如果你也在 怎样代写计量经济学Econometrics这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。
计量经济学，对经济关系的统计和数学分析，通常作为经济预测的基础。这种信息有时被政府用来制定经济政策，也被私人企业用来帮助价格、库存和生产方面的决策。
statistics-lab™ 为您的留学生涯保驾护航 在代写计量经济学Econometrics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写计量经济学Econometrics代写方面经验极为丰富，各种代写计量经济学Econometrics相关的作业也就用不着说。
我们提供的计量经济学Econometrics及其相关学科的代写，服务范围广, 其中包括但不限于:
- Statistical Inference 统计推断
- Statistical Computing 统计计算
- Advanced Probability Theory 高等概率论
- Advanced Mathematical Statistics 高等数理统计学
- (Generalized) Linear Models 广义线性模型
- Statistical Machine Learning 统计机器学习
- Longitudinal Data Analysis 纵向数据分析
- Foundations of Data Science 数据科学基础
商科代写|计量经济学代写Econometrics代考|General Conditions and the Functions ψˆ n,αˆ and ψα
We give general conditions that we assume to hold in the remainder of the paper here and give graphical comparisons of the functions $\hat{\psi}{n, \alpha}$ and $\psi{\alpha}$, where $\psi_{\alpha}$ is defined in Definition $1 .$
Example 1 As an illustrative example, we take $d=2, \psi_{0}(x)=x^{3}, \alpha_{0}=(1 / \sqrt{2}$, $1 / \sqrt{2})^{T}, Y_{i}=\psi_{0}\left(\alpha_{0}^{T} X_{i}\right)+\varepsilon_{i}$, where the $\varepsilon_{i}$ are i.i.d. standard normal random variables, independent of the $\boldsymbol{X}{i}$, which are i.i.d. random vectors, consisting of two independent Uniform $(0,1)$ random variables. In this case, the conditional expectation function (5) is a rather complicated function of $\alpha$ which we shall not give here but can be computed by a computer package such as Mathematica or Maple. The loss functions: $L^{\mathrm{LSE}}: \alpha{1} \mapsto \mathbb{E}\left{Y-\psi_{\alpha}\left(\alpha^{T} \boldsymbol{X}\right)\right}^{2} \quad$ and $\quad \widehat{L}{n}^{\mathrm{LSE}}: \alpha{1} \mapsto n^{-1} \sum_{i=1}^{n}\left{Y_{i}-\hat{\psi}{n, \alpha}\left(\alpha^{T} \boldsymbol{X}{i}\right)\right}^{2}$
where the loss function $\widehat{L}{n}^{L S E}$ is for sample sizes $n=10,000$ and $n=100,000$, and $\alpha=\left(\alpha{1}, \alpha_{2}\right)^{T}$. For $\alpha_{1} \in[0,1]$ and $\alpha_{2}$ equal to the positive root $\left{1-\alpha_{1}^{2}\right}^{1 / 2}$, we get Fig. 1. The function $L^{\mathrm{LSE}}$ has a minimum equal to 1 at $\alpha_{1}=1 / \sqrt{2}$, and $\widehat{L}{n}^{\mathrm{LSE}}$ has a minimum at a value very close to $1 / \sqrt{2}$ (furnishing the profile LSE $\hat{\alpha}{n}$ ), which gives a visual evidence for consistency of the profile LSE.
In order to show the $\sqrt{n}$-consistency and asymptotic normality of the estimators in the next sections, we now introduce some conditions, which correspond to those in Balabdaoui et al. (2019b). We note that we do not need conditions on reparameterization.
(A1) $\boldsymbol{X}$ has a density w.r.t. Lebesgue measure on its support $\mathcal{X}$, which is a convex set $\mathcal{X}$ with a nonempty interior, and satisfies $\mathcal{X} \subset\left{x \in \mathbb{R}^{d}:|x| \leq R\right}$ for some $R>0$.
(A2) The function $\psi_{0}$ is bounded on the set $\left{u \in \mathbb{R}: u=\alpha_{0}^{T} \boldsymbol{x}, \boldsymbol{x} \in \mathcal{X}\right}$.
(A3) There exists $\delta>0$ such that the conditional expectation $\tilde{\psi}{\alpha}$, defined by (5), is nondecreasing on $I{\alpha}=\left{u \in \mathbb{R}: u=\alpha^{T} \boldsymbol{x}, x \in \mathcal{X}\right}$ and satisfies $\bar{\psi}{\alpha}=\psi{\alpha}$, so minimizes $$
\left|\mathbb{E}\left{Y-\psi\left(\boldsymbol{\alpha}^{T} \boldsymbol{X}\right)\right} \boldsymbol{X}\right|^{2}
$$
over nondecreasing functions $\psi$, if $\left|\boldsymbol{\alpha}-\boldsymbol{\alpha}_{0}\right| \leq \delta$.
商科代写|计量经济学代写Econometrics代考|The Limit Theory for the SSE
In this section, we derive the limit distribution of the SSE introduced above. In our derivation, the function $\psi_{\alpha}$ of Definition 1 plays a crucial role. Below, we will use the following assumptions, additionally to $(\mathrm{A} 1)-(\mathrm{A} 6)$.
(A7) There exists a $\delta>0$ such that for all $\alpha \in\left(\mathcal{B}\left(\alpha_{0}, \delta\right) \cap \mathcal{S}{d-1}\right) \backslash\left{\alpha{0}\right}$, the random variable
$$
\operatorname{cov}\left(\left(\boldsymbol{\alpha}{0}-\boldsymbol{\alpha}\right)^{T} \boldsymbol{X}, \psi{0}\left(\boldsymbol{\alpha}{0}^{T} \boldsymbol{X}\right) \mid \boldsymbol{\alpha}^{T} \boldsymbol{X}\right) $$ is not equal to 0 almost surely. (A8) The matrix $$ \mathbb{E}\left[\psi{0}^{\prime}\left(\boldsymbol{\alpha}{0}^{T} \boldsymbol{X}\right) \operatorname{cov}\left(\boldsymbol{X} \mid \boldsymbol{\alpha}{0}^{T} \boldsymbol{X}\right)\right]
$$
has rank $d-1$.
We start by comparing (3) with the function
$$
\alpha \mapsto\left|\mathbb{E}\left{Y-\psi_{\alpha}\left(\alpha^{T} \boldsymbol{X}\right)\right} \boldsymbol{X}\right|^{2}
$$ As in Sect. 1, the function $\hat{\psi}_{n, \alpha}$ is just the (isotonic) least squares estimate for fixed $\alpha$.
商科代写|计量经济学代写Econometrics代考|The Limit Theory for ESE and Cubic Spline Estimator
The proofs of the consistency and asymptotic normality of the ESE and spline estimator are highly similar to the proofs of these facts for the SSE in the preceding section. The only extra ingredient is the occurrence of the estimate of the derivative of the link function. We only discuss the asymptotic normality.
In addition to the assumptions (A1)-(A7), we now assume the following:
(A8′) $\psi_{\alpha}$ is twice differentiable on $\left.\inf {x \in \mathcal{X}}\left(\alpha^{T} \boldsymbol{x}\right), \sup {x \in \mathcal{X}^{\prime}}\left(\boldsymbol{\alpha}^{T} \boldsymbol{x}\right)\right)$.
(A9) The matrix
$$
\mathbb{E}\left[\psi_{0}^{\prime}\left(\alpha_{0}^{T} \boldsymbol{X}\right)^{2} \operatorname{cov}\left(\boldsymbol{X} \mid \alpha_{0}^{T} \boldsymbol{X}\right)\right]
$$
has rank $d-1$.
An essential step is again to show that
$$
\begin{aligned}
&\int \boldsymbol{x}\left{y-\hat{\psi}{n, \hat{\alpha}{n}}\left(\hat{\boldsymbol{\alpha}}{n}^{T} \boldsymbol{x}\right)\right} \hat{\psi}{n \hat{\boldsymbol{\alpha}}{n}}^{\prime}\left(\hat{\boldsymbol{\alpha}}{n}^{T} \boldsymbol{x}\right) d \mathbb{P}{n}(\boldsymbol{x}, y) \ &=\int\left{\boldsymbol{x}-\mathbb{E}\left(X \mid \hat{\boldsymbol{\alpha}}{n}^{T} \boldsymbol{X}\right)\right}\left{y-\hat{\psi}{n, \hat{\alpha}{n}}\left(\hat{\boldsymbol{\alpha}}{n}^{T} \boldsymbol{x}\right)\right} \hat{\psi}{n \hat{\alpha}{n}}^{\prime}\left(\hat{\alpha}{n}^{T} \boldsymbol{x}\right) d \mathbb{P}{n}(\boldsymbol{x}, y) \ &+o{p}\left(n^{-1 / 2}\right)+o_{p}\left(\hat{\alpha}{n}-\boldsymbol{\alpha}{0}\right)
\end{aligned}
$$
For the ESE, this is done by defining the piecewise constant function $\bar{\rho}{n, \alpha}$ for $u$ in the interval between successive jumps $\tau{i}$ and $\tau_{i+1}$ ) of $\hat{\psi}{n \alpha}$ by $$ \bar{\rho}{n, \alpha}(u)= \begin{cases}\mathbb{E}\left[\boldsymbol{X} \mid \alpha^{T} \boldsymbol{X}=\tau_{i}\right] \psi_{\alpha}^{\prime}\left(\tau_{i}\right) & \text { if } \psi_{\alpha}(u)>\hat{\psi}{n \alpha}\left(\tau{i}\right) \text { for all } u \in\left(\tau_{i}, \tau_{i+1}\right) \ \mathbb{E}\left[\boldsymbol{X} \mid \alpha^{T} \boldsymbol{X}=s\right] \psi_{\alpha}^{\prime}(s) & \text { if } \psi_{\alpha}(s)=\hat{\psi}{n \alpha}(s) \text { for some } s \in\left(\tau{i}, \tau_{i+1}\right) \ \mathbb{E}\left[\boldsymbol{X} \mid \alpha^{T} \boldsymbol{X}=\tau_{i+1}\right] \psi_{\alpha}^{\prime}\left(\tau_{i+1}\right) & \text { if } \psi_{\alpha}(u)<\hat{\psi}{n \alpha}\left(\tau{i}\right) \text { for all } u \in\left(\tau_{i}, \tau_{i+1}\right)\end{cases}
$$ see Appendix E in the supplement of Balabdaoui et al. (2019b). The remaining part of the proof runs along the same lines as the proof for the SSE. For additional details, see Appendix E in the supplement of Balabdaoui et al. (2019b).
The corresponding step in the proof for the spline estimator is given by the following lemma.
计量经济学代考
商科代写|计量经济学代写Econometrics代考|General Conditions and the Functions ψˆ n,αˆ and ψα
我们给出了我们假设在本文的其余部分中持有的一般条件，并给出了函数的图形比较 $\hat{\psi}, \alpha, \alpha$ 和 $\psi \alpha$ ，在哪里 $\psi_{\alpha}$ 在 定义中定义 1 .
例 1 作为一个说明性的例子，我们取 $d=2, \psi_{0}(x)=x^{3}, \alpha_{0}=(1 / \sqrt{2}, 1 / \sqrt{2})^{T}, Y_{i}=\psi_{0}\left(\alpha_{0}^{T} X_{i}\right)+\varepsilon_{i}$ ， 其中 $\varepsilon_{i}$ 是独立同分布的标准正态随机变量，独立于 $\boldsymbol{X} i$ ，它们是 iid 随机向量，由两个独立的 Uniform 组成 $(0,1)$ 随机变量。在这种情况下，条件期望函数 (5) 是一个相当复杂的函数 $\alpha$ 我们不会在这里给出，但可以通过诸如 Mathematica 或 Maple 之类的计算机包来计算。损失函数: 和
$\mathrm{~ I q u a d ~ I w i d e h a t { { \ { n }}$ 其中损失函数 $\widehat{L} n^{L S E}$ 适用于样本量 $n=10,000$ 和 $n=100,000$ ，和 $\alpha=\left(\alpha 1, \alpha_{2}\right)^{T}$. 为了 $\alpha_{1} \in[0,1]$ 和 $\alpha_{2}$ 等于正根 $\mathrm{~ l e f t { 1 – l a l p h a _ { 1 } へ { 2 } \ r i g h t }}$ $\widehat{L} n^{\mathrm{LSE}}$ 最小值非常接近 $1 / \sqrt{2}$ (提供简介 LSE $\left.\hat{\alpha} n\right)$ ，这为配置文件 LSE 的一致性提供了视觉证据。
为了显示 $\sqrt{n}$-在下一节中估计量的一致性和渐近正态性，我们现在介绍一些条件，这些条件对应于 Balabdaoui 等 人的条件。(2019b)。我们注意到我们不需要重新参数化的条件。
(A1) $\boldsymbol{X}$ 在其支持上有一个密度 wrt Lebesgue 度量 $\mathcal{X}$ ，这是一个凸集 $\mathcal{X}$ 具有非空的内部，并且满足
$\mathrm{~ I m a t h c a l { X } }}$
(A2) 功能 $\psi_{0}$ 有界在集合上
\eft ${u \backslash$ in $\backslash \mathrm{~ m a t h b b b { R } : ~ u =}$
(A3) 存在 $\delta>0$ 使得条件期望 $\tilde{\psi} \alpha$ ，由 (5) 定义，在
I{\alpha $}=\backslash 1$ eft $\left{u \backslash\right.$ in $\backslash$ mathbb ${R}: u=\backslash a \mid p h a^{\wedge}{T} \backslash$ boldsymbol ${x}, x \backslash \mathrm{~ i n ~}$
Veft $\backslash \backslash$ mathbb ${$ E $} \backslash$ eft ${Y \mathrm{~ – ~ \ p s i V l e f t (}$
过非减函数 $\psi$ ，如果 $\left|\boldsymbol{\alpha}-\boldsymbol{\alpha}_{0}\right| \leq \delta$.
商科代写|计量经济学代写Econometrics代考|The Limit Theory for the SSE
在本节中，我们推导出上面介绍的 SSE 的极限分布。在我们的推导中，函数 $\psi_{\alpha}$ 定义 1 起着至关重要的作用。下 面，我们将使用以下假设，此外 $(\mathrm{A} 1)-(\mathrm{A} 6)$.
(A7) 存在一个 $\delta>0$ 这样对于所有人
$\mathrm{~ \ a l p h a ~ \ i n \ l e f t ( \ m a t h c a l { B }}$
变量
$$
\operatorname{cov}\left((\boldsymbol{\alpha} 0-\boldsymbol{\alpha})^{T} \boldsymbol{X}, \psi 0\left(\boldsymbol{\alpha} 0^{T} \boldsymbol{X}\right) \mid \boldsymbol{\alpha}^{T} \boldsymbol{X}\right)
$$
几乎肯定不等于 0 。 (A8) 矩阵
$$
\mathbb{E}\left[\psi 0^{\prime}\left(\boldsymbol{\alpha} 0^{T} \boldsymbol{X}\right) \operatorname{cov}\left(\boldsymbol{X} \mid \boldsymbol{\alpha} 0^{T} \boldsymbol{X}\right)\right]
$$
有等级 $d-1$.
我们首先将 (3) 与函数进行比较
\alpha \mapsto\left } \backslash \backslash \text { mathbb } { E } \backslash l e f t { Y \mathrm { ~ –
就像在教派中一样。1、功能 $\hat{\psi}_{n, \alpha}$ 只是固定的 (等渗的) 最小二乘估计 $\alpha$.
商科代写|计量经济学代写Econometrics代考|The Limit Theory for ESE and Cubic Spline Estimator
ESE 和样条估计量的一致性和渐近正态性的证明与上一节中 SSE 的这些事实的证明非常相似。唯一的额外因素是链 接函数导数估计的出现。我们只讨论渐近正态性。
除了假设（A1 ) – (A7)，我们现在假设以下:
(A8′) $\psi_{\alpha}$ 是两次可微的 $\left.\inf x \in \mathcal{X}\left(\alpha^{T} \boldsymbol{x}\right), \sup x \in \mathcal{X}^{\prime}\left(\boldsymbol{\alpha}^{T} \boldsymbol{x}\right)\right)$.
(A9) 矩阵
$$
\mathbb{E}\left[\psi_{0}^{\prime}\left(\alpha_{0}^{T} \boldsymbol{X}\right)^{2} \operatorname{cov}\left(\boldsymbol{X} \mid \alpha_{0}^{T} \boldsymbol{X}\right)\right]
$$
有等级 $d-1$.
一个重要的步骙是再次证明
\begin } { \text { 对齐 } } \text { \& Int } \backslash \text { boldsymbol } { x } \backslash l e f t { y \mathrm { ~ – ~
对于 ESE，这是通过定义分段常数函数来完成的 $\bar{\rho} n, \alpha$ 为了 $u$ 在连续咷跃之间的间隔 $\tau i$ 和 $\tau_{i+1} ）$ 的 $\hat{\psi} n \alpha$ 经过 $\bar{\rho} n, \alpha(u)=\left{\mathbb{E}\left[\boldsymbol{X} \mid \alpha^{T} \boldsymbol{X}=\tau_{i}\right] \psi_{\alpha}^{\prime}\left(\tau_{i}\right) \quad\right.$ if $\psi_{\alpha}(u)>\hat{\psi} n \alpha(\tau i)$ for all $u \in\left(\tau_{i}, \tau_{i+1}\right) \mathbb{E}\left[\boldsymbol{X} \mid \alpha^{T} \boldsymbol{X}=s\right.$ 请参阅 Balabdaoui 等人的补充资料中的附录 $E_{。}$ (2019b) 。证明的其余部分与 SSE 的证明相同。有关详细信 息，请参阅 Balabdaoui 等人的补充资料中的附录 $E_{0}$ (2019b)。
样条估计器证明中的相应步骙由以下引理给出。
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。
金融工程代写
金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。
非参数统计代写
非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。
广义线性模型代考
广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。
术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。
有限元方法代写
有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。
有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。
tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
随机分析代写
随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。
时间序列分析代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。
回归分析代写
多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。