蒙特卡罗模拟_[美] 克里斯托弗?Z.穆尼_9787543236240

蒙特卡罗方法又称统计模拟法，是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。它能够将不确定性问题转化为多个确定性问题，因此，当研究者所要作出的估计呈现出明显的不确定性时，该方法尤为有用。本书以通俗易懂的方式系统地阐述了蒙特卡罗方法的原理，并结合具体案例，用大量软件代码和模拟研究结果讲授了该方法在社会科学中的运用，可谓学习蒙特卡罗方法的入门书籍。

经典参数统计推断告诉我们，当满足必要假设时，世界是如何运作的。因此，在对一组社会观测值进行回归分析时，假设X的斜率统计显著且为BLUE（best linear unbiased estimator，最佳线性无偏估计），那么我们就会对因变量Y如何随单位X的变化而变化有一个明确的预测。但是当通常统计推断所需条件无法满足时，情况又会如何呢?比如，误差项存在异方差（heteroskedastic），即误差项与自变量相关或者有偏斜。当给定了这些条件，而条件无法被满足时，普通最小二乘法（OLS）回归所得出的结论则会有严重的误导性。这时，我们所得的回归结果其实仅是想象而已。
然而，当违背了特定回归假设或存在违反假设风险的时候，蒙特卡罗模拟就可派上用场。例如，它允许多种参数估计分布一均匀分布、帕累托分布、指数分布、正态分布、对数正态分布、卡方分布、学生t分布、混合分布或贝塔分布。除了对单一方程OLS结果进行检验外，蒙特卡罗模拟还可用于比较多方程系统的估计量，例如，到底要用到二阶估计还是三阶估计。此外，它还可用以学习那些可通过简单计算得出，然而其统计推断却鲜有人知的重要统计量，例如，中位数或绝对平均偏差。
除此以外，穆尼教授还解释了蒙特卡罗模拟的逻辑。在这里，研究者感兴趣的总体是可以被模拟出来的。我们可通过虚拟总体（pseudo-population）重复抽取随机样本，那么所关注的统计量可以通过每个虚拟样本（pseudo-sample）计算出。通过观察该统计量的分布我们还可对统计量行为有一定了解。尽管过程的逻辑简单，实际操作却不然。这里，作者的一个重大贡献即详细阐明了计算机算法的预备，提及了相较于标准统计软件包，高斯（GAUSS）代码执行蒙特卡罗模拟的特殊优势。幸运的是，讨论部分运用了一些研究范例。其中一个例子基于某政治学家就议员对政府业务监管的态度进行模拟真实数据时，表示了对OLS估计质量的担心。另一个例子为通过模拟仿真来研究所构建社团指标的行为。
蒙特卡罗模拟是一个高度计算机密集型作业。复杂的模型运行起来会占用大量的时间，有些甚至需要几天。除了模型的复杂性，这也部分是因为试验的数量所致。现今计算机模拟通常可以达到25 000次试验。穆尼教授指出，计算机模拟也时常会出错，且一旦出错所付出的代价会非常昂贵。因此，在运用该方法前，他建议研究者要对研究的社会过程有所了解，工作时一步步做细做实，并时常检查错误。尽管虚心听取意见并小心谨慎面对问题很重要，但在统计前沿上的开拓创新的重要性远大于此。
迈克尔S.刘易斯-贝克

你还可能感兴趣

我要评论