 0\\\\ \frac{\partial \ln L}{\partial \beta} &=0\rightarrow \sum_{i=1}^n x_i (y_i - \alpha - \beta x_i - \lambda z_i) = 0 \\\\ \frac{\partial \ln L}{\partial \lambda} &=0\rightarrow \sum_{i=1}^n z_i (y_i - \alpha - \beta x_i - \lambda z_i) = 0 \end{array} \right.$ 即： $\left\{ \begin{array}{l} \hat{\alpha} = \bar{y} - \hat{\beta}\bar{x} - \hat{\lambda}\bar{z},\quad (1)\\\\ \hat{\alpha} \cdot n\bar{x} + \hat{\beta}{\sum}_{i=1}^{n} x_{i}^{2} + \hat{\lambda}{\sum}_{i=1}^{n} x_{i}z_{i} ={\sum}_{i=1}^{n}x_{i}y_{i},\quad (2) \\\\ \hat{\alpha} \cdot n\bar{z} + \hat{\beta}{\sum}_{i=1}^{n} x_{i}z_{i} + \hat{\lambda}{\sum}_{i=1}^{n} z_{i}^{2} = {\sum}_{i=1}^{n} y_{i}z_{i},\quad (3) \end{array} \right.$ 整理方程（1）(2) 得到： $\hat{\beta}l_{xx} + \hat{\lambda}l_{xz} = l_{xy}$ , 同理由方程（1） (3) 得到： $\hat{\beta}l_{xz} + \hat{\lambda}l_{zz} = l_{zy}$ ,于是： $\begin{cases} l_{xx} \cdot \hat{\beta} + l_{xz} \cdot \hat{\lambda} = l_{xy} \\ l_{xz} \cdot \hat{\beta} + l_{zz} \cdot \hat{\lambda} = l_{zy} \end{cases}$ 根据克拉默法则解得： $\hat{{\beta}_{MLE}} = \frac{l_{xy}l_{zz} - l_{xz}l_{zy}}{l_{xx}l_{zz} - l_{xz}^2}$
代入 $\hat{\alpha} = \bar{y} - \hat{\beta}\bar{x} - \hat{\lambda}\bar{z}$ 得到 $\hat{\alpha}$ 的值。 $\begin{aligned} E({\beta}_{MLE}) &= \frac{l_{zz} \sum_{i=1}^{n} (x_i - \bar{x})E(y_i - \bar{y})-l_{xz}\sum_{i=1}^{n} (z_i - \bar{z})E(y_i - \bar{y})}{l_{xx}l_{zz} - l_{xz}^2} \\ &=\frac{\beta(l_{xx}l_{zz} - l_{xz}^2)}{l_{xx}l_{zz} - l_{xz}^2}\\ &= \beta\\ Var({\beta}_{MLE}) &= \frac{{l_{zz}}^2 Var(l_{xy})+{l_{xz}}^2 Var(l_{zy})-2l_{xz}l_{zz}Cov(l_{xy},l_{zy})} {(l_{xx}l_{zz} - l_{xz}^2)^2} \\ &=\frac{{l_{zz}}^2 l_{xx}{\sigma}^2+{l_{xz}}^2 l_{zz}{\sigma}^2-2l_{xz}l_{zz}l_{xz}{\sigma}^2} {(l_{xx}l_{zz} - l_{xz}^2)^2} \\ &=\frac{l_{zz}{\sigma}^2}{l_{xx}l_{zz} - l_{xz}^2} \end{aligned}$ （克拉默法则是一种通过行列式求解线性方程组的方法。对于线性方程组： $\begin{cases} a_1x + b_1y = c_1 \\ a_2x + b_2y = c_2 \end{cases}$ 其解为： $\frac{D_x}{D}, \quad y = \frac{D_y}{D}$
其中 $D$ 是系数矩阵的行列式， $D_x$ 和 $D_y$ 分别是通过将 $D$ 的第一列和第二列替换为常数项 $c_1, c_2$ 得到的行列式。)

（2）此时： $y_i＝\alpha+\beta x_i+\epsilon,\quad \epsilon \sim N(0,{\sigma}^2)， S = \sum_{i=1}^n (Y_i - \hat{Y}_i)^2 = \sum_{i=1}^n (Y_i - (\alpha + \beta X_i))^2$ $\left\{ \begin{array}{l} \frac{\partial S}{\partial \alpha} = -2 \sum_{i=1}^n (Y_i - \alpha - \beta X_i) = -2 \left( \sum_{i=1}^n Y_i - n\alpha- \beta \sum_{i=1}^n X_i \right) =0,\quad \alpha = \bar{Y} - \beta \bar{X} \\\\ \frac{\partial S}{\partial \beta} = -2 \sum_{i=1}^n (Y_i - \alpha - \beta X_i)X_i = -2 \left( \sum_{i=1}^n Y_i X_i - \alpha \sum_{i=1}^n X_i - \beta \sum_{i=1}^n X_i^2 \right) =0,\quad \end{array} \right.$ 将 $\alpha = \bar{Y} - \beta \bar{X}$ 代入方程，得到： $\sum_{i=1}^n Y_i X_i - (\bar{Y} - \beta \bar{X}) \sum_{i=1}^n X_i - \beta \sum_{i=1}^n X_i^2 = 0 ,\quad \hat{\beta} = \frac{\sum_{i=1}^{n} (X_i - \bar{X})(Y_i - \bar{Y})}{\sum_{i=1}^{n} (X_i - \bar{X})^2}$ $\begin{aligned} E(\hat{\beta}) &= \frac{\sum_{i=1}^{n} (X_i - \bar{X})E(Y_i - \bar{Y})}{\sum_{i=1}^{n} (X_i - \bar{X})^2} \\ &= \frac{\sum_{i=1}^{n} (X_i - \bar{X})(\alpha+ \beta X_i -\alpha - \beta \bar{X})}{\sum_{i=1}^{n} (X_i - \bar{X})^2} \\ &= \frac{\sum_{i=1}^{n} (X_i - \bar{X})^2 \beta}{\sum_{i=1}^{n} (X_i - \bar{X})^2} \\ &= \beta \end{aligned}$ 故其是无偏估计。 $\text{Var}(\hat{\beta})= \frac{\sigma^2}{l_{xx}} \leq \text{Var}(\hat{\beta}_{MLE})$

白噪声: ${\epsilon}_t \sim N(0,{\sigma}^2)$ , $X_t=0.5X_{t-1}+{\epsilon}_t-1.1{\epsilon}_{t-1}+0.3{\epsilon}_{t-2}$

（1）化简模型.

（2）化简模型是否宽平稳？求其自相关系数。

Solution: (1) 该模型是 ARMA(1,2) 模型, 其简化形式是
$\left( 1-0.5B \right) X_t=\left( 1-1.1B+0.3B^2 \right) \epsilon _t,$
其中 $B$ 是滞后算子. 我们也可以定义滞后多项式
$\Phi \left( z \right) =1-0.5z,\quad \Theta \left( z \right) =1-1.1z+0.3z^2,$
此时模型可写作 $\Phi(B)X_t = \Theta(B) \epsilon_t$ .

(2) (i) ARMA 模型的宽平稳条件是其 AR 部分是宽平稳的, 即 $\Phi(z)=0$ 的根都在单位圆外, 此处其特征根 $z_0=2$ 显然在单位圆外, 因此模型宽平稳.

(ii) 为求其自相关系数, 我们需求解其传递形式 $X_t = \sum_{j=0}^{\infty} G_j \epsilon_{t-j}$ , 其中 ${G_j\}$ 是 Green 函数, 且 $G_0=1$ . 我们可以递推求解, 假设我们需求解其传递形式 $X_t = \sum_{j=0}^{\infty} G_j \epsilon_{t-j}$ , 其中 ${G_j\}$ 是 Green 函数, 且 $G_0=1$ . 我们可以递推求解, 假设:
$X_t=\left( 1+G_1B+G_2B^2+G_3B^3+\cdots \right) \epsilon _t,$
又根据 $\Phi(B)X_t = \Theta(B) \epsilon_t$ , 我们有:
$(1-0.5B)\left( 1+G_1B+G_2B^2+G_3B^3+\cdots \right) = 1 - 1.1 B + 0.3 B^2.$
将左侧对应打开有:
$1+\left( -0.5+G_1 \right) B+\left( -0.5G_1+G_2 \right) B^2+\left( -0.5G_2+G_3 \right) B^3+\cdots =1-1.1B+0.3B^2,$
这说明:
$\begin{cases} -0.5+G_1=-1.1,\\ -0.5G_1+G_2=0.3,\\ -0.5G_k+G_{k+1}=0,\quad k\ge 2,\\ \end{cases}$
我们解得: $G_1=-0.6,\quad G_2=0,\quad G_k=0,\,k\ge 3,$
因此模型恰化为有限阶 $X_t = \epsilon_t - 0.6 \epsilon_{t-1}$ , 这一点也可以说明模型平稳,我们紧接着计算其自协方差函数 $\gamma_k$ , 显然只有 $\gamma_0$ , $\gamma_1$ 非零:
$\gamma_0 = Var(X_t) = 1.36 \sigma^2, \quad \gamma_1 = E(X_t X_{t+1})= -0.6 \sigma^2, \quad \gamma_k =0,\,\, k\ge 2.$
因此结论是:
$\rho_0 = 1,\quad \rho_1 = - \frac{15}{34},\quad \rho_2 = \rho_3 = \cdots = 0.$