计量经济学简述sem和var的区别和联系

英文SearchEngineMarketing，我们通常简称为“SEM”。就是根据用户使用搜索引擎的方式利用用户检索信息的机会尽可能将营销信息传递给目标用户。简单来说，搜索引擎就是基于搜索引擎平台的网络营销，利用人们对搜索引擎的依赖和使用习惯，在人们检索信息的时候将信息传递给目标客户。搜索引擎营销的基本思想是让用户发现信息，并通过点击进入网站或网页，进一步了解所需要的信息。

搜索引擎营销的基本思想是让用户发现信息，并通过（搜索引擎）搜索点击进入网站/网页进一步了解他所需要的信息。在介绍搜索引擎策略时，一般认为，搜索引擎优化设计主要目标有2个层次：被搜索引擎收录、在搜索结果中排名靠前。这已经是常识问题，简单来说SEM所做的就是以最小的投入在搜索引擎中获最大的访问量并产生商业价值。多数网络营销人员和专业服务商对搜索引擎的目标设定也基本处于这个水平。但从实际情况来看，仅仅做到被搜索引擎收录并且在搜索结果中排名靠前还很不够，因为取得这样的效果实际上并不一定能增加用户的点击率，更不能保证将访问者转化为顾客或者潜在顾客，因此只能说是搜索引擎营销策略中两个最基本的目标。

计算机语言中的var：Pascal:var在Pascal作为程序的保留字，用于定义变量。var是variable（变量，可变物）的简写。在多种计算机编程语言中，var被用作定义变量的关键字，在一些操作系统中也能见到它的身影。

基本思想

VaR按字面的解释就是“处于风险状态的价值”，即在一定置信水平和一定持有期内，某一金融工具或其组合在未来资产价格波动下所面临的最大损失额。JP.Morgan定义为：VaR是在既定头寸被冲销（beneutraliged）或重估前可能发生的市场价值最大损失的估计值；而Jorion则把VaR定义为：“给定置信区间的一个持有期内的最坏的预期损失”。

例如，把性别作为调节变量，在AMOS里就可以用多组比较的方法，从结果报告的P值可以看出模型对男女是否等同；如在spss里对男女分别做回归，该如何分别回归，如何比较两个方程所得标准回归系数是否有差异呢？ 举例： 女生组 y1=a1+b1x+c1z； 男生组 y2=a2+b2x+c2z。 可以用的方法有---- 1. 比较两个回归系数之间差别的公式为：(b1-b2)/se12，其中b1和b2是被比较的回归系，se12是两者的Join Standard Error(联合标准误差)，其结果是一个以自由度为n-k-2的t分布（其中n是样本量、k是原来的自变量数，本案中为x和c两个）。可是，在SPSS（其实是任何OLS回归）中，你如果将男女分成两个样本分布做回归可以得到b1和b2，却得不到联合标准误差se12（因为b1和b2出现在不同的模型中国），所以无法用到上述公式。 2. SEM（包括AMOS）是通过比较男女样本的拟合度之差别来比较两组回归系数之间的等同性。不过，SEM的这种做法是有代价的：它将一个总样本分成两个小样本，其结果是降低了Power of Analysis (统计分析效力)，从而在没有降低犯Type I的误差的同时又提高了犯Type II误差。 3. 较合理的方法是男女不分组、保留在同一样本内，将性别转换成dummy变量，再生成性别与你想比较的自变量（如X）的交互变量（如X*性别），这就是我和小彭各自发的前贴的意思。也就是说，将你的公式1（或公式2）中改成： Y = a + bX + cZ + dS +eSX + fSZ 其中S是性别（假定男=0、女=1），SX是性别与X的交互变量、SZ是性别与Z的交互变量。如果男女在S上的取值（即0和1）代人该公式，就可以分解成以下两个公式（注意：样本还是一个）： 女生组（S=1）：Y = a + bX + cZ + d1 +e1X + f1Z = (a+d) + (b+e)X + (c+f)Z 男生组（S=0）：Y = a + bX + cZ + d0 + e0X + f0Z = a + bX + cZ 如果d是显著的（即男女本身之差别），就说明女生在Y上的截距（即平均值）比男生高d个单位（见以下左右图的截距）；如果e是显著的（即性别对X与Y之关系的影响），就说明女生的X斜率比男生大e个单位（见左下图红线的斜率）；如果f是显著的（即性别对Z与Y之关系的影响），就说明女生的Z斜率比男生大f个单位（见右下图紫线的斜率）。 注：上两图应该是合并在一个三维图，但是不容易看清楚，所以分开来画。

回归分析中LM lag，LM error后面的DF value frob代表什么，哪一个是概率值?

这一列（MI/DF这列）读下来就是Moran's I 的均值之类的东西（MI）等于-0.17，下面是各个LM检验的自由度，（LM检验是卡方分部所以有不同自由度）。

第二列（value）是各个统计量的值，比如LM lag就是统计量等于0.238，服从自由度为1的卡方分部。下面的差不多。

第三列（Prob）应该是对应的P value。你可以验证一下是不是自由度1的卡方分部大于0.238的概率是0.62563（P<0.01，在99％下显著；P<0.05，在95％下显著）

　为确定是使用空间滞后模型SLM还是空间误差模型SEM，需要进行模型的选择。先采用最小二乘法（OLS）对模型进行估计，然后比较拉格朗日乘数LM的显著性。如果LM-lag统计上的显著性高于LM-error，同时，Robust LM-lag显著性高于Robust LM-error，则使用空间滞后模型SLM。反之，LM-lag统计上的显著性低于LM-error，同时，Robust LM-lag显著性低于Robust LM-error，则使用空间误差模型SEM。

---