【素材】《简单随机抽样》随机数发生器产生随机数是随机的吗？ （人教）.doc

随机数发生器产生随机数是随机的吗仿真模型以及抽样模型中需要随机数发生器产生随机数，但是计算机得到的随机数并不是绝对随机的这是因为计算机只能产生"伪随机数"（pseudo random number）其实绝对随机的随机数只是一种理想的随机数，即使计算机怎样发展，它也不会产生一串绝对随机的随机数计算机只能生成相对的随机数，即伪随机数  伪随机数并不是假随机数，这里的"伪"是有规律的意思，就是计算机产生的伪随机数既是随机的又是有规律的怎样理解呢？产生的伪随机数有时遵守一定的规律，有时不遵守任何规律；伪随机数有一部分遵守一定的规律；另一部分不遵守任何规律比如"世上没有两片形状完全相同的树叶"，这正是点到了事物的特性，即随机性，但是每种树的叶子都有近似的形状，这正是事物的共性，即规律性从这个角度讲，你大概就会接受这样的事实了：计算机只能产生伪随机数而不能产生绝对随机的随机数  那么计算机中随机数是怎样产生的呢？有人可能会说，随机数是由"随机种子"产生的没错，随机种子是用来产生随机数的一个数，在计算机中，这样的一个"随机种子"是一个无符号整形数那么随机种子是从哪里获得的呢？ 1.随机数是由随机种子根据一定的计算方法计算出来的数值。

所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变 2.只要用户或第三方不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值） 3.建议：如果想在一个程序中生成随机数序列，需要至多在生成随机数之前设置一次随机种子 在进入正题之前，必须注意下面一点：Sims,Stock和Warson(1990)的第一准则：具有经济意义的零均值平稳变量的系数能够用正态分布进行检验如果样本量很大，同样可以使用t检验） Granger因果关系检验只实用于平稳变量 在同时具有平稳和非平稳变量的VAR中：对于平稳的变量，可以使用t检验或F检验  对于任何变量或一系列变量，可以进行滞后长度检验在所讨论的问题中，无论变量是否平稳，这一点都是正确的无论变量是否协整，都可以进行滞后长度检验）   可以使用F检验确定是否一个非平稳变量是导致另一个非平稳变量的Granger原因如果可对变量仅仅进行1阶差分处理，则检验是可行的总之，如果变量不是协整的，则用1阶差分估计系统；如果变量是协整的，则可以用误差修正模型进行估计因为误差修正项和所有变量的差分项都是平稳的，所以可以使用通常的检验方法对任意变量（排除在协整向量中出现的变量）进行推断。

脉冲响应和方差分解将得到实际值的一致估计  为什么不能对原始数据简单地估计所有VAR模型？ 因为要估计多达n2个参数（每个方程中都含有每个变量的滞后1期变量），所以，检验缺乏效力  对于原始数据水平上的VAR模型，涉及I(1)变量的Granger因果关系检验统计量不服从标准F分布，如果进行1阶差分，则可以使用标准F分布检验Granger因果关系  当VAR有I(1)变量时，长期预测水平的脉冲响应是其真实响应的不一致估计因为脉冲响应不必衰减，所以在系数估计值中的任何不正确的信息都将会对脉冲响应有永久影响如果用1阶差分估计VAR模型，则脉冲响应衰减至零，所以使得响应的估计是一致的  说明：  如果不是平稳序列，经过1次或者多次差分使之平稳化，然后对两个平稳化后的序列进行Granger检验  平稳化后的序列的经济含义发生了变化，在检验结果的语言描述时应该加以注意。