eviews操作基本命令

Eviews常用命令（对于命令和变量名，不区分大小写）

1．创建时间序列的工作文件

a annual：create a 1952 2000

s semi-annual：create s 1952 1960

q quarterly：create q 1951：1 1952：3

m monthly：create m 1952：01 1954：11

w weekly: create w 2/15/94 3/31/94，自动认为第一天为周一，和正常的周不同。

d daily (5 day week): creat

e d 3/15/2008 3/31/2008，和日历

上周末一致，自动跳过周末。

7 daily (7 day week): create 7 3/03/2008 3/31/2008。

u undated: create u 1 33。

创建工作文件时可直接命名文件，即在create 后面直接键入“文件名”，如create myfilename a 1952 2000 或者

workfile myfilename a 1952 2000

系统自动生成两个序列：存放参数估计值c和残差resid。

2．创建数组（group）

多个序列组合而成，以便对组中的所有变量同时执行某项操作。数组和各个序列之间是一种链接关系，修改序列的数据、更改序列名、删除序列等操作，都会在数组中产生相应的变化。

1）创建完文件后，使用data建立数据组变量；若有word表格数据或excel数据，直接粘贴；或者用Import 从其它已有文件中直接

导入数据。

data x y，…可以同时建立几个变量序列，变量值按列排列，同时在表单上出现新建的组及序列，且可以随时在组中添加新

的序列。利用组的优点：一旦某个序列的数据发生变化，会在组中

和变量中同时更新；数组窗口可以直接关闭，因为工作文件中已保

留了有关变量的数据。

2）通过已有序列建立一个需要的组：group mygroup x y 可以在组中直接加入滞后变量group mygroup y x(0 to -1) 3．创建标量：常数值

scalar val = 10 show val 则在左下角显示该标量的值

4．创建变量序列series x

series y

data x y

series z = x + y

series fit = Eq1.@coef(1) + Eq1.@coef(2) * x

利用两个回归系数构造了拟合值序列

5．创建变量序列genr 变量名= 表达式

genr xx = x^2 genr yy = val * y

genr zz = x*y (对应分量相乘) genr zz = log(x*y) (各分量求对数) genr lnx = log(x) genr x1 = 1/x

genr Dx = D(x) genr value = 3(注意与标量的区别) genr hx = x*(x>=3)(同维新序列，小于3的值变为0，其余数值不变) 1）表达式表示方式：可以含有>,<,<>,=,<=,>=,and,or。

2）简单函数：

D(X):X 的一阶差分

D(X ，n):X 的n 阶差分

LOG(X)：自然对数

DLOG(X) ：自然对数增量LOG(X)-LOG(X(-1))

EXP(X) ：指数函数

ABS(X) ：绝对值

SQR(X) ：平方根函数

RND ：生成0、1间的随机数

NRND ：生成标准正态分布随机数。

3）描述统计函数：eviews 中有一类以@打头的特殊函数，用以计算序列的描述统计量，或者用以计算常用的回归估计量。大多数@函数的返回值是一个常数。

@SUM(X):序列X 的和

@MEAN(X): 序列X 的平均数

@VAR(X): 序列X 的方差2()/i X X n =-∑

@SUMSQ(X): 序列X 的平方和

@OBS(X): 序列X 的有效观察值个数

@COV(X,Y): 序列X 和序列Y 的协方差

@COR(X,Y): 序列X 和序列Y 的相关系数

@CROSS(X,Y): 序列X ，Y 的点积 genr val=@cross(x,y)

当X 为一个数时，下列统计函数返回一个数值；当X 时一个序列时，下列统计函数返回的也是一个序列。

@PCH(X): X 的增长率（X-X(-1)）/ X(-1)

@INV(X): X的倒数1/X

@LOGIT(X): 逻辑斯特函数

@FLOOR(X): 转换为不大于X的最大整数

@CEILING(X): 转换为不小于X的最小整数

@DNORM(X): 标准正态分布密度函数

@CNORM(X): 累计正态分布密度函数

@TDIST(X,n): 自由度为n，取值大于X的t统计量的概率

@FDST(X,n,m): 自由度为（n，m）取值大于X的F分布的概率

@CHISQ(X,n): 自由度为n，不小于x的分布的概率4）回归统计函数

回归统计函数是从一个指定的回归方程返回一个数。调用方法：方程名后接.再接@函数。如EQ1.@DW，则返回EQ1方程的D-W统计量。如果在函数前不使用方程名，则返回当前估计方程的统计量。

统计函数见下面：@R2…@NCOEF常用。

6．向量

列向量对象vector、行向量对象rowvector、系数向量对象coeff vector vect：定义了一个一维且取值为0 的列向量

vector(n) vect：定义一个n维且取值为0的列向量

vect.fill 1, 3, 5, 7, 9 ：定义了分量的值

vector(n) vect=100：定义一个n维且取值为100的列向量

行向量对象rowvector、系数向量对象coeff 类似

7．矩阵

matrix mat ：定义一个行和列均为1取值为0的矩阵

matrix （m,n ） mat ：定义一个行和列分别为m ，n 取值为0的矩阵 matr.Fill 1 2 3 4 5 9 8 7 6 5，┅默认按列输入数据

matrix （m,n ） mat=5：定义一个行和列分别为m ，n 取值为5的矩阵 matrix （m,n ） mat=5*matr ：定义和matr 同维但取值为5倍的矩阵

8．常用命令：

1）Cov x y ：cov(,)()()/i i x y x x y y n =--∑协方差矩阵。

Cor x y ：co (,)()()

i i r x y x x y y =--∑相关

矩阵。

2）plot x y ：出现趋势分析图，观察两个变量的变化趋势或是否存在异常值。双击图形可改变显示格式。

3）scat x y ：观察变量间相关程度、相关类型（线性、非线性）。仅显示两个变量。如果有多个变量，可以选取每个自变量和因变量两两观察，虽然得到切面图，但对函数形式选择有参考价值。

4）排序：在workfile 窗口，执行主菜单上的procs/sort series ，可选择升序或降序：Sort x ：则y 随之移动，即不破坏对应关系。

sort(d) x ：按降序排序，注意所有的其它变量值都会随之相应移动。

5）取样 smpl 1 11 smpl 1990 2000

smpl @all ：重新定义数据范围，如果修改过，现在改回。

6）追加记录，扩展样本：Expand 2001 2007

6）“'”后面的东西不执行，仅仅解释程序语句。

7）Jarque-Bera 统计量: 22(3)46

N k JB S K -??=+-??，用于检验变量是否服从正态分布。在变量服从正态分布的原假设下，JB 统计量服从自由度为2的卡方分布。如果JB 统计量大于卡方分布的临界值，或对应概率值较小，则拒绝该变量服从正态分布的假设（where S is the skewness, K is the kurtosis, and k represents the number of estimated coefficients used to create the series ）

9. 回归结果 与 变量表示：

Variable Coefficient

Std. Error t-Statistic Prob. 变量 系数估计值 系数标准差:小好 T 检验值:大好 概率（越小越好）

C -103.171717172 98.4059798473

-1.04842934679 0.325079456046

0?β 0?S β= 0

?00?/t S ββ= @coefs(1)或c(1) @stderrs(1) @tstats(1)

X 0.77701010101

0.0424850982476 18.2890032755 8.2174494e-08 1?β 1?

S β= 1

?11?/t S ββ= R-squared 0.97664149287

Mean dependent var 1567.4

（拟合优度2R ）/ESS TSS =1-(RSS/TSS) :大好 （因变量均值）Y -

＝22?()/()i i

y y y y --∑∑@R2 @mean(y) Adjusted R-squared 0.973721679478 S.D. dependent var 714.1444

（调优）1-(/(1))/(/(1))RSS t k TSS n ---:大好 （Y @RBAR2 @sqr(@var(y)*n/(n-1))，var(y)2()/i Y Y n =-∑

@sddep （被解释变量的标准差）

S.E. of regression

115.767020478 Akaike info criterion 12.517893 2

/(2)i e n -=∑115.7670^2=13402 赤池信息准则 22(1)ln i e k AIC n n ??+=+ ? ???

∑ （回归标准差）

μσ=@se

Sum squared resid 107216.024242

Schwarz criterion 12.5784099883 （残差平方和）2i RSS e =∑ 施瓦兹信息准则21ln ln i e k SC n n n ??+=+ ? ???

∑:小好 @sumsq(resid)

Log likelihood -60.5894648487 F-statistic 334.487640812

（对数似然估计值） （总体F 检验值）:大好

/1/(2)

ESS F RSS n =-＝2859.544＝@F Durbin-Watson stat

3.12031968783 Prob(F-statistic) 0.0000 （D-W 检验值） （ F 检验概率）:小好 21

221()n i i i n i i e e d e

-==-=

∑∑=@DW

@REGOBS ：返回观察值的个数7。

@ncoef ：估计系数总个数2。

注意：系数项可这样计算：

genr b1=@cross (x-@mean(x),y-@mean(y))/@sumsq(x-@mean(x))

@cross 计算交叉乘积和，@mean 计算均值，@sumsq 计算平方和。 genr b0=@mean(y)-b1*@mean(x)。

10. 置信区间估计：

变量的显著性检验：

1

11??||0.77701010101||18.290.0424850982476t S ββ=== =c(2)/@stderrs(2)=@tstats(2)0.05/2,2 2.306n t ->=

参数1

?β的置信区间的计算：

α＝0.01，/2,2n t α-＝3.355，1

?1/2,2?n t S αββ-± 下限：=c(2)-3.355*@stderrs(2)

上限：=c(2)+3.355*@stderrs(2)

总体个别均值0Y 的预测值的置信区间的计算(总体条件均值 类似)：

1）ls y c x ，使内存中存在方程?i Y = -103.171717172+0.77701010101i

X 2）假设0x ＝1000

，0/2,2??n y t αμσ-±

下限：=c(1)+c(2)*1000-

2.306*@se*@sqr(1+1/@OBS(X)+(1000-@mean(x))^2/@sumsq(x-@mean(x)))＝372.03

上限：=c(1)+c(2)*1000+

2.306*@se*@sqr(1+1/@OBS(X)+(1000-@mean(x))^2/@sumsq(x-@mean(x)))＝975.65

故总体个别均值0Y 的预测值的置信区间为：（372.03，975.65）。

11．预测问题：生成一个以原因变量y 名+f 的y 的预测值yf ，实际上，yf ＝?i y

；同时还得到一张预测图形：图中实线是因变量y 的预测值，上下两条虚线给出的是近似95％的置信区间。

1) 绝对指标RMSE

均方根误差RMSE =其大小取决于因变量的绝对数值和预测值；

2) 绝对指标MAE 平均绝对误差1

1?||n i i MAE Y Y n =-∑，其大小取决于因变量的绝

对数值和预测值；

3) 常用的相对指标MAPE 平均绝对百分误差1?1|100|n i i i

Y Y MAPE n Y -=?∑； 若MAPE 的值小于10，则认为预测精度较高；

4)

希尔不等系数：Theil IC =，希尔不等系数总是介

于0-1之间，数值越小，表明拟合值和真实值间的差异越小，预测精度越高；

5) 均方误差MPE 可分解为222??1

1??()()()2(1)n i i i Y Y Y Y Y Y Y Y r n σσσσ-=-+-+-∑ 其中?y 是预测值?y 的均值，y 是实际序列的均值，?,y y σσ分别是预测值和

实际值的标准差，r 是它们的相关系数，于是可定义偏差率、方差率和协变率三个相互联系的指标，其取值范围都在0-1之间，并且这三项指标之和等于1，计算公式是：偏差率221?()1?()n i i Y

Y BP Y Y n -=-∑（OLS 中?y

y =，故BP ＝0）、方差率2

?21

()1?()Y Y n i i VP Y Y n σσ-=-∑、协变率?212(1)1?()Y Y n i i r CP Y Y n σσ-=-∑1BP VP =--。BP 反映了预测值均值和实际值均值间的差异，VP 反映它们标准差的差异，CP 则衡量了剩余的误差。当预测比较理想时，均方误差大多数集中在协变率CP 上，其余两项较小。若有多种曲线形式可供选择，则应选择其中均方误差最小者为宜。

Functions that return scalar values:

@r2 R-squared statistic

@rbar2 adjusted R-squared statistic

@se standard error of the regression

@ssr sum of squared residuals

@dw Durbin-Watson statistic

@f F-statistic

@logl value of the log-likelihood function

@aic Akaike information criterion

@sc Schwarz information criterion

@jstat scalar containing the J-statistic (for GMM)

@regobs number of observations in regression

@meandep mean of the dependent variable

@sddep standard deviation of the dependent variable

@ncoef total number of estimated coefficients

@coefs(i) coefficient i, where i is given by the order in which the coefficients appear in the representations view

@stderrs(i) standard error for coefficient i

@tstats(i) t-statistic value for coefficient i

@cov(i,j) covariance of coefficients i and j

Functions that return vector or matrix objects:

@coefs vector of coefficient values

@stderrs vector of standard errors for the coefficients

@tstats vector of ratios of coefficients to standard errors @cov matrix containing the coefficient covariance matrix

For example:

series y = eq1.@dw

vector tstats = eq1.@tstats

matrix mycov = eq1.@cov

scalar pvalue = 1-@cnorm(@abs(eq1.@tstats(4)))

scalar var1 = eq1.@covariance(1,1)