eviews图像及结果分析

eviews图像及结果分析
eviews图像及结果分析

EViews图像及结果分析

EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后,就可对序列对象中输入的数据进行统计分析,并且可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统计量及其检验。

4.1 图形对象

图形(Graph)对象可以形成序列和序列组等对象的各种视图,如线图(Line)、散点图(Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的基本操作。

4.1.1 图形(Graph)对象的生成

图形对象也是工作文件中的基本对象之一。要生成图形对象需首先打开序列对象窗口或序列组对象窗口,选择对象窗口工具栏中的“View”|“Graph”选项。选择的对象类型不同,将弹出不同的窗口。如果在序列对象窗口下选择“View”|“Graph”选项,将弹出如图4-1所示的界面。

图4-1 序列窗口下图形对象的生成

此时“Graph”弹出的菜单中有6种图形可供选择。“Line”表示生成的是折线图,如图4-2所示,其横轴表示时间或序列的顺序,纵轴表示序列对象观测值的大小。“Area”表示生成面积图,其图形的形状与“Line”(折线图)相同,不同的是“Area”(面积图)曲线下方是被填满的,而“Line”(折线图)下方是空白。

图4-2 “Line”折线图

“Bar”表示为条形图,用条状的高度表示观测值的大小。“Spike”表示尖峰图,由竖线组成,每根竖线的高度代表观测值的大小。“Seasonal Stacked Line”表示生成的是季节性堆叠图,“Seasonal Split Line”表示生成的是季节性分割线。

如果在序列组(群)对象窗口下选择“View”|“Graph”选项,将弹出如图4-3所示的界面。这里有9种图形可供选择。其前4种与上面讲述的相同。

图4-3 序列组(群)窗口下图对象的生成

其中,“Scatter”表示生成散点图。在“Scatter”弹出的菜单中有5个选项,分别是“Simple Scatter”(简单散点图)、“Scatter with Regression”(带有回归线的散点图)、“Scatter with Nearest Neighbor Fit”(近邻匹配散点图)、“Scatter with Kernel Fit”(核心匹配散点图)、“XY Pairs”(XY成对散点图)。当序列组中包含两个序列对象时,第一个序列对象的观测值构成散点图的横坐标,第二个序列对象的观测值构成散点图的纵坐标,如图4-4所示。当序列组中有三个以上的序列对象时,第一个序列对象构成散点图的横坐标,其余序列对象构成散点图的纵坐标。

图4-4 简单散点图(“Simple Scatter”)

“XY line”表示X与Y的折线图,横纵坐标分别表示两个序列对象的观测值。“Error Bar”表示误差长条图,“High-Low”表示高低图,“Pie”表示饼图。

另外,在序列组(群)对象窗口下还可通过选择“View”|“Multiple Graphs”选项来生成图形。此时图形显示在不同的坐标系中,即每个序列对象各形成一个图形,并显示在同一个窗口中。

除上面介绍的在序列对象窗口中生成图对象外,还可以通过选择EViews主菜单中的“Quick”|“Graph”选项来生成。在“Graph”的菜单中选择图的类型,将弹出图4-5所示的文本框。在文本框内输入序列或序列组的名称,例如“fdi”,然后单击“OK”按钮,即可打开相应的图。此时所生成的图对象未被命名,单击图对象窗口中的“Name”按钮即可命名。

图4-5 生成图对象的文本框

4.1.2 图形的冻结

在上面所介绍的两种图对象生成方法中,通过“Quick”|“Graph”选项生成图形对象,单击图对象窗口工具栏中的“Name”选项,在弹出的对话框中输入该对象的名称,单击“OK”按钮后该对象即可被保存,并在工作文件窗口中显示图对象的图标。但直接在序列对象窗口中形成的图形未被保存,当序列对象中的观测值发生改变时,或当前工作文件的样本范围发生变化时,图形也将随之改变。

如果要保留所建立的图形,使之不随样本及观测值的改变而发生变化,则可以通过序列对象窗口中的“Freeze”键来冻结图形。EViews软件将被冻结的图形以一个图(Graph)对象的形式保存在工作文件中。当选择序列对象窗口中的“Freeze”键时,会弹出图对象窗口。其中有几个键值得关注,一个是

“AddText”功能键,通过它可以将文字显示在图形中,并且可以选择显示的位置。一个是“Line/Shade”功能键,通过它可以改变图形的背景颜色,横纵坐标轴的线条类型和颜色等。还有一个是“Remove”功能键,可以用来删除图形中的一些附加要素。例如,将在图形中所建立的文字删除,应首先用鼠标单击所需删除的内容,使其被选中,然后单击“Remove”键,则文字即被删除。用同样的方法也可以删除为图形所设置的颜色等。

4.1.3 图形的复制

如果需要将图形保存到其他文件中,例如放在Word文档中,则选择图对象窗口中的“Proc”|“Copy”选项,然后在弹出的对话框中单击“OK”按钮。或者将鼠标移动到图形上,右击,在弹出的快捷菜单中选择“Copy”命令。再打开需要粘贴的文件,进行粘贴即可。

4.2 描述性统计量

EViews软件中包含一些基本的描述性统计量,有直方图、均值、方差、协方差、自相关等。本节主要介绍序列和序列组对象窗口下的描述性统计量及其检验。

4.2.1 描述性统计量概述

序列窗口下的描述性统计量和序列组窗口下的描述性统计量有所不同。在序列窗口下有4种描述性统计量,分别是“Histogram and Stats”(直方图和统计量)、“Stats Table”(统计表)、“Stats by Classification”(分类统计量)和“Boxplots by Classification”(箱线图/箱尾图分类)。序列组窗口下有3种描述性统计量,分别是“Common Sample”(普通样本)、“Individual Samples”(个体样本)和“Boxplots”(箱线图/箱尾图)。下面分别进行详细介绍。

(1) 序列窗口下的描述性统计量

在序列(Series)对象窗口下选择工具栏中的“View”|“Descriptive Statistics”(描述性统计量)选项,将出现4个选项。

第一个选项是“Histogram and Stats”(直方图和统计量),能显示序列对象的直方图和描述性统计量的值。下面以建立好的序列对象“fdi”为例来进行说明。

如图4-6所示,图的左侧显示的是该序列对象的直方图,为观测值的频率分布。右侧分三个部分,最上面显示的是序列对象的名称、样本的范围和样本数量。中间部分显示的是各统计量的值。其中,“Mean”表示均值,即序列对象观测值的平均值;“Median”表示中位数,即从小到大排列的序列对象观测值的中间值,是对序列分布中心的一个大致估计;“Maximum”和“Minimum”表示的是该序列观测值中的最大值和最小值;“Std.Dev”表示标准差,用来衡量序列观测值的离散程度。其计算公式为

∑=--=N i x x N i 1)(112σ (4-1)

式中,σ为标准差,N 为样本观测值个数,x i 是样本观测值,x 为样本均值。

图4-6 序列对象“fdi ”的直方图分布形状和相关统计量的描述

“Skewness ”表示偏度,用来衡量观测值分布偏离均值的状况。其计算公式为

31?1∑=??? ??-=N i x x N S i σ (4-2)

式中,σ

?是变量方差的有偏估计。当S =0时,序列的分布是对称的,如正态分布;当S >0时,序列分布为右偏;当S <0时,序列分布为左偏。例如图4-6中的偏度为1.422 500>0,所以我国的外商直接投资(fdi)的分布是不对称的,为右偏分布形态。

“Kurtosis ”表示峰度,用来衡量序列分布的凸起状况。其计算公式为

41?1∑=??? ??-=N i x x N K i σ (4-3)

正态分布的K 值为3,当K >3时,序列对象的分布凸起程度大于正态分布的凸起程度;当K <3时,序列对象的分布凸起程度要比正态分布小。例如,图4-6中的峰度为4.898 917 >3,外商直接投资(fdi)的分布呈尖峰状态。

最下方是JB(Jarque-Bera)统计量及其相应的概率(Probability)。JB 统计量用来检验序列观测值是否服从正态分布,该检验的零假设为样本服从正态分布。在零假设下,JB 统计量服从χ2(2)分布。根据第1章所介绍的假设检验,P(Probability)值为拒绝原假设所犯第Ⅰ类错误的概率。在本例中P 值接近于0,因而可在1%的显著性水平下拒绝零假设,即序列不服从正态分布。

第二个选项是“Stats Table ”(统计表),它将描述性统计量值通过电子表格的形式显示在对象窗口中。

第三个选项是“Stats by Classification”(分类统计量),它将样本分为若干组后再对各组观测值分别进行描述统计。选择此项后将弹出如图4-7所示的对话框,其中包括三部分内容。在左边“Statistics”选项中勾选需要显示的统计量,其中“# of NAs”为无观测个数,“Observations”为观测值个数。在“Series/Group for classify”中输入需分类的序列或序列组对象名称,右侧“Output Layout”为输出结果的显示形式。选择好后单击“OK”按钮即可。

图4-7 “Stats by Classification”(分类统计量)对话框

第四个选项是“Boxplots by Classification”(分类箱线图/箱尾图),将序列分布按照箱线图/箱尾图进行分类。箱线图(Boxplot)也称为箱尾图,是利用数据统计量来描述数据的一种方法,它可以粗略地看出数据是否具有对称性,分布的分散程度等。图4-8所示为fdi序列的分类箱线图。

图4-8 fdi序列对象的分类箱线图(“Boxplots by Classification”)

(2) 序列组窗口下的描述性统计量

在序列组(Group)对象窗口下选择工具栏中的“View”| “Descriptive Statistics”(描述性统计量)选项,将弹出3个选项。

第一个选项是“Common Sample”(普通样本),选择该项将得到含有均值、中位数、最大/小值等统计量的一张电子表格。“Common Sample”要求各序列对象的样本范围相同,不能含有NA符(空值)。

第二个选项是“Individual Samples”(个体样本),选择该项后弹出的界面也是含有均值、中位数、

最大/小值等统计量的一张电子表格。与“Common Sample”不同的是,该选项中序列对象所包含的观测值个数可以不同。

第三个选项是“Boxplots”(箱线图/箱尾图),其生成的图形与图4-8相似。不同的是横坐标轴为序列名称。

其实,序列对象和序列组对象的描述统计量相同,只是在窗口中显示的形式不同。序列组对象窗口中的描述性统计量是各个序列对象统计量的组合。

4.2.2 描述性统计量检验

在序列对象窗口“View”|“Tests for Descriptive Stats”中有两个关于描述性统计量的检验,一个是“Simple Hypothesis Tests”(简单假设检验),另一个是“Equality Tests by Classification”(分组齐性检验)。

简单假设检验(“Simple Hypothesis Tests”)包括序列对象的均值(Mean)检验、方差(Variance)检验和中位数(Median)检验。选择“View”| “Tests for Descriptive Stats”| “Simple Hypothesis Tests”选项后弹出图4-9所示的对话框,在左侧文本框中输入待检验的数值,然后单击“OK”按钮即可得到输出结果。对于均值检验,如果标准差已知,可在右侧“Enter s.d. if”文本框中输入标准差的值。

图4-9 fdi序列对象的简单假设检验对话框

均值(Mean)检验、方差(Variance)检验和中位数(Median)检验的零假设和备择假设均为

H0:μ =m(给定的数值)

H1:μ≠m

根据输出结果中的P值来判定是否接受原假设。例如,如果P值小于0.05,说明在5%的显著性水平下可以拒绝零假设,即均值、方差或者中位数不等于给定值。

分组齐性检验(“Equality Tests by Classification”)同样包括均值(Mean)检验、方差(Variance)检验和中位数(Median)检验。选择“View”|“Tests for Descriptive Stats”| “Equality Tests by Classification”选项后弹出图4-10所示的对话框,在“Series/Group for classify”文本框中输入序列或序列组对象名称,在“Test equality of”中选中检验方法,“NA handling”表示缺值项的处理方法,“Group into bins if”可以限定分类后子项目的数目。然后单击“OK”按钮即可。

在序列组对象窗口中选择“View”| “Tests for Descriptive Stats”选项,会弹出如图4-11所示的对话框,其中包括均值(Mean)检验、中位数(Median)检验和方差(Variance)检验,其检验方法与上面介绍的序列对象中的检验方法相同。选中一种检验后单击“OK”按钮即可。当选中“Common sample”复选框时,要求每个序列对象的当前样本范围内的观测值数目相同(不含NA),否则样本观测值数目可以不同。

图4-10 fdi序列对象的分组齐性检验对话框图4-11 序列组对象检验对话框

实验04-01:表4-1中列出了2003年1月到2005年12月中国对法国地区的进出口贸易总额,单位为万美元。请建立新序列对象保存该数据并进行简单假设检验。

表4-1 2003.1—2005.12中国对法国地区的进出口贸易总额

数据来源:中国海关统计网

第一步,创建一个时间范围为2003年1月至2005年12月的工作文件,取名为trade,在该工作文件中建立序列对象,命名为zf,并将数据导入到序列对象中。操作方法参照第2和第3章相关部分。

第二步,选择序列对象“zf”工具栏中的“View”| “Tests for Descriptive Stats”| “Simple Hypothesis Tests”选项将弹出如图4-12所示的对话框。

图4-12 zf序列对象的简单假设检验对话框

在“Mean”文本框中输入均值“800000”,在“Variance”文本框中输入方差“500000”,在“Median”文本框中输入中位数“800000”,然后单击“OK”按钮,将得到序列对象“zf”的简单假设检验结果,如图4-13所示。

第三步,分析输出结果。根据输出结果中的P值来判定是否接受原假设,简单假设检验的原假设为均值、方差与中位数等于给定值。在图4-13中,均值的P值为0.4314,大于0.05,说明在5%的显著性水平下可以接受零假设,即均值等于给定值;方差的P值为0.0000,小于0.05,说明在5%的显著性水平下可以拒绝零假设,即方差不等于给定值;中位数的P值为1.0000,远远大于0.05,说明在5%的显著性水平下可以接受零假设,即中位数等于给定值。

图4-13 zf序列对象的简单假设检验输出结果

4.3 相关分析

在EViews软件中可以对序列和序列组对象进行相关分析,从而判定序列对象是否存在自相关问题。单击序列或序列组对象窗口工具栏中的“View”|“Correlogram”(相关图)选项,弹出图4-14所示的对话框。需说明的是,序列组中的“View”|“Correlogram”选项分析的是第一个序列对象的相关性。如果要得到两个序列对象的交叉相关图,需选择“View”|“Cross Correlogram”选项。

图4-14 相关分析对话框

在图4-14 “Correlogram of”中选择相关图的序列类型,“Level”表示原序列,“1st difference”表示一阶差分序列,“2nd difference”表示二阶差分序列。在“Lags to include”中输入最大滞后期,这个要根据样本容量而定。然后单击“OK”按钮,将得到相关图。图4-15所示为fdi序列对象原序列的相关图,最大滞后期为16。

其中,“Autocorrelation”表示自相关图,“Partial Correlation”表示偏自相关图。右侧表中的第一列自然序数是滞后期从1到16(最大滞后期)的值,与自相关图和偏自相关图对应。“AC”列是估计的自相关系数值,“PAC”列是估计的偏自相关系数值,它们的数值与左侧图相对应。“Q-Stat”表示Q统计量数值,“Prob”表示的是Q统计量取值大于该样本计算的Q值的概率。该Q统计量的原假设为序列是非自相关的,如果P值大于给定的显著性水平(如1%),则接受原假设,即序列非自相关;如果P值小于给定的显著性水平,则拒绝原假设,即序列存在自相关。图4-15中的P值显示,该序列对象fdi是自相关的。

图4-15 fdi相关图

在序列组对象窗口中,除了可以得到相关图外还可以得到相关矩阵。选择序列组对象窗口工具栏中的“View”|“Correlation”|“Common Sample”/“Pairwise Samples”后,得到图4-16所示的相关矩阵表。表中的数值代表两个变量的相关性,数值可正可负。当数值大于0.9时,两个变量高度相关。

实验04-02:建立一个1994~2005年的工作文件,频率为“Annual”,然后建立两个序列对象,将表4-2中的数据输入到序列对象中。分析表4-2中GDP(国内生产总值)与CPI(居民消费价格指数)序列对象的相关关系。

表4-2 我国1994—2005年CPI和GDP数据

(续表)

数据来源于中国国家统计局网站

第一步,建立序列对象GDP和CPI,并将表4-2中的数据导入序列对象中。

第二步,建立含有序列对象GDP和CPI的群对象,命名为gx。

第三步,选择群对象窗口工具栏中的“View”|“Correlations”(相关分析)|“Common Sample”选项,会得到GDP与CPI间的相关关系数据。如图4-16所示,GDP(国内生产总值)与CPI(居民消费价格指数)间存在负相关关系,相关程度为0.555 391。

图4-16 GDP与CPI相关关系

4.4 单位根检验

单位根检验(Unit Root Test)主要用来判定时间序列的平稳性。如果一个时间序列的均值或者协方差函数随时间变化而改变,那么这个序列就是不平稳的时间序列。如果该时间序列经过一阶差分后变为平稳序列,则称该序列为一阶单整序列,记作I(1);如果是经过d次差分后才平稳,则称为d阶单整序列,记作I(d)。

要对时间序列进行单位根检验,首先应打开序列对象窗口,选择工具栏中的“View”|“Unit Root Test”选项,会弹出如图4-17所示的对话框。该对话框包括4个区域。在“Test type”列表中选择一种检验方法。Eviews 5.1为用户提供了6种单位根检验的方法,有“Augmented Dickey–Fuller”(ADF)检验法、“Dickey–Fuller GLS (ERS)”(DF)检验法、“Phillips–Perron”(PP)检验法、“Kwiatkowski–Phillips–Schmidt–Shin”

(KPSS)检验法、“Elliott–Rothenberg–Stock Point–Optimal”(ERS)检验法和“Ng–Perron”(NP)检验法。

在“Test for unit root in”中选择序列形式,“Level”表示对原序列进行单位根检验,“1st difference”表示对一阶差分序列进行单位根检验,“2nd difference”表示对二阶差分序列进行单位根检验。

图4-17 单位根检验对话框

“Lag length”表示消除序列相关所需的滞后阶数,在该区域有两个单选按钮。在“Automatic selection”(自动选择)中有两个文本框,第一个文本框的下拉列表中有6个准则,常用的是“AIC”和“SC”最小准则,系统在默认状态下显示的是SC准则;在第二个文本框中输入最大滞后阶数,一般系统会根据样本容量而自动给出一个数值。如果选中“User specific”,则用户可输入具体的数值,系统会给出检验结果。

“Include in test equation”表示检验式中是否包含“Intercept”(截距项)、“Trend and intercept”(趋势项和截距项)和“None”(不包含趋势项和截距项)。可根据图形来确定是否包含趋势项和截距项。

实验04-03:根据实验04-02中建立的序列对象CPI和GDP进行单位根检验。下面介绍详细的操作过程。

第一步,打开序列CPI对象窗口,选择工具栏中的“View”|“Graph”|“Line”选项,会得到CPI 的趋势图,如图4-18所示。如果曲线是从原点出发则在单位根检验式中不含有截距项,否则就包含截距项。如果曲线有明显上升或下降的趋势,那么在单位根检验式中就包含趋势项。所以CPI的单位根检验中应包含截距项,不包含趋势项。

图4-18 CPI趋势图

第二步,选择工具栏中的“View”|“Unit Root Test”选项,在图4-19所示的对话框中进行选择。在“Test type”中选择“ADF”检验法(“Augmented Dickey–Fuller”),在“Test for unit root in”中选择

原序列形式(“Level”),在“Include in test equation”中选择“Trend and intercept”(截距项),在“Automatic selection”中选择“Akaike Info Criterion”(AIC)准则。然后单击“OK”按钮,就会得到图4-20所示的结果。

图4-19 序列CPI的单位根检验对话框

图4-20 序列CPI的单位根检验输出结果

第三步,根据输出内容进行单位根检验的结果分析。由图4-20显示的内容可知,系统自动选择的滞后期是0,根据P值可接受原假设,即序列CPI有一个单位根。图下方列出的是单位根检验的方程,最下面是方程的拟合优度(R–squared)、标准差(S.E.of regression)及F统计量(F–Statistic)等数值。这些内容将在下一章中进行详解。

需注意的是,在图4-20中有“Warning”(警告)的提示,要求样本在20个以上,样本太小得到的结果未必准确。

4.5 Granger因果检验

Granger因果检验用来分析两个序列间的因果关系是否存在。主要是看当期的变量Y能在多大程度上被以前的变量X所解释,以及加入变量X的滞后期后,是否会提高对变量Y的解释程度。如果X对预测Y有帮助,或者X与Y的相关系数在统计上显著,那么变量Y就是由变量X“Granger”引起的。

Granger因果关系检验就是检验一个变量的滞后变量是否可以放入其他变量的方程中。如果该变量受到其他变量滞后期的影响,则称两个变量间存在Granger因果关系。

Granger因果检验要在序列组(Group)对象窗口中完成,我们以表4-2里的数据为例。首先建立一个含有序列GDP和序列CPI的序列组,打开序列组对象窗口,选择工具栏中的“View”|“Granger Causality”选项,在弹出的对话框中输入滞后期,如图4-21所示,然后单击“OK”按钮,就会得到图4-16所示的分析结果。一般情况下,Granger因果检验的滞后期要根据AIC和SC准则来确定,关于滞后期确定的问题会在后面的章节中进行详述。

图4-21 Granger因果检验对话框

Granger因果检验的原假设是变量X不是变量Y的Granger因,同样Y也不是X的Granger因。在图4-22中,最上面给出了操作日期、样本范围和滞后期。“Null Hypothesis”列是原假设,“CPI does not Granger Cause GDP”为CPI,不是GDP的Granger因,同样,“GDP does not Granger Cause CPI”为GDP不是CPI的Granger因。“Obs”列是样本数,“F-Statistic”列是检验的F统计量,“Probability”为F检验的概率值。

图4-22 Granger因果关系检验结果

从图4-22所示的数据可以看出,在1%的显著性水平下,CPI是GDP的Granger因(P值为0.002 04<0.01,可以拒绝原假设),而GDP不是CPI的Granger因(P值为0.350 81>0.01,接受原假设)。这里需要说明的是,EViews软件会根据样本容量来限定输入滞后期的最大值,当输入的数值过大时,软件会自动给出提示。

4.6 本章小结

本章主要介绍了序列和序列组对象中图形的生成方法和一些基本的描述性统计量及相关分析。

通过本章学习,可以掌握图形对象的生成、冻结和复制等基本操作方法。熟悉EViews软件中的一些描述性统计量及其检验,检验方法主要包括均值检验、中位数检验和方差检验。相关分析是用来判断序列对象是否存在自相关问题,有关自相关问题将会在第5章中进行详细讲述。本章还着重讲解了序列对象的单位根检验和序列组(群)对象的Granger因果检验方法,这两种检验方法常用于时间序列对象检验中,因而在后面模型建立的相关章节中将继续被提及。

4.7 习题

1. 填空题

(1) 序列对象窗口下可以生成6种视图,它们是________、面积图(Area)、________、________、季节性堆叠图(Seasonal Stacked Line)和季节性分割线(Seasonal Split Line)。

(2)EViews5.1软件提供的描述性统计量有_____________、均值、_____________、_____________。

(3) 序列对象窗口中所包含的描述性统计量的检验主要有均值(Mean)检验、___________、____________。

(4) 相关分析主要用来判定该序列对象的__________问题。

(5) 如果在相关矩阵表中得到的数值是负数,说明两个序列对象是_________关系。

2. 选择题

(1) 在描述性统计量中“Skewness”表示偏度,用来衡量观测值分布偏离均值的状况,当偏度的数值___________时,序列分布右偏。

A. 小于0

B. 大于0

C. 等于0

D. 小于3

(2) 在描述性统计量中“Kurtosis”表示峰度,用来衡量序列分布的凸起状况,当峰度的数值__________时,序列分布呈尖峰状态。

A. 大于3

B. 小于3

C. 等于3

D. 小于0

(3) 在单位根检验中,如果该时间序列经过一阶差分后变为平稳序列,则称该序列为________序列,记作________。

A. 一阶单整,I(1)

B. 一阶单整,I(0)

C. 二阶单整,I(0)

D. 二阶单整,I(1)

(4) 常用来确定单位根检验滞后阶数的准则是________。

A.AIC准则

B.SC准则

C.AIC和SC最小准则

D.MS准则

(5) Granger因果检验的原假设是_________。

A. 变量X不是变量Y的Granger因。

B. 变量Y不是变量X的Granger因。

C. 变量X不是变量Y的Granger因,同样变量Y也不是变量X的Granger因。

D. 变量X是变量Y的Granger因,但是变量Y不是变量X的Granger因。

3. 上机操作题

(1) 根据附表中的数据建立序列对象CK(出口)和NY(能源消耗总量)并输入数据,然后对两个序列对象进行视图分析,在序列对象窗口中生成图形并冻结。

附表我国1991—2007年对外出口额和能源消耗总量

(2) 绘制序列对象CK和NY的直方图,并分析相关统计量。

(3) 对序列对象CK进行简单假设检验。

(4) 对序列对象CK和NY分别进行单位根检验,并分析检验结果。

(5) 检验序列CK与NY的Granger因果关系。

eviews图像及结果分析

第4章图形和统计量分析 EViews 软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法 和过程。当序列对象中输入数据后,就可对序列对象中输入的数据进行统计分析,并且 可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统 计量及其检验。 4.1 图形对象 图形(Graph)对象可以形成序列和序列组等对象的各种视图,如线图 (Line)、散点图 (Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。 下面介绍图形对象的基本操作。 4.1.1 图形(Graph)对象的生成 图形对象也是工作文件中的基本对象之一。要生成图形对象需首先打开序列对象窗 口或序列组对象窗口,选择对象窗口工具栏中的“ View ” | “Graph ”选项。选择的对象 类型不同,将弹出不同的窗口。如果在序列对象窗口下选择" View ” | “Graph ”选项, 将弹出如图4-1所示的界面。 55 HTTiF ar.sDoo Aii 7^nnnl 图4-1 序列窗口下图形对象的生成 此时“ Graph ”弹出的菜单中有 6种图形可供选择。“ Line ”表示生成的是折线图, 如图4-2所示,其横轴表示时间或序列的顺序, 纵轴表示序列对象观测值的大小。 “Area ” 5“ Edl Lint lar SpLfet Sf MAM L Sjilii 1 Lina TB1 rvurkfile. FM . .T&li tleA TOTiFJ 1 2OD3M12 □ — 亍 0* PtEizJ bjjeit | 中口严 i.G P~rt Ware I ee 二已 | Det-auk

eviews多元线性回归案例分析

中国税收增长的分析 一、研究的目的要求 改革开放以来,随着经济体制的改革深化和经济的快速增长,中国的财政收支状况发生了很大的变化,中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因,分析中央和地方税收收入的增长规律,预测中国税收未来的增长趋势,需要建立计量经济学模型。 影响中国税收收入增长的因素很多,但据分析主要的因素可能有:(1)从宏观经济看,经济整体增长是税收增长的基本源泉。(2)公共财政的需求,税收收入是财政的主体,社会经济的发展和社会保障的完善等都对公共财政提出要求,因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。(3)物价水平。我国的税制结构以流转税为主,以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。(4)税收政策因素。我国自1978年以来经历了两次大的税制改革,一次是1984—1985年的国有企业利改税,另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响,特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面,分析各种因素对中国税收增长的具体影响。 二、模型设定 为了反映中国税收增长的全貌,选择包括中央和地方税收的‘国家财政收入’中的“各项税收”(简称“税收收入”)作为被解释变量,以放映国家税收的增长;选择“国内生产总值(GDP)”作为经济整体增长水平的代表;选择中央和地方“财政支出”作为公共财政需求的代表;选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化,而且1985年以后财税体制改革对税收增长影响不是很大,可暂不考虑。所以解释变量设定为可观测“国内生产总值(GDP)”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据 财政收入(亿元) Y 国内生产总值(亿 元) X2 财政支出(亿 元) X3 商品零售价格指 数(%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106

eviews图像及结果分析教学提纲

e v i e w s图像及结果分 析

EViews图像及结果分析 EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后,就可对序列对象中输入的数据进行统计分析,并且可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统计量及其检验。 4.1 图形对象 图形(Graph)对象可以形成序列和序列组等对象的各种视图,如线图(Line)、散点图(Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的基本操作。 4.1.1 图形(Graph)对象的生成 图形对象也是工作文件中的基本对象之一。要生成图形对象需首先打开序列对象窗口或序列组对象窗口,选择对象窗口工具栏中的“View”|“Graph”选项。选择的对象类型不同,将弹出不同的窗口。如果在序列对象窗口下选择“View”|“Graph”选项,将弹出如图4-1所示的界面。 图4-1 序列窗口下图形对象的生成 此时“Graph”弹出的菜单中有6种图形可供选择。“Line”表示生成的是折线图,如图4-2所示,其横轴表示时间或序列的顺序,纵轴表示序列对象观测值的大小。“Area”表示生成面积图,其图形的形状与“Line”(折线图)相同,不同的是“Area”(面积图)曲线下方是被填满的,而“Line”(折线图)下方是空白。 收集于网络,如有侵权请联系管理员删除

收集于网络,如有侵权请联系管理员删除 图4-2 “Line ”折线图 “Bar ”表示为条形图,用条状的高度表示观测值的大小。“Spike ”表示尖峰图,由竖线组成,每根竖线的高度代表观测值的大小。“Seasonal Stacked Line ”表示生成的是季节性堆叠图,“Seasonal Split Line ”表示生成的是季节性分割线。 如果在序列组(群)对象窗口下选择“View ”|“Graph ”选项,将弹出如图4-3所示的界面。这里有 9种图形可供选择。其前4种与上面讲述的相同。 图4-3 序列组(群)窗口下图对象的生成 其中,“Scatter ” 表示生成散点图。在“Scatter ”弹出的菜单中有5个选项,分别是“Simple Scatter ”(简单散点图)、“Scatter with Regression ”(带有回归线的散点图)、“Scatter with Nearest Neighbor Fit ”(近邻匹配散点图)、“Scatter with Kernel Fit ”(核心匹配散点图)、“XY Pairs ”(XY 成对散点图)。当序列组中包含两个序列对象时,第一个序列对象的观测值构成散点图的横坐标,第二个序列对象的观测值构成散点图的纵坐标,如图4-4所示。当

eviews图像及结果分析报告

第4章图形和统计量分析 EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后,就可对序列对象中输入的数据进行统计分析,并且可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统计量及其检验。 4.1 图形对象 图形(Graph)对象可以形成序列和序列组等对象的各种视图,如线图(Line)、散点图(Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的基本操作。 4.1.1 图形(Graph)对象的生成 图形对象也是工作文件中的基本对象之一。要生成图形对象需首先打开序列对象窗口或序列组对象窗口,选择对象窗口工具栏中的“View”|“Graph”选项。选择的对象类型不同,将弹出不同的窗口。如果在序列对象窗口下选择“View”|“Graph”选项,将弹出如图4-1所示的界面。

. . 图4-1 序列窗口下图形对象的生成 此时“Graph”弹出的菜单中有6种图形可供选择。“Line”表示生成的是折线图,如图4-2所示,其横轴表示时间或序列的顺序,纵轴表示序列对象观测值的大小。“Area”表示生成面积图,其图形的形状与“Line”(折线图)相同,不同的是“Area”(面积图)曲线下方是被填满的,而“Line”(折线图)下方是空白。 图4-2 “Line”折线图 “Bar”表示为条形图,用条状的高度表示观测值的大小。“Spike”表示尖峰图,由竖线组成,每根竖线的高度代表观测值的大小。“Seasonal Stacked Line”表示生成的是季节性堆叠图,“Seasonal Split Line”表示生成的是季节性分割线。 如果在序列组(群)对象窗口下选择“View”|“Graph”选项,将弹出如图4-3所示的界面。这里有9种图形可供选择。其前4种与上面讲述的相同。 图4-3 序列组(群)窗口下图对象的生成

利用Eviews软件进行最小二乘法回归实例

例题中国居民人均消费支出与人均GDP(1978-2000),数据(例题1-2),预测,2001年人均GDP为4033.1元,求点预测、区间预测。(李子奈,p50)解答: 一、打开Eviews软件,点击主界面File按钮,从下拉菜单中选择Workfile。 在弹出的对话框中,先在工作文件结构类型栏(Workfile structure type)选择固定频率标注日期(Dated – regular frequency),然后在日期标注说明栏中(Date specification)将频率(Frequency)选为年度(Annual),再依次填入起止日期,如果希望给文件命名(可选项),可以在命名栏(Names - optional)的WF项填入自己选择的名称,然后点击确定。 此时建立好的工作文件如下图所示:

在主界面点击快捷方式(Quick)按钮,从下拉菜单中选空白数据组(Empty Group)选项。 此时空白数据组出现,可以在其中通过键盘输入数据或者将数据粘贴过来。 在Excel文件(例题1-2)中选定要粘贴的数据,然后在主界面中点击编辑(Edit)按钮,从下拉菜单中选择粘贴(Paste),数据将被导入Eviews软件。

将右侧的滚动条拖至最上方,可以在最上方的单元格中给变量命名。 二、估计参数 在主界面中点击快捷方式(Quick)按钮,从下拉菜单中选择估计方程(Estimate Equation) 在弹出的对话框中设定回归方程的形式。

在方程表示式栏中(Equation specification ),按照被解释变量(Consp )、常数项(c )、解释变量(Gdpp )的顺序填入变量名,在估计设置(Estimation settings )栏中选择估计方法(Method )为最小二乘法(LS – Least Squares ),样本(Sample )栏中选择全部样本(本例中即为1978-2000),然后点击确定,即可得到回归结果。 以上得到的回归结果可以表示为: 201.1190.3862(13.51)(53.47)Consp GDPP =+? 如果你试图关闭回归方程页面(或Eviews 主程序),这时将会弹出一个对话框,询问是否删除未命名的回归方程,如下图所示

计量实验一Eviews入门操作讲解

1. Eviews 基础 1.1. Eviews 简介 Eviews :Econometric Views (经济计量视图),是美国QMS 公司(Quantitative Micro Software Co.,网址为https://www.360docs.net/doc/638951223.html, )开发的运行于Windows 环境下的经济计量分析软件。Eviews 是应用较为广泛的经济计量分析软件——MicroTSP 的Windows 版本,它引入了全新的面向对象概念,通过操作对象实现各种计量分析功能。 Eviews 软件功能很强,能够处理以时间序列为主的多种类型数据,进行包括描述统计、回归分析、传统时间序列分析等基本数据分析以及建立条件异方差、向量自回归等复杂的计量经济模型。 1.2. Eviews 的启动、主界面和退出 1.2.1. Eviews 的启动 单击Windows 的【开始】按钮,选择【程序】选项中的【Eviews 】,单击其中的【Eviews 】;或者在相应目录下用鼠标双击 启动Eviews 5程序,进入主窗 口。如图1.1所示: 图 1.1 菜单栏 命令窗口 工作区 状态栏 路径

1.2.2.Eviews窗口介绍 标题栏 Eviews窗口的顶部是标题栏,标题栏左边是控制框;右边是控制按钮,有【最小化】、【最大化(或还原)】、【关闭】三个按钮。 菜单栏 标题栏下面是菜单栏。菜单栏中排列着按照功能划分的9个主菜单选项,用鼠标单击任意选项会出现不同的下拉菜单,显示该部分的具体功能。9个主菜单选项提供的主要功能如下: 【File】有关文件(工作文件、数据库、Eviews程序等)的常规操作,如文件的建立(New)、打开(Open)、保存(Save/Save As)、关闭(Close)、导入(Import)、导出(Export)、打印(Print)、运行程序(Run)等;选择下拉菜单中的Exit将退出Eviews软件。 【Edit】通常情况下只提供复制功能(下拉菜单中只有Cut、Copy项被激活),应与粘贴(Paste)配合使用;对某些特定窗口,如查看模型估计结果的表达式时,可对窗口中的内容进行剪切(Cut)、删除(Delete)、查找(Find)、替换(Replace)等操作,选择Undo表示撤销上步操作。 【Objects】提供关于对象的基本操作。包括建立新对象(New Objects)、从数据库获取/更新对象(Fetch/Update from DB)、重命名(Rename)、删除(Delete)。 【View】和【Procs】二者的下拉菜单项目随当前窗口不同而改变,功能也随之变化,主要涉及变量的多种查看方式和运算过程。我们将在以后的实验中针对具体问题进行具体介绍。 【Quick】下拉菜单主要提供一些简单常规用法的快速进入方式。如改变样本范围(Sample)、生成新序列(Generate Series)、显示对象(Show)、作图(Graph)、生成新组(Empty Group)以及序列和组的描述统计量、新建方程和V AR。 【Options】系统参数设定选项。与一般应用软件相同,Eviews运行过程中的各种状态,如窗口的显示模式、字体、图像、电子表格等都有默认的格式,用户可以根据需要选择Options下拉菜单中的项目对一些默认格式进行修改。 【Windows】提供多种在打开窗口种进行切换的方式,以及关闭所有对象(Close All Objects)或关闭所有窗口(Close All)。 【Help】Eviews的帮助选项。选择Eviews Help Topics按照索引或目录方式在所有帮助信息种查找所需项目。下拉菜单还提供分类查询方式,包括对象(Object)、命令(Command)、函数(Function)、矩阵与字符串(Matrix&String)、程序(Programming)等五个方面。 命令窗口 菜单栏下面是命令窗口(Command Windows),窗口内闪烁的“︱”是光标。

计量经济学论文(eviews分析)

我国限额以上餐饮企业营业额的 影响因素分析 班级: 姓名: 学号: 指导老师:

我国限额以上餐饮企业营业额的影响因素分析 摘要:本文收集了1999—2009共11年的相关数据,选取餐饮企业的数量、城镇居民人均年消费性支出、全国城镇人口数以及公路里程数作为解释变量构建模型,对我国限额以上餐饮企业营业额的影响因素进行分析。并利用Eviews软件对模型进行参数估计和检验,且加以修正,最后根据模型的最终结果进行经济意义分析,然后提出自己的看法。 关键词:餐饮企业营业额、影响因素、计量分析 一、研究背景 近十年来,投资者进入餐饮企业的数量一直持递增趋势。在他们进入一个行业之前,势必要对该行业的营业额、营业利润等进行估计,当这些因素的估计值能够达到他们的预期的时候,他们才会对其进行投资。由于餐饮企业的营业额是影响投资者是否进入餐饮业的一个重要因素,那么对于我国餐饮企业的营业额问题的深入研究就相当的有必要,这有助于投资者作出合理的决策。下面即进行了对我国限额以上餐饮企业营业额的计量模型研究。 二、变量的选取 影响餐饮企业营业额的因素有很多,包括餐饮企业的数量、营业面积、从业人员、城镇居民人均年消费性支出、全国城镇人口数、餐饮企业的平均价格水平及公路里程数(表示交通状况),但综合考虑后,选取了其中的一部分变量(企业数、城镇居民人均年消费性支出、全国城镇人口数、公路里程数)进行研究,并对各个变量对餐饮企业营业额的影响进行预测。 1.企业数

本文认为餐饮企业营业额与餐饮企业的数量有关,并预测两者之间呈正相关2. 城镇居民人均年消费性支出 本文认为餐饮企业营业额与城镇居民人均年消费性支出有关,并预测两者之间呈正相关 3. 全国城镇人口数 本文认为餐饮企业营业额与全国城镇人口数有关,并预测两者之间呈正相关4. 公路里程数 本文认为餐饮企业营业额与公路里程数有关,并预测两者之间呈正相关三、相关数据:其中营业额(单位:亿元),企业数(单位:个),人均年消费性 支出(单位:元),全国城镇人口数(单位:万人),公路里程数(单位:万公里) 年度 营业额 (Y)企业数(x1) 人均年消费性 支出(x2) 全国城镇人口 数(x3) 公路里程 数(x4) 1999351955932664615.9143748135.2 200040524453508499845906140.3 2001489894341325309.0148064169.8 2002624247150216029.8850212176.5 2003747000059356510.9452376181 200411605000100677182.154283187.1 20051260200099227942.8856212334.5

Eviews处理多元回归分析操作步骤

Eviews处理多元回归分析操作步骤操作步骤 1. 建立工作文件 (1) 建立数据的exel电子表格 (2)将电子表格数据导入eviews File-open-foreign data as workfile,得到数据的Eviews工作文件和数据序列表。

2. 计算变量间的相关系数 在窗口中输入命令:cor coilfuture dow shindex nagas opec ueurope urmb,点击回车键,得到各序列之间的相关系数。结果表明Coilfuture数列与其他数列存在较好的相关关系。

3.时间序列的平稳性检验 (1)观察coilfuture序列趋势图 在eviews中得到时间序列趋势图,在quick菜单中单击graph,在series list对话框中输入序列名称coilfuture,其他选择默认操作。图形表明序列随时间变化存在上升趋势。 (2)对原序列进行ADF平稳性检验 quick-series statistics-unit root test,在弹出的series name对话框中输入需要检验的序列的名称,在test for unit root in 选择框中选择level,得到原数据序列的ADF检验结果,其他保持默认设置。

得到序列的ADF平稳性检验结果,检测值0.97大于所有临界值,则表明序列不平稳。以此方法,对各时间序列依次进行ADF检验,将检验值与临界值比较,发现所有序列的检验值均大于临界值,表明各原序列都是非平稳的。 (3)时间序列数据的一阶差分的ADF检验

quick-series statistics-unit root test,在series name对话框中输入需要检验的序列的名称,在test for unit root in 选择框中选择1nd difference,对其一阶差分进行平稳性检验,其他保持默认设置。 得到序列的ADF平稳性检验结果,检测值-7.8远小于所有临界值,则表明序列一阶差分平稳。以此方法,对各时间序列的一阶差分依次进行ADF检验,将检验值

eviews图像及结果分析

.. . … . 第4章图形和统计量分析 EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后,就可对序列对象中输入的数据进行统计分析,并且可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统计量及其检验。 4.1 图形对象 图形(Graph)对象可以形成序列和序列组等对象的各种视图,如线图(Line)、散点图(Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的基本操作。 4.1.1 图形(Graph)对象的生成 图形对象也是工作文件中的基本对象之一。要生成图形对象需首先打开序列对象窗口或序列组对象窗口,选择对象窗口工具栏中的“View”|“Graph”选项。选择的对象类型不同,将弹出不同的窗口。如果在序列对象窗口下选择“View”|“Graph”选项,将弹出如图4-1所示的界面。

图4-1 序列窗口下图形对象的生成 此时“Graph”弹出的菜单中有6种图形可供选择。“Line”表示生成的是折线图,如图4-2所示,其横轴表示时间或序列的顺序,纵轴表示序列对象观测值的大小。“Area”表示生成面积图,其图形的形状与“Line”(折线图)相同,不同的是“Area”(面积图)曲线下方是被填满的,而“Line”(折线图)下方是空白。 图4-2 “Line”折线图 “Bar”表示为条形图,用条状的高度表示观测值的大小。“Spike”表示尖峰图,由竖线组成,每根竖线的高度代表观测值的大小。“Seasonal Stacked Line”表示生成的是季节性堆叠图,“Seasonal Split Line”表示生成的是季节性分割线。 如果在序列组(群)对象窗口下选择“View”|“Graph”选项,将弹出如图4-3所示的界面。这里有9种图形可供选择。其前4种与上面讲述的相同。

用eviews进行一元线性回归分析实施报告

天津外国语大学国际商学院本科生课程论文(设计) 题目:一元回归分析居民收入和支出的关系姓名: 学号: 专业: 年级: 班级: 任课教师: 2014 年 4 月

内容摘要 随着本文中的收集数据参考了中国统计年鉴以及书本《计量经济学》中的相关统计结果,对我国各地区城镇居民家庭人均全年可支配收入与人均全年消费性支出进行分析。利用EVIEWS软件对计量模型进行参数评估和检验,最终得出相关结论。 关键词:居民消费;居民收入;EVIEWS;一元回归分析

目录 一、引言 (1) (一)研究背景 (1) (二)研究意义 (1) 二、研究综述 (2) (一)模型设定 (2) 1.定义变量 (2) 2.数据来源 (2) (二)作散点图 (3) 三、估计参数 (4) (一)操作步骤 (4) (二)回归结果 (4) 四、模型检验 (5) (一)经济意义检验 (5) (二)拟合优度和统计检验 (5) (三)回归预测 (5) 五、结论 (5) 参考文献: (6)

一元回归分析居民收入与支出的关系 一、引言 (一)研究背景 随着近年来我国成为世界第二大经济体,居民的高生活水平也日益显著。我国人口正在高速城镇化,2011年中国大陆城镇人口为69079万人,城镇人口占总人口比重达到51.27%。因此城镇居民作为消费主体,研究城镇居民人均可支配收入以及人均可支配消费性支出之间的关系,可以有效的了解到我国各地区的人民生活水平以及经济状况,因此能更好的的带动我国GDP的飙升,改善居民的生活水平。 (二)研究意义 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长,而且这要是人民生活水平的具体体现。改革开饭以来随着中国经济的快速发展,人民生活水平不断提高,居民的消费水平也不断增长。但是在看到这个整体趋势的同时,还应看到全国各地区经济发展速度不同,居民消费水平也有明显差异。例如,2007年的城市居民家庭平均每人每年消费支出,最高的是上海市达人均20667.91元,最低的则是新疆,人均只有8871.27元,上海是新疆的2.33倍。为了研究全国居民消费水平及其变动的原因,需要做具体的

eviews图像及结果分析

EViews图像及结果分析 EViews软件提供了序列(Series)和序列组(Group)等对象的各种视图、统计分析方法和过程。当序列对象中输入数据后,就可对序列对象中输入的数据进行统计分析,并且可以通过图、表等形式进行描述。本章将介绍序列和序列组对象图形的生成和描述性统计量及其检验。 4.1 图形对象 图形(Graph)对象可以形成序列和序列组等对象的各种视图,如线图(Line)、散点图(Scatter)以及饼图(Pie)等。通过图形可以进一步观察和分析数据的变化趋势和规律。下面介绍图形对象的基本操作。 4.1.1 图形(Graph)对象的生成 图形对象也是工作文件中的基本对象之一。要生成图形对象需首先打开序列对象窗口或序列组对象窗口,选择对象窗口工具栏中的“View”|“Graph”选项。选择的对象类型不同,将弹出不同的窗口。如果在序列对象窗口下选择“View”|“Graph”选项,将弹出如图4-1所示的界面。 图4-1 序列窗口下图形对象的生成 此时“Graph”弹出的菜单中有6种图形可供选择。“Line”表示生成的是折线图,如图4-2所示,其横轴表示时间或序列的顺序,纵轴表示序列对象观测值的大小。“Area”表示生成面积图,其图形的形状与“Line”(折线图)相同,不同的是“Area”(面积图)曲线下方是被填满的,而“Line”(折线图)下方是空白。

图4-2 “Line”折线图 “Bar”表示为条形图,用条状的高度表示观测值的大小。“Spike”表示尖峰图,由竖线组成,每根竖线的高度代表观测值的大小。“Seasonal Stacked Line”表示生成的是季节性堆叠图,“Seasonal Split Line”表示生成的是季节性分割线。 如果在序列组(群)对象窗口下选择“View”|“Graph”选项,将弹出如图4-3所示的界面。这里有9种图形可供选择。其前4种与上面讲述的相同。 图4-3 序列组(群)窗口下图对象的生成 其中,“Scatter”表示生成散点图。在“Scatter”弹出的菜单中有5个选项,分别是“Simple Scatter”(简单散点图)、“Scatter with Regression”(带有回归线的散点图)、“Scatter with Nearest Neighbor Fit”(近邻匹配散点图)、“Scatter with Kernel Fit”(核心匹配散点图)、“XY Pairs”(XY成对散点图)。当序列组中包含两个序列对象时,第一个序列对象的观测值构成散点图的横坐标,第二个序列对象的观测值构成散点图的纵坐标,如图4-4所示。当序列组中有三个以上的序列对象时,第一个序列对象构成散点图的横坐标,其余序列对象构成散点图的纵坐标。

eviews分析

以下是用eviews分析: 中巴传媒2009股票收益率与沪深300 2009年的收益率关系结果:Dependent Variable: GPSYL Method: Least Squares Date: 03/31/12 Time: 12:14 Sample (adjusted): 1/06/2009 12/31/2009 Included observations: 243 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C -0.000700 0.002728 -0.256542 0.7978 HS300SYL 0.822810 0.132004 6.233237 0.0000 R-squared 0.138834 Mean dependent var 0.001647 Adjusted R-squared 0.135261 S.D. dependent var 0.045295 S.E. of regression 0.042121 Akaike info criterion -3.488362 Sum squared resid 0.427569 Schwarz criterion -3.459613 Log likelihood 425.8360 F-statistic 38.85324 Durbin-Watson stat 1.756868 Prob(F-statistic) 0.000000 中巴传媒2010股票收益率与沪深300 2010年的收益率关系结果: : Dependent Variable: GPSYL Method: Least Squares Date: 03/31/12 Time: 14:21 Sample (adjusted): 1/05/2010 12/31/2010 Included observations: 239 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C 0.000275 0.001333 0.206658 0.8365 HS300SYL 0.842420 0.084202 10.00474 0.0000 R-squared 0.296934 Mean dependent var -0.000131 Adjusted R-squared 0.293967 S.D. dependent var 0.024505 S.E. of regression 0.020591 Akaike info criterion -4.919617 Sum squared resid 0.100483 Schwarz criterion -4.890525 Log likelihood 589.8942 F-statistic 100.0947 Durbin-Watson stat 1.790846 Prob(F-statistic) 0.000000

使用eviews做线性回归分析

使用eviews做线性回归分析 关键字: linear regression Glossary: ls(least squares)最小二乘法 R-sequared样本决定系数(R2):值为0-1,越接近1表示拟合越好,>0.8认为可以接受,但是R2随因变量的增多而增大,解决这个问题使用来调整 Adjust R-seqaured() S.E of regression回归标准误差 Log likelihood对数似然比:残差越小,L值越大,越大说明模型越正确Durbin-Watson stat:DW统计量,0-4之间 Mean dependent var因变量的均值 S.D. dependent var因变量的标准差 Akaike info criterion赤池信息量(AIC)(越小说明模型越精确) Schwarz ctiterion:施瓦兹信息量(SC)(越小说明模型越精确) Prob(F-statistic)相伴概率 fitted(拟合值) 线性回归的基本假设: 1.自变量之间不相关 2.随机误差相互独立,且服从期望为0,标准差为σ的正态分布 3.样本个数多于参数个数 建模方法: ls y c x1 x2 x3 ... x1 x2 x3的选择先做各序列之间的简单相关系数计算,选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义,比如 m1同gdp肯定是相关的。 模型的建立是简单的,复杂的是模型的检验、评价和之后的调整、择优。 模型检验: 1)方程显著性检验(F检验):模型拟合样本的效果,即选择的所有自变量对因变量的解释力度 F大于临界值则说明拒绝0假设。 Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p值,若p小于置信度(如0.05)则可以拒绝0假设,即认为方程显著性明显。 2)回归系数显著性检验(t检验):检验每一个自变量的合理性 |t|大于临界值表示可拒绝系数为0的假设,即系数合理。t分布的自由度为 n-p-1,n为样本数,p为系数位置

Eviews软件数据分析例文

小学期作业 影响财政收入的主要因素 学院:经济学院 班级:统计学班 姓名:梁语丝 学号:2011407036

影响财政收入的主要因素 摘要: 财政收入是一国政府实现政府职能的基本保障,主要有资源配置、收入再分配和宏观经济调控三大职能。财政收入的增长情况关系着一个国家经济的发展和社会的进步。我国财政收入主要受国民经济发展、预算外资金收入、税收收入等因素的影响。本文针对我国财政收入影响因素建立了计量经济模型,并利用Eviews软件对收集到的数据进行相关回归分析,排除简单多元回归模型存在的严重多重共线性等问题,建立财政收入影响因素更精确的模型,分析了影响财政收入主要因素及其影响程度,预测我国财政收入增长趋势。 二、模型设定 研究财政收入的影响因素离不开一些基本的经济变量。大多数相关的研究文献中都把总税收、国内生产总值这两个指标作为影响财政收入的基本因素,还有一些文献中也提出了其他一些变量, 比如其他收入、经济发展水平等。影响财政收入的因素众多复杂, 但是通过研究经济理论对财政收入的解释以及对实践的观察, 对财政收入影响的因素主要是税收收入。下面我们就以税收收入、能源消费总量、和预算外资金收入作为影响财政收入的主要研究因素。 从中国统计局网站上可以查询到1993年至2008年的相关数据,对其进行计算整理可得: 年份财政收入(Y) /亿元 能源消费总量 (X 1 )/亿元 预算外财政 收入(X 2 )/亿元 税收收入(X 3 ) /亿元 1978 1132.260 57144.00 347.1100 519.2800 1979 1146.400 58588.00 452.8500 537.8200 1980 1159.930 60275.00 557.4000 571.7000 1981 1175.800 59447.00 601.7000 629.8900 1982 1212.300 62067.00 802.7400 700.0200 1983 1367.000 66040.00 967.6800 775.5900 1984 1642.900 70904.00 1188.480 947.3500 1985 2004.820 76682.00 1530.030 2040.790

应用eviews分析数据和预测

统计预测与决策论文 摘要:随着市场经济的多元化发展。统计软件被广泛的应用,企业应用统计软件进行对下一期的生产值进行预测。从而能更准确的做出决策。本文利用eviews对某企业的下几期的生产值进行预测,便于企业做出最准确的决策。 关键字:平稳序列,模型识别,模型定阶,模型参数估计,模型检验,模型预测。 下表是某企业近期一百个生产数据值。 1、模型识别 绘制序列时序图

2 从相关图看出,自相关系数迅速衰减为0,说明序列平稳,但最后一列白噪声检验的Q 统计量和相应的伴随概率表明序列存在相关性,因此序列为平稳非白噪声序列。 模型定阶:由图2-5看出,偏自相关系数在k=3后很快趋于0即3阶截尾,尝试拟合AR (3);自相关系数在k=1处显著不为0,当k=2时在2倍标准差的置信带边缘,可以考虑拟合MA (1)或MA (2);同时可以考虑ARMA (3,1)模型等。 原序列做描述统计分析见图

(x)=0由伴随概率可知,AR(i)(i=1,2,3)均高度显著,表中最下方给出的是滞后多项式 -1

的倒数根,只有这些值都在单位圆内时,过程才平稳。利用复数知识可知表中的三个根都在单位圆内。AIC 、SC 准则都是选择模型的重要标准,在做比较时,希望这两个指标越小越好。DW 统计量是对残差的自相关检验统计量,在2附近,说明残差不存在一阶自相关。得到的自回归模型见下: t t-1t-2t-3t X 0.394981X -0.298559X -0.186269X ε=-+ (2) 尝试MA (1)模型。得图如下 表中最下方是滞后多项式θ -1 (x )=0的倒数根,只有这些值都在单位圆内,过程才平稳,可以发现过程是 符合要求的即平稳。 (3)尝试ARMA 模型 由模型定阶发现,p 可能等于3,q 可能等于1。 由参数估计结果看出,各系数均不显著,说明模型并不适合拟合ARMA(3,1) 模型。 经过进一步筛选,逐步剔除不显著的滞后项或移动平均项,最后得到如下ARMA(2,1)模型:

eviews统计分析报告

e v i e w s统计分析报告 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】

统计分析报告 基于eviews软件的湖北省人均GDP时间序 列模型构建与预测 姓名:刘金玉 学院:经济管理学院 学号: 指导教师:李奇明 日期:2014年12月14日

基于eviews软件的湖北省人均GDP时间序列 模型构建与预测 1、选题背景 改革开放以来,中国的经济得到飞速发展。1978年至今,中国GDP年均增长超过9%。中国的经济实力明显增强。2001年GDP超过万亿美元,排名升到世界第六位。外汇储备已达2500亿美元。市场在资源配置中已经明显地发挥基础性作用。公有、私有、外资等多种所有制经济共同发展的格局基本形成。宏观调控体系初步建立。我国社会生产力、综合国力、地区发展、产业升级、所有制结构、商品供求等指标均反映出我国经济运行质量良好,为实现第三步战略。在全国的经济飞速发展的大环境下,各省GDP的增长也是最能反映其经济发展状况的指标。而人均GDP是最能体现一个省的经济实力、发展水平和生活水准的综合性指标,它不仅考虑了经济总量的大小,而且结合了人口多少的因素,在国际上被广泛用于评价和比较一个地区经济发展水平。尤其是我们这样的人口大国,用这一指标反映经济增长和发展情况更加准确、深刻和富有现实意义。深入分析这一指标对于反映我国经济发展历程、探讨增长规律、研究波动状况,制定相应的宏观调控政策有着十分重要的意义。 本文是以湖北省人均GDP作为研究对象。湖北省人均GDP的增长速度在上世纪90年代增长率有下滑的趋势(见表1)。进入21世纪,继东部沿海地区先发展起来,并涌现出环渤海、长三角、珠三角等城市群,以及中共中央提出“西部大开发”的战略后,中部地区成了“被遗忘的区域”,中部地区经济发展严重滞后于东部沿海地区,为此,中共中央提出了“中部崛起”的重大战略决策。自2004年提出“中部崛起”的重要战略构思后,山西、河南、安徽、湖北、湖南、江西六个省都依托自己的资源和地理优势来扩大地区竞争力,湖北省尤为突出。那么,研究湖北省人均GDP的统计

Eviews处理多元回归分析操作步骤

操作步骤 1.建立工作文件 (1)建立数据的exel电子表格 (2)将电子表格数据导入eviews File-open-foreign data as workfile,得到数据的Eviews工作文件和数据序列表。

2.计算变量间的相关系数 在窗口中输入命令:cor coilfuture dow shindex nagas opec ueurope urmb,点击回车键,得到各序列之间的相关系数。结果表明Coilfuture数列与其他数列存在较好的相关关系。 3.时间序列的平稳性检验 (1)观察coilfuture序列趋势图 在eviews中得到时间序列趋势图,在quick菜单中单击graph,在series list对话框中输入序列名称coilfuture,其他选择默认操作。图形表明序列随时间变化存在上升趋势。

(2)对原序列进行ADF平稳性检验 quick-series statistics-unit root test,在弹出的series name对话框中输入需要检验的序列的名称,在test for unit root in 选择框中选择level,得到原数据序列的ADF检验结果,其他保持默认设置。

得到序列的ADF平稳性检验结果,检测值0.97大于所有临界值,则表明序列不平稳。以此方法,对各时间序列依次进行ADF检验,将检验值与临界值比较,发现所有序列的检验值均大于临界值,表明各原序列都是非平稳的。 (3)时间序列数据的一阶差分的ADF检验 quick-series statistics-unit root test,在series name对话框中输入需要检验的序列的名称,在test for unit root in 选择框中选择1nd difference,对其一阶差分进行平稳性检验,其他保持默认设置。

eviews软件使用说明

EViews 软件使用说明 一、EViews 软件的特点 EViews(Econometric Views )软件是美国QMS 公司研制的MicroTSP 软件的Windows 版本。除了TSP 软件所具有的特点之外,EViews 软件还有以下特点: 1.具有Windows 软件的操作风格 允许用户通过鼠标在标准的Windows 窗口、菜单、对话框上操作,处理结果直接显示在窗口之中,并且可以利用标准的Windows 技术(如复制、粘贴等)去进一步处理这些结果。因此,只要熟悉Windows 环境下的软件操作,将会很快掌握EViews 软件的基本操作方法。 2.采用了面向对象的软件设计思想 EViews 软件将计量经济分析的基本元素(如序列、数据、矩阵等)和分析结果(如方程、图形、系统等)都视为“对象” ,每一个对象都用相应的窗口来表示。通过对每一个对象不同侧面的观察,来分析对象的属性和特征,揭示不同对象之间的关系。 3.具有灵活的操作方式 为了便于用户操作,EViews 软件提供了三种操作方式,一是菜单驱动方式;利用系统提供的命令菜单可以很方便地完成有关操作。二是命令输入方式;系统专门设置了命令输入窗口,以便用户在此窗口中直接键入有关命令,而且在命令字后边可以添加命令参数。三是程

序运行方式,将有关命令序列编制成程序之后,运行该程序则以批处理方式完成一组命令的操作,这种方式适用于经常使用的重复操作。另外,EViews 软件还在各个对象窗口中设置了常用命令的命令按钮。这些方式使得EViews 软件的操作非常方便灵活。 4.反映了计量经济学的最新研究成果 由于EViews 软件是由计量经济学家研制、并且专门用于计量经济分析的专用软件,所以软件中反映了计量经济学理论、方法研究的发展情况。在EViews 2.0 版中,检验方法包括异方差性的white 检验、自相关性的BG 检验、因果关系的Granger 检验、协整的单位根检验等等;估计方法包括ARCH 模型、GMM 模型、向量自回归模型的估计和三段最小二乘估计法等系统估计方法。随着版本的升级(最新版本为4.0 ),软件中也在不断加入新的计量经济方法。 二、EViews 软件的启动与退出 1.启动 正常安装EViews 软件之后,在Windows95/98 开始菜单的程序组中将包括一项 “ Econometric Views ”,双击该项则启动EViews 软件,显示EViews 软件的工作窗口(如图6-1 所示)。 2.退出 在EViews 主菜单上点击File\Exit ,系统询问是否保存所修改的工作文件,确认之后将返回到Windows 窗口。

相关文档
最新文档